Systèmes énergétiques industriels intelligents : diagnostic harmonique par IA et conception de filtres hybrides adaptatifs pour les applications industrielles BT

Ce travail porte sur le développement d’une plateforme de test et de surveillance basée sur l’IA capable d’assurer le diagnostic avancé, la surveillance continue et la réduction des harmoniques dans les installations industrielles basse tension (BT).

Les réseaux industriels modernes sont soumis à une augmentation des perturbations harmoniques, principalement dues aux convertisseurs de puissance, aux variateurs de vitesse, aux alimentations à découpage, aux charges non linéaires, ainsi qu’à des problématiques de compatibilité électromagnétique (CEM). Ces distorsions entraînent une dégradation de la qualité de puissance, une surchauffe des équipements, une diminution de la durée de vie des composants, une usure prématurée des installations, des déclenchements intempestifs ainsi que des pertes énergétiques significatives. Elles se traduisent également par une maintenance plus fréquente, une indisponibilité accrue des équipements, un surcoût opérationnel, des difficultés de conformité aux normes de qualité de puissance et une baisse de la fiabilité et de la sûreté de fonctionnement des systèmes industriels.

Cette thèse propose une nouvelle approche de surveillance de la chaîne de conversion d’énergie basée sur une assistance IA interactive en temps réel. L’objectif est de superviser l’ensemble du système électromécanique incluant la source d’énergie, les convertisseurs de puissance et la machine électrique afin de détecter, diagnostiquer et isoler les défauts. L’IA doit également permettre de reconfigurer dynamiquement le système pour éviter toute dégradation de la qualité de puissance et maintenir des niveaux de distorsion harmonique (THDi et THDv) conformes aux normes en vigueur.

Les travaux de recherche s’organisent comme ci-dessous :

Cette thèse s’appuie sur deux objectifs principaux :

1) Le diagnostic des harmoniques, la séparation des sources harmoniques et la recommandation de solutions à l’aide de l’IA.

2) La conception d’un filtre actif adaptatif destiné à réduire et maîtriser la pollution harmonique dans les charges et les installations industrielles basse tension (BT).

Verrous scientifiques :

- Développer des méthodes robustes de caractérisation des signatures harmoniques basse et haute fréquences associées aux différents types de charges non linéaires et à leurs modes de fonctionnement.

- Séparer et attribuer les contributions harmoniques respectives des différentes sources coexistant sur un même réseau (problématique de séparation de sources).

- Développer une architecture de filtre actif adaptatif permettant de réduire efficacement les perturbations harmoniques dans les réseaux industriels.

- Concevoir des algorithmes d’intelligence artificielle capables de détecter précocement les situations anormales et d’anticiper leur évolution.

- Développer un assistant capable de recommander automatiquement les solutions de réduction les plus pertinentes selon la configuration électrique observée.

- Garantir la fiabilité, l’explicabilité et les performances des modèles IA dans un contexte industriel temps réel.

Actions à réaliser :

- Réaliser un état de l’art des perturbations harmoniques et ses sources, des charges non linéaires industrielles, des normes relatives à la qualité de l’énergie et des méthodes existantes de diagnostic harmonique et de séparation de sources.

- Modéliser les émissions harmoniques des différentes charges non linéaires et leurs effets sur les câbles, les transformateurs et les infrastructures électriques ; développer des indicateurs représentatifs de la qualité de l’énergie et vérifier leur conformité aux référentiels IEC 61000 et IEEE 519.

- Concevoir des stratégies avancées de réduction sélective des harmoniques basées sur des filtres hybrides adaptatifs.

– Développer l’assistant intelligent : détection automatique des perturbations, classification des sources harmoniques et séparation de leurs contributions, prédiction de leur évolution, estimation des risques pour les équipements et génération automatique de recommandations techniques.

– Valider les performances de l’assistant IA sur un banc d’essai basse tension (BT) instrumenté et par simulation.

English version:

Title: Intelligent Industrial Energy Systems: AI‑Driven Harmonic Diagnosis and Adaptive Hybrid Filter Design for Low‑Voltage Industrial Applications

This work focuses on the development of an AI‑based testing and monitoring platform capable of performing advanced diagnostics, continuous monitoring, and harmonic mitigation in low‑voltage (LV) industrial installations.

Modern industrial networks are increasingly exposed to harmonic disturbances, primarily caused by power converters, variable‑speed drives, switched‑mode power supplies, and other non‑linear loads, as well as electromagnetic compatibility (EMC) issues. These distortions degrade power quality, cause equipment overheating, reduce component lifespan, accelerate mechanical and electrical wear, trigger nuisance tripping, and generate significant energy losses. They also lead to more frequent maintenance operations, increased downtime, higher operational costs, difficulties in complying with power quality standards, and reduced reliability and operational safety of industrial systems.

This thesis proposes a novel approach to monitoring the electromechanical energy conversion chain using real‑time, interactive AI assistance. The objective is to supervise the entire system—including the power source, power converters, and electric machine—in order to detect, diagnose, and isolate faults. The AI is also intended to enable dynamic system reconfiguration to prevent power quality degradation and maintain harmonic distortion levels (THDi and THDv) within the limits set by current standards.

Research structure:

This thesis is based on two main objectives:

1) Harmonic diagnosis, separation of harmonic sources, and recommendation of mitigation strategies using AI.

2) Design of an adaptive active filter aimed at reducing and controlling harmonic pollution in loads and low‑voltage (LV) industrial installations.

Key scientific challenges:

- Develop robust methods to characterize low‑ and high‑frequency harmonic signatures associated with various types of non‑linear loads and their operating modes.

- Separate and attribute the respective harmonic contributions of different sources coexisting on the same network (harmonic source separation).

- Develop an adaptive active filter architecture capable of effectively reducing harmonic disturbances in industrial networks.

- Design artificial intelligence algorithms capable of early detection of abnormal situations and anticipating their evolution.

- Develop an intelligent assistant capable of automatically recommending the most appropriate mitigation solutions based on the observed electrical configuration.

- Ensure the reliability, explainability, and performance of AI models in a real‑time industrial context.

Actions to be carried out:

- Conduct a state‑of‑the‑art review covering harmonic disturbances and their sources, industrial non‑linear loads, power quality standards, and existing methods for harmonic diagnosis and source separation.

- Model the harmonic emissions of various non‑linear loads and their impact on cables, transformers, and electrical infrastructure; develop representative power quality indicators and verify their compliance with IEC 61000 and IEEE 519 standards.

- Design advanced strategies for selective harmonic mitigation based on adaptive hybrid filters.

- Develop the intelligent assistant: automatic disturbance detection, classification of harmonic sources and separation of their contributions, prediction of their evolution, equipment risk assessment, and automatic generation of technical recommendations.

- Validate the AI assistant’s performance using an instrumented low‑voltage (LV) test bench and through simulation.

Le candidat recherché devra être titulaire d’un Master 2 ou d’un diplôme d’ingénieur en génie électrique, électronique de puissance, électrotechnique, automatique ou intelligence artificielle appliquée aux systèmes industriels.

Des compétences solides en réseaux industriels, qualité de l’énergie, traitement du signal et modélisation sont requises ainsi qu’une excellente maîtrise des variateurs de vitesse, des convertisseurs de puissance, des machines électriques et des phénomènes harmoniques.

Des compétences en programmation scientifique sont attendues, notamment sous Python et/ou MATLAB/Simulink & SimPower Systems. Des connaissances en Machine Learning et Deep Learning en analyse de données, en diagnostic de défauts ou en maintenance prédictive seront particulièrement appréciées. Une première expérience en simulation temps réel, en acquisition de données ou en expérimentation sur banc d’essai constituerait un atout. La maîtrise d’outils tels qu’OPAL-RT RT-LAB, LabVIEW ou PowerFactory serait également valorisée.

Le candidat devra faire preuve de rigueur scientifique, d'autonomie, d'esprit d'initiative et d'une forte capacité à conduire des travaux de recherche appliquée en lien avec des problématiques industrielles.

Enfin, de bonnes capacités de communication, en français comme en anglais, seront indispensables pour la rédaction d'articles scientifiques, la présentation des travaux dans des conférences nationales et internationales, ainsi que pour les échanges avec les partenaires académiques et industriels.