1. Réalisation d’un capteur virtuel à base de réseaux de neurones pour l’estimation de l’état de charge de batteries
Actuellement, les batteries lithium-ion sont omniprésentes, depuis les appareils électroniques portables, les téléphones mobiles et les ordinateurs portables jusqu’aux véhicules électriques et aux réseaux intelligents. Un capteur virtuel de l’état de charge est un élément clé d'un système de gestion des batteries qui garantit leur fonctionnement sûr et efficace. Ce projet concerne la conception et la réalisation d’un capteur virtuel se basant sur l’intelligence artificielle pour l'estimation de l'état de charge (SOC) d’une batterie. Les réseaux de neurones profonds pourraient être capables de mieux généraliser que les méthodes classiques (filtre de Kalman, par exemple) et de fournir des résultats précis s’ils sont entraînés avec une base de données riche et représentative. Autrement dit, on souhaite créer un modèle de réseaux neurones profond capable d’estimer l'état de charge de la batterie pendant la recharge des véhicules électriques. Le modèle devait être précis avec une marge de moins de 3% et avoir une empreinte suffisamment petite pour pouvoir être déployé en production. Le modèle devait également être vérifié lors d’un test embarqué sur le véhicule. Le modèle d’état de charge (SoC) à développer se base sur la mesure des variables réelles dans une batterie utilisée dans système de traction d’un véhicule électrique multisource disponible au laboratoire de recherche. Parmi ces variables, on cite la tension, le courant, l’ondulation du courant et la température interne. Après avoir être entrainé sur cette base de données, l’estimateur à base de réseaux de neurones génère le niveau de l’état charge estimé et fournir de l'information au système de contrôle.
Research area, student roles & skills
Research area: Nos principaux axes de recherche sont: • Véhicule électrique à pile à combustible et supercondensateurs • Énergies renouvelables (solaire, éolienne et hydroliennes: conversion, gestion, optimisation et intégration aux réseau électrique • Électronique de puissance (convertisseurs statiques multiports à commutation douce) • Entrainements électroniques (CC et AC) • Commande et optimisation de systèmes électronique de puissance. • Implantation des algorithmes de commande, de gestion et optimisation en technologie VLSI et ULSI (ASCs, DSPs, FPGAs)
Student roles:
La personne stagiaire doit:
Utiliser de la boîte à outils « Deep Learning » de l’environnement Matlab/Simulink pour déterminer l’architecture du réseau neuronal à l’aide de données historiques sur la charge de la batterie. Il peut aussi choisir une réseau de neurones existant et effectuer la programmation à l'aide d'un logiciel dédié.
Simuler, raffiner et valider le modèle répondant aux exigences de précision.
Une fois les performances du modèle sont satisfaites, générer automatiquement du code pour les tests « Hardware in Loop ou HIL » et les tests embarqués sur les véhicules.
Skills required:
La personne stagiaire doit avoir une bonne base en électronique, instrumentation, et des connaissances en Matlab/Simulink .
Les outils de l’environnement Matlab/Simulink qui seront utilisés sont : la boîte à outils « Deep Learning », « Simulink » , «Embedded Coder » et «Simulink Test».