Doctorant (H/F) Diagnostic intelligent et pronostic des éléments de stockage dans les réseaux de distri

Sujet de thèse :
L’objectif principal de cette thèse est de concevoir des outils avancés de diagnostic et de pronostic des batteries Li-ion, adaptés aux conditions réelles des réseaux AC/DC, et intégrables dans une logique de supervision temps réel. Il s’agit de répondre à trois enjeux :
1. Fiabilité du stockage dans des architectures complexes et multi-niveaux ;
2. Prédiction de la dégradation en conditions dynamiques d’usage ;
3. Optimisation de la gestion énergétique (EMS) en tenant compte du vieillissement.
Pour cela, la thèse proposera des approches hybrides, combinant :
• Modèles équivalents physiques paramétrés (ex. R-C, Thevenin, électrochimique simplifié),
• Algorithmes d’optimisation pour l’extraction de paramètres dynamiques,
• Méthodes de machine learning supervisé ou non supervisé,
• Et des outils de régression symbolique pour produire des modèles interprétables et généralisables.
Le diagnostic reposera sur des mesures courantes (courant, tension, température), exploitables en conditions réelles, avec un objectif final de mise en œuvre embarquée.
________________________________________
Travail de recherche
1. Revue bibliographique détaillée
• Mécanismes de vieillissement des batteries Li-ion ,
• Modèles équivalents dynamiques (R-C, modèles simplifiés électrochimiques),
• Méthodes classiques et intelligentes de SoH/RUL estimation,
• Techniques d’optimisation (PSO, algorithmes évolutionnaires),
• Méthodes avancées de machine learning (réseaux de neurones, random forest, LSTM),
• Applications récentes de la symbolic regression à la modélisation énergétique.
2. Développement de modèles physiques paramétrables
• Implémentation de modèles par circuits électriques équivalents,
• Extraction de paramètres dynamiques à partir de données synthétiques ou semi-réelles,
• Utilisation d’algorithmes d’optimisation (PSO, moindres carrés, heuristiques) pour calage.
3. Apprentissage automatique et régression symbolique
• Construction de jeux de données (réels ou simulés),
• Estimation du SoH/RUL à partir de mesures de terrain par modèles ML/DL,
• Utilisation de librairies comme PySR ou Eureqa pour générer des expressions explicites.
4. Simulation système et évaluation réseau
• Intégration du vieillissement des batteries dans une simulation de convertisseur multi-port AC/DC,
• Évaluation de l’impact de la dégradation sur la qualité de service, l'efficacité énergétique,
• Proposition d'indicateurs opérationnels (SoH, CEP) pour la gestion embarquée.
5. Vers une supervision complète
• Élaboration d’un prototype de stratégie de gestion énergétique (EMS) intégrant SoH/RUL,
• Préparation à une intégration dans des plateformes de test du consortium DC Architect.
________________________________________
Environnement et collaborations
Le doctorant évoluera dans un environnement de recherche interdisciplinaire, en interaction avec :
• LAAS-CNRS (Toulouse, encadrement principal),
• IMS (Bordeaux, encadrement com
Voir plus sur le site emploi.cnrs.fr...