Thèse : Prédiction, détection et classification des défauts des micro-réseaux hybrides : méthodologie IA pour l'optimisation du diagnostic et des ressources de mesure

Contexte général :

La Guyane est un territoire non interconnecté dont le réseau électrique vise 100 % d'ENR à l'horizon 2030 (Programmation pluriannuelle de l’énergie Guyane), constituant un terrain d'application stratégique pour cette thèse. Dans ce cadre, l'intégration croissante du solaire et du stockage fragilise les protections classiques, inadaptées aux courants de court-circuit limités par les onduleurs et à la faible inertie du réseau. Cette thèse répond directement aux besoins des opérateurs électriques et des entreprises de ce domaine en Guyane en fournissant des outils de diagnostic intelligents et économes en ressources instrumentales. Elle s'inscrit dans l'axe Transition énergétique en milieu tropical du laboratoire UMR ESPACE-Dev de l'Université de Guyane, en cohérence avec les besoins des partenaires industriels locaux. Les recherches couvrent la fiabilité du réseau, la réduction du temps de panne, la formation d'experts locaux en systèmes intelligents, et le renforcement de la culture scientifique des entreprises en Guyane par des actions participatives qu’on peut nommer Connexion université-entreprise.

Finalité et problématique :

La transition énergétique impose une intégration croissante des sources d'énergie renouvelables (solaire photovoltaïque, hydraulique) et des systèmes de stockage par batteries ou hydrogène dans les réseaux électriques. En Guyane, territoire non interconnecté fortement dépendant des groupes thermiques au fioul, cette mutation est à la fois une nécessité environnementale et un impératif de souveraineté énergétique inscrit dans la Programmation pluriannuelle de l'énergie (PPE Guyane). Ces nouvelles architectures hybrides introduisent une complexité dynamique inédite : faible inertie du réseau, variabilité des sources primaires, non-linéarités liées aux convertisseurs de puissance, et coexistence de régimes en réseau connecté et en mode îloté, rendant les méthodes classiques de protection inadaptées ou insuffisantes.

La problématique centrale est la suivante : comment concevoir une méthodologie IA, capable de prédire les grandeurs électriques critiques d'un réseau hybride renouvelable-stockage, de détecter et classifier automatiquement ses défauts en temps réel, tout en identifiant les variables les plus discriminantes pour chaque type de défaut et en optimisant le nombre et le positionnement des ressources de mesure nécessaires ? Trois verrous scientifiques sont imbriqués : (i) la prédiction des paramètres électriques (tension, courant, fréquence, harmoniques, puissance active/réactive, état de charge BESS) comme couche préalable enrichissant les signaux de détection, préalable méthodologique et non objectif central ; (ii) la détection et classification des défauts par croisement prédictif/temps réel avec construction de la matrice Variable-Défaut ; (iii) l'optimisation des ressources instrumentales : nombre minimal de capteurs et positionnement optimal pour maximiser la couverture diagnostique.

Intérêt scientifique :

L'originalité repose sur trois apports combinés absents de la littérature actuelle : (i) la double lecture prédictive/temps réel dont la valeur ajoutée diagnostique n'a pas été systématiquement exploitée ; (ii) la matrice Variable-Défaut quantifiée, apportant une réponse rigoureuse à la question : quelle mesure permet de détecter quel défaut avec quelle certitude ? ; (iii) la minimisation instrumentée et justifiée du nombre de capteurs dans un contexte hybride à faible inertie, explicitement identifié comme sous-investigué en [1]. L'usage de PINN pour la prédiction en situation de données limitées ouvre en outre une voie originale pour les systèmes insulaires où l'historique de défauts est rare.

Méthodologie :

Année 1 — Prédiction des paramètres électriques (M1–M12).

Un état de l’art approfondi sera réalisé en s’appuyant sur des revues récentes [1, 2]. Des modèles de prédiction temporelle, tels que LSTM et GRU, seront développés, dont l’efficacité dans les micro-réseaux hybrides combinant photovoltaïque, hydraulique et stockage par batteries a été démontrée dans [3]. Une approche complémentaire repose sur des réseaux informés par la physique (PINN), dont les applications dans les systèmes énergétiques dépassent 820 publications annuelles en 2025 (Bento et al., 2025, Energy Reports) [4]. Ces méthodes sont notamment illustrées dans la prédiction des surtensions au sein de stations d’énergies renouvelables [5]. Les données qui vont être utilisées proviennent de MATLAB Simulink et de ED, lorsque cela est possible, d’enregistrements réels fournis par des micro-réseaux en Guyane.

Année 2 — Détection et classification des défauts par IA (M13–M24).

Des méthodes hybrides seront développées en combinant les grandeurs prédites avec les mesures en temps réel. Cette approche s’appuiera sur plusieurs travaux de recherche, notamment des architectures de type CNN-Attention-LSTM, dont l’efficacité a été démontrée sur des micro-réseaux AC/DC [6], ainsi que sur des auto-encodeurs qui seront utilisés pour la détection non supervisée d’anomalies rares [7]. Par ailleurs, une matrice Variable-Défaut sera construite. Elle considèrera différents types de défauts, tels que les courts-circuits monophasés, biphasés ou triphasés, les défauts d’isolement, les décrochages d’onduleur, les surtensions transitoires et les sous-fréquences. Cette construction s’appuiera sur des méthodes d’explicabilité comme XAI, incluant SHAP et LIME, identifiées comme majeures par Oelhaf et al [1].

Année 3 — Optimisation des ressources de mesure et validation (M25–M36).

Contribution principale : algorithmes d'optimisation du placement et du nombre de capteurs (algorithmes génétiques, programmation dynamique) [8] étendus aux architectures hybrides renouvelables-stockage. Sélection de « features » par valeurs SHAP pour justifier instrumentalement les choix. Validation sur banc d'essai hybride PV-BESS des collaborateurs en Brésil (UNICAMP) et, si possible, sur site réel EDF Guyane.

La contribution principale portera sur le développement d’algorithmes d’optimisation du placement et du nombre de capteurs, en s’appuyant sur des méthodes telles que les algorithmes génétiques et la programmation dynamique [8], qui seront étendues aux architectures hybrides renouvelables-stockage. Une sélection des variables pertinentes sera réalisée à l’aide des valeurs SHAP et autres afin de justifier les choix instrumentaux. C’est prévu de développer notre collaboration avec le Brésil, notamment à l’Université d'État de Campinas, par la validation sur le banc d’essai basé des simulateurs temps réel qui vont nous permettre de générer des défauts pour les tests. Et, si cela est possible, sur un site réel en Guyane en collaboration avec EDF.

Candidature : envoyer CV, lettre de motivation, copie du diplôme et relevés des notes à l’équipe d’encadrement

Date limite : 25 mai 2026 ; pré-audition : 01 juin 2026

La stratégie de recherche de l’Université de Guyane vise à affirmer sa position de centre de gravité de l’ESR en Guyane coordonnant les actions des acteurs de la recherche autour d’une politique de site et à accroître la visibilité de la recherche et de l’innovation à l’international. L’UG s’inscrit résolument en tant qu’acteur structurant de la mise en œuvre d’un projet scientifique partagé avec tous les partenaires scientifiques du site et plus largement du territoire. Forte de son écosystème de recherche, l’UG développe une stratégie scientifique connectée aux grands enjeux du territoire et reconnue sur le plan national et international. L’enjeu à terme, consiste à faire reconnaître l’établissement comme l’Université qui étudie, protège et valorise la biodiversité amazonienne, qu’elle soit humaine, écosystémique ou moléculaire.

Des objectifs stratégiques pointés vers le territoire et l’Amazonie :

• Répondre aux défis sociétaux de la Guyane et s’ancrer sur son territoire,
• Doter la Guyane d’infrastructures de recherche mutualisées et rendre lisible l’organisation de la recherche afin de tendre vers l’excellence,
• Soutenir la valorisation et l’innovation durable en s’appuyant sur les savoirs et savoir-faire de l’Amazonie , ainsi que sur la résilience de ses populations,
• Accroître l’ouverture à l’international en se positionnant comme Université européenne de l’Amazonie.

L’UMR Espace-Dev (Unité Mixte de Recherche Espace pour le Développement) est une unité de recherche multidisciplinaire qui s’intéresse à la caractérisation et à la préparation des transitions pour une viabilité du système intégré société-environnement. Ses travaux s’inscrivent dans une démarche de « sustainability science » ou science de la durabilité, avec un objectif de co-construction de solutions avec les acteurs locaux et de développement d’infrastructures de partage de données.
Les recherches menées en Guyane se concentrent sur des thématiques locales, telles que la transition énergétique en zone intertropicale, le développement de capteurs environnementaux, et la modélisation de systèmes complexes.

Le/La candidat(e) recruté(e) doit être titulaire d’un doctorat dans un domaine tel que l‘Electricité, l’Automatique, le Génie Energétique, en connexion avec les réseaux d'énergies intelligents (Smartgrid et smart Microgrid) et le Machine Learning. Il/Elle devra avoir fait preuve de contributions pertinentes et originales en recherche, en ayant démontré à la fois des capacités de recherche sur des aspects méthodologiques et un impact sur les applications liées au domaine des réseaux d'énergies intelligents et les méthodes d’intelligence artificielle. Il/Elle devra avoir un excellent dossier de publication. Le/la candidate recruté(e) sera basé(e) en Guyane, et impliquera aussi des missions sur des sites partenaires régionaux, ainsi qu’en France hexagonale et au Brésil.

Profil idéal

Un étudiant avec un profil :

- Génie électrique + data/IA

- ou Data science avec forte appétence énergie

Connaissances et compétences requises :

• Fondamentaux en génie électrique,
• Traitement du signal & analyse de données,
• Intelligence artificielle / Machine Learning,
• Modélisation et simulation,
• Programmation & outils : Python, Matlab, Gestion de bases de données
• Excellentes compétences à la communication écrite et orale (anglais et français)