Ces dernières annĂ©es, le dĂ©veloppement accĂ©lĂ©rĂ© des Ă©nergies renouvelables a permis d’envisager de nouveaux modèles Ă©nergĂ©tiques basĂ©s sur des modes de production dĂ©centralisĂ©s : l’énergie est produite proche du consommateur et des moyens de flexibilitĂ© sont installĂ©s pour garantir, Ă  tout instant, l’équilibre entre la consommation et la production. Parmi l’ensemble des solutions envisagĂ©es, le stockage est un moyen privilĂ©giĂ© pour pallier l’intermittence de la production. Ce dernier peut s’accompagner de stratĂ©gie “multi-Ă©nergies” qui permettent d’amĂ©liorer la performance globale du système en couplant plusieurs vecteurs Ă©nergĂ©tiques entre eux. La conception de tels systèmes est un problème complexe car il nĂ©cessite l’apprĂ©hension d’un grand nombre de paramètres, et ce de manière systĂ©mique. Qui plus est, les dĂ©cisions de dimensionnement doivent ĂŞtre prises alors que de nombreux paramètres sont incertains (e.g., coĂ»ts d’investissement, prix de l’énergie, consommation et production futures). Par consĂ©quent, le problème de conception est gĂ©nĂ©ralement formulĂ© sous la forme d’un problème d’optimisation oĂą les dimensions des Ă©quipements sont les variables de dĂ©cision du problème Ă  rĂ©soudre. La thèse s’inscrit dans ce contexte en dĂ©veloppant des stratĂ©gies de conception et de pilotage pour des systèmes multi-Ă©nergies. En particulier, le travail s’articule autour de trois axes de recherche principaux. La première partie de la thèse a pour objectif de dĂ©velopper un modèle d’optimisation du dimensionnement dans un cadre dĂ©terministe. La rĂ©solution d’un tel problème est rapide, ce qui permet d’effectuer des analyses paramĂ©triques. De cette façon, cette partie interroge la pertinence technico-Ă©conomique de tels systèmes pour alimenter des consommateurs rĂ©sidentiels avec une part d’Ă©nergie renouvelable croissante. Ensuite, la deuxième partie de ce travail (qui constitue le coeur de la thèse) s’intĂ©resse au problème de conception sous incertitudes. Pour ce faire, deux mĂ©thodes de dimensionnement basĂ©es sur la programmation stochastique sont introduites : l’une est basĂ©e sur la programmation linĂ©aire et l’autre utilise une mĂ©taheuristique. De façon Ă  rĂ©soudre le problème d’optimisation en un temps imparti, ces mĂ©thodes sont gĂ©nĂ©ralement basĂ©es sur des versions simplifiĂ©es du problème. En particulier, les dimensions des systèmes sont calculĂ©es en considĂ©rant que la stratĂ©gie de pilotage a une connaissance parfaite du futur. L’objectif de cette partie est donc de questionner cette hypothèse en Ă©valuant conjointement les rĂ©sultats de dimensionnement avec des mĂ©thodes de pilotage rĂ©alistes qui n’anticipent pas le futur. Ce travail permet Ă©galement d’étudier plus prĂ©cisĂ©ment le lien Ă©troit entre la performance de la loi de gestion et le dimensionnement. Faut-il obligatoirement utiliser la loi de gestion rĂ©elle en phase de dimensionnement ? Cette partie tente d’apporter quelques rĂ©ponses Ă  cette question. Enfin, la dernière partie de ce travail s’intĂ©resse au problème de dimensionnement dynamique : les systèmes vieillissent et plusieurs dĂ©cisions de dimensionnement doivent ĂŞtre prises sur l’horizon de l’étude. Contrairement Ă  la plupart des Ă©tudes de la littĂ©rature, ce travail introduit l’impact de la loi de gestion sur la durĂ©e de vie des systèmes : cette dernière n’est pas fixĂ©e a priori, mais dĂ©pend de la façon dont le système est pilotĂ© au cours du temps. Cette mĂ©thode de dimensionnement originale intĂ©grant le vieillissement (qui provient de la littĂ©rature) est ensuite comparĂ©e Ă  deux heuristiques de conception basĂ©es sur une annĂ©e Ă©quivalente. Pour illustrer l’ensemble de ces travaux, les mĂ©thodes sont appliquĂ©es Ă  un système dĂ©centralisĂ© qui peut inclure des technologies hydrogène (i.e., pile Ă  combustible, Ă©lectrolyseur et stockage) oĂą la chaleur produite par cogĂ©nĂ©ration est valorisĂ©e pour alimenter des besoins en chaud.