Optimisation en temps réel des commandes de vitesse de trains pour limiter la consommation énergétique, tenant compte des informations fournies par des capteurs embarqués

Cette thèse porte sur l’optimisation en temps réel de stratégies de contrôle pour des systèmes dynamiques évoluant en environnement incertain, avec un accent particulier sur la conduite économique des trains dans le secteur ferroviaire. L’objectif est de concevoir des stratégies de conduite qui minimisent la consommation d’énergie tout en respectant les contraintes physiques, opérationnelles et de sécurité. Concrètement, il s’agit d’assurer la ponctualité, de respecter les limites de sécurité et d’éviter des actions de conduite irréalistes, tout en s’adaptant à la variabilité des conditions réelles d’exploitation. Pour atteindre ces objectifs, les stratégies optimisées doivent être à la fois efficaces, physiquement réalistes et directement implémentables sur trains réels. La conception du contrôle repose donc sur un modèle paramétrique, fondé sur la physique, capable de simuler la réponse dynamique du train à différentes actions de commande. Malgré sa fidélité, ce modèle reste soumis à des incertitudes : épistémiques (imperfections de modélisation), aléatoires (bruit et variabilité) et opérationnelles (masse des passagers, vent, adhérence). La méthodologie proposée combine ainsi modélisation et optimisation hors ligne avec une adaptation en ligne pour garantir la robustesse face à ces incertitudes. La première phase consiste à développer un modèle simplifié mais représentatif des dynamiques du train et de sa consommation énergétique. Le principal défi réside dans sa calibration à partir de données embarquées incomplètes, notamment en l’absence des commandes réelles appliquées par le conducteur. Pour y remédier, nous proposons une procédure de calibration bayésienne qui estime simultanément les paramètres du modèle et reconstruit les commandes manquantes. En intégrant des techniques d’échantillonnage adaptées et une inférence probabiliste, cette approche fournit un cadre robuste pour traiter incertitudes et bruit de mesure. La deuxième phase exploite le modèle calibré pour calculer une base de profils de vitesse optimaux en énergie, couvrant diverses configurations et conditions d’exploitation. Ces profils servent de trajectoires de référence pour l’exploitation en temps réel. Le problème d’optimisation sous-jacent est exigeant, car il concerne une fonction de commande complète — traction ou freinage au cours du temps — soumise à des contraintes locales (limites de vitesse, bornes d’accélération) et globales (ponctualité), toutes couplées de façon non triviale à la dynamique du système. Pour y répondre, nous proposons une approche hiérarchique combinant (i) des heuristiques inspirées de la physique pour réduire le domaine de recherche, (ii) des algorithmes évolutionnaires pour explorer efficacement les espaces de commande de grande dimension, et (iii) des raffinements locaux pour garantir la quasi-optimalité des solutions retenues. La troisième phase intervient en ligne, lors de l’exploitation réelle du train. À ce stade, des écarts par rapport aux hypothèses hors ligne apparaissent du fait de l’incertitude des conditions réelles. L’objectif est alors d’adapter la commande en temps réel afin de préserver ponctualité et efficacité énergétique. Cela est rendu possible grâce à l’utilisation de la base de profils optimaux pré-calculés, ajustés dynamiquement à partir des mesures et des états estimés. La commande ainsi obtenue reste réalisable, physiquement cohérente et robuste aux variabilités, garantissant une mise en œuvre effective de la méthodologie dans les systèmes ferroviaires réels