Modèles d'apprentissage informés par la physique pour la prévision de l'e-flexibilité des véhicules électrique // Physics-Informed Learning Models for Forecasting E-Flexibility in Electric Vehicles (EVs)

Ce projet vise à combler cette lacune en intégrant des données massives de mobilité issues des opérateurs télécoms et en utilisant l'apprentissage informé par la physique (Physics-Informed Learning, PIL) pour améliorer les modèles existants. Le PIL permettra d'imposer des contraintes physiques sur le comportement des véhicules électriques (VE), assurant un recalibrage en temps réel et une meilleure précision afin de tenir compte des trajectoires complexes des VE, des arrêts imprévus et des variations de mobilité. L'objectif est de développer un modèle robuste, applicable à l'échelle mondiale, pour prévoir l'e-flexibilité des VE, avec un accent particulier sur les technologies véhicule-réseau (Vehicle-to-Grid, V2G). Ce modèle prédira la demande énergétique et l'état de charge (State of Charge, SoC) des flottes de VE dans le temps et l'espace, en intégrant des données réelles pour permettre des mises à jour en ligne. Il sera applicable dans tous les pays disposant de données téléphoniques, ouvrant la voie à une application à l'échelle internationale.

Méthodologie. Le modèle proposé adoptera une structure basée sur des graphes pour représenter les flux de mobilité et la dynamique de SoC des VE. Il sera calibré à l'aide de données réelles provenant de la région de Grenoble, fournies par les opérateurs de téléphonie mobile, afin d'en améliorer la précision et de l'adapter à divers contextes géographiques. Grâce aux méthodes PIL, le modèle respectera les lois physiques régissant la consommation d'énergie et les déplacements des véhicules, aboutissant à des prédictions plus fiables et adaptables.

Le nouveau modèle sera intégré à la plateforme eMob-Twin, permettant l'évaluation de divers scénarios, tels que le comportement des flottes de VE, l'optimisation des bornes de recharge et les interactions V2G. L'intégration de mises à jour en temps réel garantira la validité et la pertinence du modèle dans différents contextes.

Question de recherche. Les principales questions de recherche portent sur l'identification des lacunes et des sources de données (Comment exploiter les données des opérateurs télécoms pour améliorer la modélisation de la mobilité réelle des VE ? Quels sont les principaux motifs de mobilité des VE influençant leur intégration au réseau électrique ?), le développement et l'amélioration du modèle (Comment l'apprentissage informé par la physique (PIL) peut-il améliorer la précision des prédictions de trajectoires et de SoC des VE ? Comment le recalibrage en temps réel des modèles de mobilité peut-il améliorer la prévision de l'e-flexibilité des VE ?), et l'évaluation de l'impact (Dans quelle mesure les modèles de prédiction de la mobilité des VE sont-ils transférables entre différentes régions géographiques ? Quelles sont les implications pratiques de l'intégration d'un modèle avancé de mobilité des VE dans les plateformes d'aide à la décision ?)
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This project aims to address this gap by integrating massive mobility data from from telecom operators and using Physics-Informed Learning (PIL) to enhance existing models. PIL will enforce physical constraints on EV behavior, ensuring real-time recalibration and improving accuracy to account for complex EV trajectories, unexpected stops, and mobility variations. The goal is to develop a robust, globally applicable model for forecasting the e-flexibility of EVs, focusing on vehicle-to-grid (V2G) technologies. This model will predict the energy demand and state of charge (SoC) of EV fleets across time and space, integrating real-world data for online updates. It will be applicable in countries worldwide, particularly those with available telephony data, allowing for international-scale application.
Methodology. The proposed model will use a graph-based structure to represent mobility flows and EV SoC dynamics. The model will be calibrated using real-world data from the Grenoble area, provided by the cell phone operators, to improve accuracy and adapt to various geographical contexts. By incorporating PIL methods, the model will respect the physical laws governing vehicle energy consumption and movement, resulting in more adaptable and accurate predictions.
The new model will be integrated into the eMob-Twin platform, which will allow for the evaluation of various scenarios, such as EV fleet behavior, charging station optimization, and V2G interactions. The integration of real-time updates will ensure that the model remains valid and relevant across different contexts.
Research question. The main research questions encompass understanding the gaps and data sources (How can telecom operator data be leveraged to improve real-world EV mobility modeling? What are the key mobility patterns of EVs that influence their integration with the electrical grid?), developing and enhancing the model (How can Physics-Informed Learning (PIL) improve the accuracy of electric vehicle (EV) trajectory and state of charge (SoC) predictions? How can real-time recalibration of mobility models enhance the forecasting of e-flexibility in EVs?), and evaluating the impact (How transferable are EV mobility prediction models across different geographic regions? What are the practical implications of integrating an advanced EV mobility model into decision-making platforms)
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://emob-twin.fr/

Contrat doctoral

Concours pour un contrat doctoral

Université Grenoble Alpes

220 EEATS - Electronique, Electrotechnique, Automatique, Traitement du Signal

Systèmes de contrôle, méthodes d'apprentissage, intelligence artificielle, science des données, modélisation, mathématiques appliquées
Control systems, learning methods, AI, data science, modeling, applied mathematics