Transducteurs & systèmes d’énergie soutenables complexes

Equipe : SyEnsCES

Membres :
H. BEN AHMED, R. LE GOFF LATIMIER, A. BLAVETTE, G. JODIN, M. DESVAUX

Les activités de l’équipe liée à cet axe sont centrées sur l’optimisation des composants et des systèmes complexes. Le volet “composants” inclue la conception optimale de transducteurs (ex : capteurs, actionneurs électriques). De manière générale, les travaux de l’équipe sont menés dans une perspective de développement durable, et mettent l’accent sur l’analyse du cycle de vie et la prise en compte de critères environnementaux dans le développement de méthodologies de conception. C’est donc tout naturellement que notre équipe a lancé récemment des travaux sur l’éco-conception de convertisseurs statiques. Dans un contexte de consommation toujours plus importante de composants électroniques notamment dans le cadre de la transition énergétique (ex. véhicules électriques), et afin d’éviter un effet rebond, nos travaux se veulent contribuer à réduire l’impact environnemental de ces systèmes par une meilleure conception, un usage/contrôle plus efficient du cycle de vie et enfin une plus grande circularité (réparabilité, modularité, diagnosticabilité, valorisation).


Un autre volet des activités de l’équipe concerne les “systèmes complexes”. Ces systèmes se définissent comme des ensembles d’entités individuelles présentant des interactions plus ou moins fortes entre elles, et dont le comportement global ne peut être prédit par l’analyse du comportement individuel de ses entités. Parmi les nombreux systèmes complexes naturels ou conçus par l’être humain, les travaux de l’équipe portent sur des systèmes pluridisciplinaires de transducteurs et les réseaux d’énergie intelligents multi-acteurs distribués (smart grids).

Pour le premier sous-thème (systèmes de transducteurs), thématique commune avec l’axe 1, on trouve les vêtements instrumentés et autoalimentés pour l’analyse du mouvement ainsi que l’instrumentation de corps immergés. Cette dernière problématique est menée une collaboration avec l’Université de Cambridge (GB) et WestLake University (Chine) pour découvrir comment les poissons utilisent les traces hydrodynamiques laissées dans le sillage d'autres poissons pour guider leurs décisions de mouvement dans les tâches de recherche et de navigation. Il s’agit (1) de mesurer les indices hydrodynamiques produits dans le sillage des poissons nageurs, (2) de déterminer comment les poissons répondent à ces traces et (3) de comprendre comment la perturbation ou l'imitation de ces signaux affecte les réponses des poissons. Un dispositif scientifique est conçu et réaliser pour mesurer les pressions dynamiques, analyser les vidéos des animaux, embarquer des algorithmes de fusion de données par l’intelligence artificielle. Il permettra de “se mettre à la place des poissons” et d’aider les zoologues dans leurs analyses.

Concernant le second sous-thème (les réseaux d’énergie intelligents), notre équipe s’intéresse à l’optimisation du dimensionnement des capacités et des lois de gestion de réseaux d’énergie intelligents, un pilier pour la transition énergétique. Ces réseaux peuvent inclure une ou plusieurs sources d’énergie (réseaux multi-énergies couplés : électricité, chaleur, hydrogène, bio-gaz) et sont destinés à intégrer un grand nombre d’entités flexibles intelligentes (ex : la recharge des véhicules électriques, le stockage d’énergie distribué, la production ou encore les consommations modulables) qu’il sera nécessaire de piloter. Le pilotage d’un grand nombre d’entités doit répondre à des contraintes à des niveaux tant locaux que globaux, dans un contexte où les décisions sont couplées temporellement et spatialement, tout en respectant des contraintes de temps parfois très impactantes (ex : temps de calcul maximal autorisé, latence des systèmes d’information). L’ensemble de ces points représente un verrou scientifique fort sur lequel notre équipe développe et/ou adapte des méthodologies originales issues de diverses communautés (ex. mathématiques, intelligence artificielle). L’aspect stochastique engendré par les diverses erreurs dues à une prévision imparfaite rajoute une complexité supplémentaire autant dans les lois de contrôle prédictif nécessaires que dans la modélisation des erreurs elles-mêmes.


Figure : Réseaux multi-énergie : (a) architecture du réseau couplé (b) Résultats de simulation de la gestion optimale par commande prédictive de type MPC (thèse de Ibrahim Al Asmi, 2023).