Pilotage synchronisé de la production d'énergie et d'activités de services de véhicules autonomes ou partiellement autonomes - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Synchronized control of energy production and service activities of autonomous or partially autonomous vehicles

Pilotage synchronisé de la production d'énergie et d'activités de services de véhicules autonomes ou partiellement autonomes

Résumé

The global problem (Simultaneous Management of Energy Production and Consumption : SMEPC) that we are addressing in this project, concerns the synchronous management on a platform called PAVIN (Plateformes Auvergne pour Véhicules intelligents) of a fleet of small, experimental electric vehicles equipped with hydrogen cells, which are required to perform logistical tasks in a limited area, and a micro-hydrogen production plant for filling the hydrogen tank of these vehicles. We consider only 1 vehicle, necessary to perform tasks in an order of predefined. The vehicle starts its tour with a certain amount of hydrogen fuel, and its tank has limited capacity. It must therefore return periodically to the micro-plant to recharge in fuel (hydrogen). The micro-plant has a limited production/storage capacity, which depends on sunlight.Our objective is to simultaneously schedule the vehicle refueling operations and the production/storage activity of the production/storage activity of the microfactory while minimizing the production cost and the duration of the tour. This global problem is complex because it involves both characteristics related to the uncertainty of the weather forecast, the autonomous the autonomous behavior of the vehicle but also related to the synchronization of the vehicle's of the vehicle recharging and hydrogen production. We first model our problem by linear programs. Then, to solve the problem SMEPC several methods of optimization are approached namely : the method of optimization of type dynamic programming that we call here DPS_SMEPC and the optimization method of heuristic type that we call here Pipe-line VD_PM. Finally, we design a cost estimator using neural network approximation processes.We model SMEPC by a mixed integer linear program (MIP). The decision variables are associated with vehicle charging and hydrogen production. However, since it involves too many variables, it is decomposed into two distinct subproblems. The first one controls the vehicle tour, and the second one deals with the management of the microfactory. They are also handled by linear programs linked together by a synchronization mechanism.SMEPC is processed by dynamic programming. The Dynamic Programming Scheme (DPS) tends to to involve in practice an excessively high number of states. We are introducing filtering devices : based on the anticipation of inconsistencies by defining logical rules, based on an optimistic estimation based on the pre-calculation of a feasible initial solution, and, based on the use of dominance mechanisms. Part of the study is devoted to an evaluation of the power of these filtering processes.In order to bring out the collaborative dimension of our problem, we treat SMEPC through a heuristic by decomposing it into two sub-problems distinct, the problem Vehicle-Driver (VD) which consists in determining a recharging strategy of the vehicle, and the problem Production-Manager(PM) which consists in determining a production strategy for the micro-plant. Indeed, the solution of the vehicle problem is considered as an input to the production problem. The production strategy is calculated taking into account the route found by the vehicle problem.In order to quickly predict the cost of the optimal solution of an instance, an estimator is designed. This estimator is built using neural networks that take as input the data of the instance and provide as output an estimate of the optimal value. To carry out the learning and testing phase of the neural networks, a set of 6000 instances is used.
Le problème global (Simultaneous Management of Energy Production and Consumption : SMEPC) que nous abordons dans le cadre de ce projet, concerne la gestion synchrone sur une plateforme expérimentale appelée PAVIN (Plateformes Auvergne pour Véhicules intelligents) d'une flotte de petits véhicules électriques équipés de cellules hydrogène, qui sont nécessaires pour effectuer des tâches logistiques locales dans une zone limitée, et d'une micro-usine de production d'hydrogène chargée du remplissage périodique en hydrogène de ces véhicules. On considère 1 seul véhicule, nécessaire pour effectuer des tâches selon un ordre préétabli. Le véhicule commence sa tournée avec une certaine charge de carburant hydrogène, et son réservoir a une capacité limitée. Il doit donc retourner périodiquement à la micro-usine pour se recharger en carburant (de l'hydrogène). La micro-usine a une capacité de production/stockage limitée, qui dépend de l'ensoleillement.Notre objectif est de programmer simultanément les opérations de ravitaillement du véhicule et l'activité de production/stockage de la micro-usine en minimisant le coût de production et la durée de la tournée. Ce problème global est complexe car il implique à la fois des caractéristiques liées à l'incertitude des prévisions météorologiques, au comportement autonome du véhicule mais aussi liées à la synchronisation des recharges du véhicule et de la production d'hydrogène. On modélise d'abord notre problème par des programmes linéaires. Ensuite, pour résoudre le problème SMEPC plusieurs méthodes d'optimisation sont abordées à savoir : la méthode d'optimisation de type programmationdynamique qu'on nomme ici DPS_SMEPC et la méthode d'optimisation de type heuristique qu'on appelle ici Pipe-line VD_PM. Pour finir, on conçoit un estimateur de coûts à l'aide de procédés d'approximation de type réseau de neurones.Nous modélisons SMEPC par un programme linéaire en nombre entiers mixtes (MIP). Les variables de décisions sont associées à la recharge du véhicule et à la production d'hydrogène. Mais, comme il implique un trop grand nombre de variables, on le décompose en deux sous-problèmes distincts. Le premier contrôle la tournée du véhicule, et le second traite de la gestion de la micro-usine. Ils sont également traités par des programmes linéaires reliés entre eux par un mécanisme de synchronisation.SMEPC est traité par programmation dynamique. Le schéma de programmation dynamique (DPS) tend à impliquer en pratique un nombre excessivement élevé d'états. Nous introduisons des dispositifs de filtrage : basés sur l'anticipation des incohérences en définissant des règles logiques, basés sur une estimation optimiste sur la base du pré-calcul d'une solution initiale réalisable, et, basés sur l'utilisation de mécanismes de dominance. Une partie de l'étude est consacrée à une évaluation de la puissance de ces processus de filtrage.Dans le souci de faire ressortir la dimension collaborative de notre problème, nous traitons SMEPC par le biais d'une heuristique en le décomposons en deux sous-problèmes distincts, le problème Vehicle-Driver (VD) qui consiste à déterminer une stratégie de recharge du véhicule, et le problème Production-Manager (PM) qui consiste à déterminer une stratégie de production de la micro-usine. En effet, la solution du problème véhicule est considérée comme une entrée du problème production. La stratégie de production est calculée en tenant compte de la tournée trouvée par le problème véhicule.Pour pouvoir prédire rapidement le coût de la solution optimale d'une instance, on conçoit un estimateur. Ce dernier a été construit à l'aide de réseaux de neurones qui prennent en entrées les données de l'instance et fournissent en sortie une estimation de la valeur optimale. Pour réaliser la phase d'apprentissage et de test des réseaux de neurones, on utilise un ensemble de 6000 instances.
Fichier principal
Vignette du fichier
2023UCFA0053_MOLE_KAMGA.pdf (10.44 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04418782 , version 1 (26-01-2024)

Identifiants

  • HAL Id : tel-04418782 , version 1

Citer

Eloise Yollande Molé Kamga. Pilotage synchronisé de la production d'énergie et d'activités de services de véhicules autonomes ou partiellement autonomes. Intelligence artificielle [cs.AI]. Université Clermont Auvergne, 2023. Français. ⟨NNT : 2023UCFA0053⟩. ⟨tel-04418782⟩
51 Consultations
14 Téléchargements

Partager

Gmail Facebook X LinkedIn More