Les systèmes électriques modernes évoluent avec l’introduction des ressources énergétiques distribuées et des véhicules électriques, promettant la durabilité. Cependant, l’intégration non contrôlée de ces technologies dans les réseaux électriques existants peut entraîner des déséquilibres en temps réel et des problèmes de le pic de la demande. Le renforcement traditionnel du réseau présente des inconvénients, notamment des préoccupations liées au coût et au temps de déploiement. Des solutions flexibles, rendues possibles par la digitalisation du réseau, offrent une alternative en contrôlant dynamiquement les éléments du réseau. Cependant, l’optimisation de ces solutions pour les différents acteurs du marché est complexe,et les approches centralisées peuvent avoir du mal à gérer en temps réel de grands réseaux intelligents. Cette thèse aborde ces défis en développant un système décentralisé utilisant des systèmes multi-agents adaptatifs pour le contrôle en temps réel des entités flexibles dans les réseaux de distribution. Des expériences de simulation valident son efficacité pour surmonter les problèmes de centralisation. De plus, l’intégration de l’apprentissage combinatoire à bandit manchot améliore les performances dans des environnements stochastiques. Cette recherche propose une approche prometteuse pour l’optimisation de grands réseaux intelligents alors qu’ils s’adaptent aux évolutions du paysage énergétique.