Optimisation de l'infrastructure de recharge des véhicules électriques et de l'expérience utilisateur grâce à l'intelligence artificielle

Artificial intelligence-driven optimization of electric vehicle charging infrastructure and user-centric experience

• Auteur / Autrice : Lydia Douaidi
• Direction : Sidi-Mohammed Senouci, Inès El Korbi, Fouzi Harrou
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 26/02/2025
• Etablissement(s) : Dijon, Université Bourgogne Europe
• Ecole(s) doctorale(s) : École doctorale Sciences Physiques pour l'Ingénieur et Microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Département de Recherche en Ingénierie des Véhicules pour l'Environnement (DRIVE) (Nevers)
• Jury : Président / Présidente : Stéphane Galland
• Jury : Examinateurs / Examinatrices : Leïla Merghem-Boulahia, Samir Aknine, Adrien Becue, Zita Vale
• Jury : Rapporteurs / Rapporteuses : Leïla Merghem-Boulahia, Samir Aknine
• DOI : 10.70675/c0e78586zebe5z43fdz815fz77dc3e1e76fd

Mots clés

Mots clés contrôlés

Véhicules électriques

Apprentissage profond

Apprentissage fédéré

Réseaux neuronaux graphiques

Protection de l'information (informatique)

Mots clés libres

Véhicules Electriques

Infrastructure de Recharge

Apprentissage Profond

Apprentissage Fédéré

Réseaux Neuronaux Graphiques

Confidentialité des Données

Electric Vehicles

Charging Infrastructure

Deep Learning

Federated Learning

Graph Neural Networks

Data Privacy

Résumé

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.

The rapid adoption of Electric Vehicles (EVs) has created an urgent need for innovative solutions that optimize charging infrastructure while enhancing the user experience. This thesis addresses critical challenges such as efficient energy management, accurate prediction of charging station (CS) occupancy, and personalized CS recommendations, all while ensuring the protection of user data privacy. To address these challenges, the research is structured around three interconnected focus areas. First, advanced spatio-temporal models based on Graph Neural Networks (GNNs) are developed to forecast energy consumption at individual CSs, enabling better resource allocation and ensuring grid stability. Second, Federated Learning (FL) techniques are applied to predict CS occupancy, addressing both Independent and Identically Distributed (IID) and non-IID data distributions using different FL aggregation methods. This approach helps reduce waiting times and improves accessibility while preserving user privacy. Finally, a GNN-based method is proposed to recommend optimal CSs. This approach integrates occupancy predictions, geographic data, and users' charging habits, thereby minimizing travel distances and waiting times while significantly enhancing user satisfaction. These contributions, validated on diverse real-world datasets and evaluated using multiple performance metrics, outperform benchmark methods, showcasing their effectiveness. This research aims to advance the state of the art in optimizing CS operations and enhancing user experience, contributing to the creation of smarter, more efficient, and sustainable EV charging ecosystems.