Madame Lydia DOUAIDI
a présentée ses travaux intitulés « Optimisation de l’infrastructure de recharge des véhicules électriques et de l’expérience utilisateur grâce à l’intelligence artificielle»
Résumé de la thèse :
L’adoption rapide des Véhicules Électriques (VEs) a créé un besoin pressant de solutions innovantes pour optimiser l’infrastructure de recharge tout en améliorant l’expérience utilisateur. Cette thèse s’attaque à des enjeux majeurs tels que la gestion efficace de l’énergie, la prévision précise de l’occupation des stations de recharge et les recommandations personnalisées de stations, tout en garantissant la protection de la confidentialité des données des utilisateurs. Pour répondre à ces défis, le travail de recherche se structure autour de trois axes interconnectés. Tout d’abord, des modèles spatio-temporels avancés basés sur Graphes Neuronaux (GNN), sont développés pour prévoir la consommation d’énergie au niveau des stations de recharge, permettant ainsi une meilleure allocation des ressources et assurant la stabilité du réseau électrique. Ensuite, des techniques d’Apprentissage Fédéré (FL) sont mises en œuvre pour estimer l’occupation des stations de recharge. Ces techniques prennent en compte à la fois les distributions de données Indépendantes et Identiquement Distribuées (IID) et non IID, en utilisant différentes méthodes d’agrégation FL. Cette approche contribue à réduire les temps d’attente et à améliorer l’accessibilité, tout en préservant la confidentialité des utilisateurs. Enfin, une approche basée sur les GNN est proposé pour recommander des stations de recharge optimales. Cette approche intègre les prédictions d’occupation, les données géographiques et les habitudes de recharge des utilisateurs, minimisant ainsi les distances de trajet et les temps d’attente, tout en augmentant considérablement la satisfaction des usagers. Ces contributions, validées à partir de divers ensembles de données réels et évaluées à l’aide de multiples métriques de performance, surpassent les méthodes de référence, démontrant leur efficacité. Cette thèse apporte des avancées significatives dans l’optimisation des opérations de l’infrastructure de recharge et l’amélioration de l’expérience utilisateur, contribuant à la création d’écosystèmes de recharge de VEs plus intelligents, performants et durables.
Mots-clés : Véhicules Electriques,Infrastructure de Recharge,Apprentissage Profond,Apprentissage Fédéré,Réseaux Neuronaux Graphiques,Confidentialité des Données,