Thèse soutenue

Optimisation de la consommation énergétique d'une ligne de métro automatique prenant en compte les aléas de trafic à l'aide d'outils d'intelligence artificielle
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Jonathan Lesel
Direction : Benoît RobynsPatrick DebayGauthier Claisse
Type : Thèse de doctorat
Discipline(s) : Génie électrique
Date : Soutenance le 20/06/2016
Etablissement(s) : Paris, ENSAM
Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
Partenaire(s) de recherche : Laboratoire : Laboratoire d'électrotechnique et d'électronique de puissance (L2EP) - Laboratoire d'électrotechnique et d'électronique de puissance [Villeneuve d’Ascq] / L2EP
Jury : Président / Présidente : Éric Monmasson
Examinateurs / Examinatrices : Patrick Debay, Gauthier Claisse, Julien Pouget
Rapporteurs / Rapporteuses : Serge Pierfederici, Stéphane Caux

Résumé

FR  |  
EN

En 2014, dans le cadre du Plan Climat, les pays membres de l’Union Européenne, se sont engagés à réduire de près de 27% leur consommation d’énergie. L’un des axes d’études concerne l’augmentation de l’efficacité énergétique des transports urbains. Cette thèse a pour objectif de proposer une méthodologie afin de réduire la consommation énergétique de lignes de métro automatique tout en intégrant les perturbations de trafic qui se produisent dans des conditions normales d’exploitation. Le principe retenu dans ces travaux est de maximiser la réutilisation de l’énergie générée lors du freinage des trains, par les autres trains présents sur la ligne. Une première partie est dédiée à la modélisation électrique d’une ligne de métro automatique et à la présentation de méthodes permettant de calculer les flux de puissances entre les trains et les sous-stations d’alimentation. Ensuite, des algorithmes d’optimisation sont introduits pour effectuer l’optimisation des paramètres d’exploitation les plus influents dans une configuration idéale n’intégrant pas les aléas de trafic. Enfin, une méthodologie basée sur un apprentissage des données de simulation est développée dans le but de réaliser l’optimisation énergétique de la consommation en temps réel et en intégrant les perturbations de trafic. Cette dernière partie aura ainsi pour objectif de fournir une aide à la décision dans le choix des temps d’arrêts que doivent effectuer chaque train en station afin de maximiser la récupération de l’énergie issue du freinage.