Contribution à l'optimisation de la gestion d'énergie dans les drones hybrides alimentés par pile à combustible et une batterie

L’intérêt pour les drones s'est rapidement accru ces dernières années. La raison en est que les drones sont maintenant capables d’effectuer des tâches difficiles ou périlleuses, avec une grande mobilité, une grande sécurité et un faible coût. Il convient de noter que les drones révolutionnent de nombreux services publics, notamment la surveillance en temps réel, la recherche et le sauvetage, les études sur la faune, les services de livraison, la couverture sans fil et l’agriculture de précision. Pour augmenter ainsi l’endurance d’exploitation des drones et obtenir ainsi de bonnes performances, l’utilisation d’architectures d’alimentation hybrides est considérée comme une option très prometteuse. Une architecture d’alimentation hybride peut combiner plusieurs sources d'alimentation telles que des piles à combustibles, des batteries, des panneaux PV et des supercondensateurs. Le choix d'une architecture d'hybridation de source d’énergie appropriée avec un système de gestion d’énergie optimal sont ainsi primordiaux pour permettre un fonctionnement performant des drones. A cet égard, ces travaux de thèse se focalise sur l’optimisation de la gestion de l’énergie adaptée aux spécifications du drone en investiguant plusieurs approches, à savoir : les stratégies basées sur les règles, sur l’optimisation et sur l’apprentissage automatique. L’objectif est d'obtenir une répartition optimale de l’énergie afin d'augmenter l’endurance du drone tout en préservant la durée de vie des sources d’énergie. Un panorama complet de la gestion de l’énergie basée sur l'apprentissage par renforcement pour les applications de véhicules électriques hybrides est présenté afin d’exploiter les progrès réalisés en matière d'apprentissage automatique dans le développement de stratégies intelligentes pour les drones.The interest in electric unmanned aerial vehicles (drones) is rapidly growing in recent years.The reason is that drones have abilities to perform some difficult or dangerous tasks, with high mobility, safety, and low cost. It should be noted that drones are revolutionizing many public services includingreal-time monitoring, search and rescue, wildlife surveys, delivery services, wireless coverage, and precision agriculture. To increase endurance and achieve good performance, the use of a hybrid power supply system architecture is considered as a promising option. A hybrid power architecture may combine several power sources such as fuel cells, batteries, solar cells, and supercapacitors. The choice of a suitable power source hybridization architecture with an optimal energy management system is therefore crucial to enable the efficient operation of advanced drones. In this regard, this thesis focuses on proposing energy management optimization adapted to drone platform specifications by investigating several approaches namely: rulebased, optimization-based, and machine learningbased strategies. The goal is to have an optimal power allocation extending the drone endurance while preserving sources lifetimes. An extensive overview of reinforcement learning-based energy management for hybrid electric vehicle applications is proposed to exploit the achieved machine learning advancement in developing smart strategies for drones