Le 21/03/2018 par oulamara :

Contexte

Le contexte scientifique de la thèse est le développement de nouveaux algorithmes d’optimisation sous contraintes, appliqués à l’amélioration de la gestion du réseau électrique en fonction de profils de montée en puissance de l’utilisation et de la recharge de véhicules électriques (VE). Le travail qui sera demandé entre dans le cadre d’un projet collaboratif avec la société Freshmile, opérateur du service de charge de VE, l’Institut IRIMAS de l’université de Haute-Alsace et le laboratoire LORIA de l’Université de Lorraine.

Objectif des travaux de recherche

L’objectif des travaux de recherche, sur le plan applicatif, est d’anticiper la montée en charge du réseau électrique en minimisant les impacts liés à l’augmentation de la recharge des VE. Actuellement les VE sont encore peu nombreux sur le réseau routier et leur impact sur le réseau électrique reste faible. Néanmoins, il s’avère important d’anticiper l’augmentation de la demande en proposant des stratégies de charge visant à diminuer l'impact sur le réseau des pics de charge dans le cas de flottes de VE connectés, qui seront à terme automatisés et donc pour lesquelles les stratégies de charge seront implémentées de façon transparente.

Les données collectées par l'opérateur du service de charge permettront également de prendre en compte d’autres impacts du passage à la mobilité électrique de masse : les aspects environnementaux (émissions de CO2, émissions de polluants de l'air, émissions de particules, émissions sonores) et les aspects sociétaux (conséquences de la baisse de l'empreinte environnementale, influence sur les comportements de mobilité des individus).

Sur le plan scientifique, il s’agit de comprendre et de modéliser la complexité de ces problématiques de recharge intelligente des VE, tout en tenant compte des contraintes à la fois physique liée au réseau électrique, et aussi contraintes d’usage des véhicules. Il s’agit alors de développer des approches de résolution exactes et heuristiques correspondant au compromis à trouver entre des acteurs ayant des  objectifs antagonistes. Par ailleurs, ces approches devraient tenir compte des aspects prédictifs du besoin à la fois de la recharge de flottes massives et aussi de prévision de l’énergie disponibles. Des politiques bidirectionnelles de flux énergétiques  devraient entre prises en compte comme les politiques d’effacement ou de V2G.

Nous souhaitons à travers ce projet développer de nouvelles approches prescriptives qui intègrent une ou plusieurs méthodes d’apprentissages dans le but de mieux orienter les décisions.

Les algorithmes développés seront validés via l’application définie en lien avec le partenaire industriel. Ces travaux de R&D ouvriront alors de nouvelles pistes pour aller plus loin dans le passage à une économie servicielle de la mobilité, en lien avec des thèmes connexes, comme l'automatisation des véhicules et le transport domicile-travail autonome à la demande.

Plan de travail

Ce travail traitera les différentes phases suivantes :

• Etat de l’art sur l’écosystème du véhicule et la mobilité électrique.
• Etat  de l’art sur les méthodes d’apprentissage et les métaheuristiques.
• Modélisation du système complexe de mobilité électrique et recharge intelligente des véhicules électriques.
• Proposition de nouvelles approches de résolution intégrant des mécanismes d’apprentissage.
• Validation des approches développées sur le problème de gestion de bornes de recharges électriques.

Prérequis

• Le candidat doit avoir un master recherche ou équivalent en informatique ou en mathématiques appliquée. Le candidat doit avoir une bonne connaissance dans les domaines suivants : métaheuristiques, méthodes exactes, ordonnancement, techniques d’apprentissages.
• Langage de programmation : C++ /Python.
• Bonne maitrise de développement sous Linux.
• Le candidat doit avoir un bon niveau en anglais.
• Une bonne culture générale de l’écosystème du véhicule électrique est un plus

Candidature

• Merci d’envoyer un CV, vos relevés de notes de M1 et M2, 2 à 3 lettres de recommandation.

Contact 

• Pr. Michel Basset : michel.basset@uha.fr
• Pr. Ammar Oulamara : Ammar.Oulamara@loria.fr
• Pr. Lhassane Idoumghar : lhassane.idoumghar@uha.fr

Début de la thèse : Septembre-Octobre 2018.