Contexte : Le monde industriel est confronté au défi de concilier les préoccupations environnementales et économiques, avec la nécessité de réduire la consommation d'énergie en raison de la hausse des prix de l'énergie et des engagements environnementaux tels que l'Accord de Paris. Appliquer des méthodes de contrôle optimal aux processus industriels est une façon naturelle d'atteindre une consommation minimale, mais cela nécessite un modèle du processus, qui est souvent complexe et difficile à modéliser. De plus, la complexité du modèle obtenu n'est généralement pas compatible avec une utilisation dans un algorithme de contrôle optimal, qui nécessite une évaluation rapide de nombreuses configurations. Enfin, même si le comportement d'un système est régulé par des équations connues, son anticipation précise nécessite souvent des mesures qui ne peuvent être apprises qu'au cours de la vie du système ainsi que sur des valeurs qui ne peuvent être observées.
Méthodes : La première partie de cette thèse se concentre sur l'exploration des approches basées sur les données pour modéliser les dynamiques du système, en prenant en compte les différentes sources d'incertitude. Un intérêt particulier est porté aux approches basées sur le filtrage/lissage pour reconstruire des séries temporelles à partir d'observations partielles d'un système, ainsi qu'à la possibilité de remplacer les équations qui décrivent la dynamique du processus par des modèles non paramétriques. Dans la seconde partie de la thèse, ces modèles seront intégrés dans des contrôleurs robustes ou stochastiques dans le but de minimiser la consommation d'énergie et les coûts associés, dans le cadre de l'exploitation d'installations industrielles réelles. Le travail se concentrera successivement sur des planifications robustes respectant les contraintes de fonctionnement et de sécurité, malgré les incertitudes de modélisation, et sur des planifications optimales pour minimiser les coûts d'exploitation. Dans ce contexte, il sera important de tenir compte de la non-stationnarité du problème, où un changement de contrôle peut entraîner une modification du modèle à identifier, ce qui est typique des systèmes en boucle fermée.