Des éoliennes intelligentes pour une production d’énergie optimisée
Elie Kadoche, doctorant à Télécom Paris, laboratoire LTCI, Institut Polytechnique de Paris, juin 2024.
Mots-clés : basse consommation, économie d’énergie, optimisation
Elie Kadoche nous parle du numérique au service de la transition énergétique, et plus précisément du sujet de sa thèse sur les éoliennes intelligentes pour une production d’énergie optimisée.
Sujet qu’il a su résumer en trois minutes puisqu’il a remporté le 3e prix du jury du concours national « Ma thèse en 180 secondes », parmi 16 finalistes. Il avait auparavant remporté la finale régionale IP Paris.
Propos recueillis par Isabelle Mauriac
Podcast
Retrouvez cette interview en format audio dans le cadre des podcasts Télécom Paris Ideas :
Podcast Michel Desnoues, Télécom Paris
Vidéo
Elie Kadoche travaille sur des algorithmes de contrôle pour l’optimisation de grands parcs éoliens.
Dans cette vidéo, il explique comment l’utilisation et le développement d’une méthode d’apprentissage par renforcement permet aux éoliennes de s’orienter par rapport au vent.
Vidéo Michel Desnoues, Télécom Paris
Références
- Kadoche, E. et al. How to craft a deep reinforcement learning policy for wind farm flow control (2025) arXiv : 2506.06204 [ cs.LG ]
- Tuhfe Göçmen, Jaime Liew, Elie Kadoche, Nikolay Dimitrov, Riccardo Riva, Søren Juhl Andersen, Alan W.H. Lio, Julian Quick, Pierre-Elouan Réthoré, and Katherine Dykes. Data-driven wind farm flow control and challenges towards field implementation: A review. In: Renewable and Sustainable Energy Reviews 216 (2025), p. 115605. issn: 1364-0321
- Elie Kadoche, Pascal Bianchi, Florence Carton, Philippe Ciblat, and Damien Ernst. On the importance of wind predictions in wake steering optimization. In: Wind Energy Science 9.7 (2024), pp. 1577–1594
- Elie Kadoche, Sébastien Gourvénec, Maxime Pallud, and Tanguy Levent. MARLYC: Multi-Agent Reinforcement Learning Yaw Control. In: Renewable Energy 217 (2023),p. 119129. issn: 0960-1481
