DESCRIPTIF DU SUJET

Nom et prénom du directeur de thèse : GEHIN Anne-Lise

Adresse mail : anne-lise.gehin@univ-lille.fr N°tel : +33 (0)3 28 76 73 33

Nom et prénom du codirecteur de thèse : OULD BOUAMAMA Belkacem

Adresse mail : belkacem.ouldbouamama@univ-lille.fr N°tel : +33 (0)3 28 76 73 97

Nom et prénom du co-encadrant : BOUKERDJA Mahdi

Adresse mail : mahdi.boukerdja@univ-lille.fr N°tel : +33 (0)3 20 43 40 09

Intitulé du sujet de thèse :

Conception et pilotage de systèmes de production d’énergie efficients et résilients
Application aux systèmes de production d’hydrogène vert

Résumé du sujet de thèse :

L’objectif des travaux de thèse présentés est de garantir l’efficacité énergétique et la résilience d’un système
de production d’énergie et plus particulièrement d’un système où le surplus de production d’énergie
renouvelable est stocké sous forme d’hydrogène vert. Ceci passe par la définition de modèles génériques. Tout
en permettant l’élaboration semi-automatique de jumeaux numériques, ces derniers doivent satisfaire
plusieurs objectifs. Le premier est de mettre en exergue toutes les solutions pour réaliser une même mission à
partir des services rendus par les composants du système. Le deuxième est de faciliter l’implémentation de
procédures de diagnostic et de pronostic permettant d’évaluer l’état de santé réel du système. Le troisième est
de faciliter la gestion optimale des modes de fonctionnement du système. La notion d’optimalité s’exprime ici
en termes d'efficacité énergétique, de résilience à la dégradation des équipements et à l'intermittence des
sources d'énergie et de coût de fonctionnement.
Pour réaliser ces objectifs, des méthodes hybrides alliant intelligence artificielle et modèles multiphysiques
seront utilisées. Les résultats fondamentaux seront validés via l’utilisation de la plate-forme technologique
disponible au laboratoire (plateforme multisource de production d’énergie verte) pilotée par un système
embarqué d’acquisition et de traitement numérique (Speedgoat).

DESCRIPTIF DU SUJET

Contexte scientifique

La mise en œuvre de la transition écologique actuelle passe par l’exploitation maximale des énergies
renouvelables. L’inconvénient de certaines sources, telles que le solaire et l’éolien est leur intermittence. Il
convient alors, pour garantir un taux de service donné, de stocker le surplus de production pour le restituer
lorsque les conditions de production ne permettent plus de couvrir les besoins de consommation. Le stockage
sous forme d’hydrogène vert, par le faible impact environnemental qu’il présente, est une solution durable.
Pour qu’elle puisse se développer à grande échelle, il convient : (1) de maximiser l’efficacité énergétique de la
solution proposée, (2) de minimiser le coût global de conception et d’exploitation, (3) de garantir, quel que soit
le mode de fonctionnement (avec ou sans défaillances) la sécurité des utilisateurs et de l’environnement même
en présence de défaillances (4) d’être résilient à diverses perturbations, qu’elles soient internes (défaillances
matérielles) ou externes (modifications des conditions de production et de consommation) au système.

1
L’état du sujet dans le laboratoire d’accueil.

Une plate-forme de production et d’utilisation d’hydrogène vert a été développée et mise en place au
laboratoire dans le cadre du projet régional « Modélisation et Diagnostic des Systèmes multi-sources pour la
production et le stockage d’Hydrogène (MoDiS-H2) » (financement ARCIR). Un simulateur, entièrement
paramétrable, a également été développé dans le cadre de ce même projet. Il permet de faire du
dimensionnement de futures installations et de tester différents modes de fonctionnement. Seul le critère
d’efficacité énergétique a été pris en compte sur la base de données uniquement instantanées [1].

D’un point de vue théorique, l’équipe possède de solides compétences sur les approches fonctionnelles et
comportementales, notamment via l’utilisation de l’outil Bond Graph [2]. L’utilisation de cet outil pour la
modélisation et le diagnostic ne sont plus à démontrer [3]. Des extensions pour pallier l’insuffisance de
connaissances [4] et le pilotage des modes de fonctionnement ont été proposées récemment [5].
L’équipe possède également des compétences dans le domaine des approches de modélisation basées sur les
données (intelligence artificielle) [6] et dans le développement d’outils de simulation [7].

Les objectifs visés, les résultats escomptés.

Le travail de thèse proposé vise à définir et à implémenter des outils permettant de garantir l’efficacité
énergétique et la résilience d’un système de production d’énergie verte. Ceci passe par une gestion optimale
de ses modes de fonctionnement. Dans les approches classiques, le mode de fonctionnement du système vise
essentiellement à assurer l’efficacité énergétique. Il est déterminé à partir de données instantanées liées aux
conditions climatiques déterminant les quantités d’énergie pouvant être produites, aux capacités de stockage
et aux quantités stockées, à la quantité d’énergie à fournir en sortie du système et à l’état opérationnel (normal
ou défaillant) des composants internes au système.

Dans le travail proposé, l’optimisation des modes de fonctionnement sera réalisée non seulement à partir de
données instantanées mais également en fonction de l’historique de fonctionnement et de la prédiction sur un
horizon glissant du fonctionnement futur. Des approches bâties sur l’intelligence artificielle et exploitant de
grands jeux de données pourront alors être utilisées. Outre la performance énergétique d’autres critères tels
que le coût d’exploitation, la sécurité et la résilience seront à prendre en compte.

Pour atteindre cet objectif, deux problématiques, au moins, sont à résoudre.

La première est liée aux difficultés de modéliser un système caractérisé par des variables de différentes natures
(électrique, chimique, thermique …). A ceci s’ajoute qu’il est souvent difficile de connaitre précisément les
paramètres des contraintes comportementales lorsque les composants sont régis, en particulier, par des lois
chimiques ou thermodynamiques. Le premier résultat attendu est la production d’un jumeau numérique
permettant d’exprimer le comportement passé, réel et futur du système. Ce jumeau numérique sera réalisé par
modélisation mathématique et graphique sous la forme de bonds graphs et connaissance expérimentale
(intelligence artificielle) par identification des trajectoires réelles et prédiction des trajectoires futures.

La deuxième problématique provient du fait que la gestion des modes de fonctionnement telle qu’elle est
proposée maintenant est multi-objectifs (efficacité énergétique, coût d’exploitation, sécurité, résilience aux
perturbations) et que ces objectifs sont antinomiques. Le deuxième résultat attendu est la définition d’un
algorithme d’optimisation capable de satisfaire une performance globale exprimée comme un compromis entre
plusieurs sous-objectifs.

2
Les résultats théoriques obtenus seront testés sur la plate-forme de production et d’utilisation d’hydrogène
vert présente au laboratoire.

Méthodologie proposée (cf. figure 1) :

Figure 1 : Méthologie proposée

Pour faire face aux difficultés de modélisation, des modèles génériques de composants seront proposés en vue
de faciliter la conception, la modélisation et le pilotage d’un système de production d’hydrogène vert. Ces
modèles associeront description fonctionnelle et comportementale et également modèles de dégradation. Ils
sont obtenus à partir des schémas industriels de l’installation et des spécifications des utilisateurs. Ils sont
regroupés dans une librairie de composants génériques.

Ils permettront, par des procédures semi-automatiques à implémenter, basée sur une approche ascendante :

• De déterminer l’ensemble des solutions pour réaliser une même mission à partir des services rendus par
les composants élémentaires du système. Ceci laisse entrevoir des possibilités de reconfiguration en
présence de défaillances et augmente la résilience du système.
• De générer un modèle de simulation global à partir duquel des procédures d’évaluation de l’état de
santé en ligne pourront être implémentées. Ces dernières reposent des algorithmes de diagnostic et de
pronostic.

• D’associer un indice de performance pour toute version permettant de réaliser une même mission.
Pour prédire le comportement futur du système et prendre en compte les perturbations inconnues des
approches comportementales focalisées sur l’étude des trajectoires réelles et l’étude des trajectoires futures
possibles pourront être utilisées. L’idée sera de voir comment il est possible de passer d’une trajectoire à une
autre.

3
 La gestion optimale des modes de fonctionnement consistera alors à déterminer, en temps réel, la
configuration matérielle qui permet de suivre une trajectoire donnée, celle qui maximise la performance globale
du système exprimée sur un horizon glissant donné. Des approches se rapprochant de la commande prédictive
pourront être utilisées. Le passage d’une configuration à une autre sera piloté par un automate de gestion des
modes de fonctionnement.

Plan de travail :
1. Etat de l’art sur la gestion des modes de fonctionnement d’un système de production d’hydrogène vert
et sur sa modélisation (6 mois). Rapport écrit.
2. Développement d’une approche générique pour concevoir un modèle de niveau haut à partir de modèles
génériques de composants de bas niveau. Ce modèle doit permettre l’évaluation de l’état de santé du
système et la mise en évidence des différentes solutions de reconfiguration (9 mois). Rapport écrit.
3. Proposition et implémentation d’un algorithme de gestion optimal des modes de fonctionnement d’un
système de production d’énergie selon une métrique à définir (6 mois). Rapport écrit.
4. Implémentation des résultats fondamentaux. Mise en œuvre du jumeau numérique (9 mois). Logiciel.
5. Rédaction du manuscrit de thèses et publication des résultats (6 mois).

Références

1. A.L. Gehin, B. Ould-Bouamama, I. Abdallah. Operating mode management of renewable energy systems
using event-driven hybrid bond graphs. Design, Analysis, and Applications of Renewable Energy Systems,
Elsevier, pp.413-436, 2021, ⟨10.1016/B978-0-12-824555-2.00010-1⟩.

2. J.U. Thoma and B. Ould Bouamama. Modeling and Simulation in Thermal and Chemical Engineering: Bond
Graph Approach. Springer Verlag, ISBN: 3540663886, 219 pages, 2000.

3. Ibrahim Abdallah, Anne-Lise Gehin, Belkacem Ould Bouamama. On-line robust graphical diagnoser for
hybrid dynamical systems. Engineering Applications of Artificial Intelligence, Elsevier, 2018, 69, pp.36 - 49.
⟨10.1016/j.engappai.2017.12.002⟩.

4. N. Chatti, B. Ould-Bouamama, A.-L. Gehin, R. Merzouki, “Signed Bond Graph for multiple faults diagnosis”,
Engineering Applications of Artificial Intelligence, Vol. 36, pp. 134 – 147 DOI :
10.1016/j.engappai.2014.07.018, November 2014.

5. I. Abdallah, A.L. Gehin and B. Ould Bouamama , “Event Driven Hybrid Bond Graph for Hybrid Renewable
Energy Systems Part I: Modelling and Operating Mode Management”. International journal of hydrogen
energy, Vol. 43, pp. 22088-22107, DOI: 10.1016/j.ijhydene.2017.10.144, December 2018.

6. B. Mohan Dash, B. Ould Bouamama, M. Boukerdja, “A Comparison of Model-Based and Machine Learning
Techniques for Fault Diagnosis” MEPCON’2022 IEEE conference 13-15 december, 2022 Cairo.

7. B. Six, B. Ould Bouamama, A.L. Gehin, “Model builder for diagnosis and simulation of hybrid dynamic
systems: Application to railway rolling stock” Simulation: Transactions of the Society for Modeling and
Simulation International, pp. 1-18, DOI: doi.org/10.1177/0037549720958399, October 2020.

4
 PhD PROPOSITION
Supervisor : GEHIN Anne-Lise
Email address : anne-lise.gehin@univ-lille.fr N°tel : +33 (0)3 28 76 73 33

Co-supervisor : OULD BOUAMAMA Belkacem

Email address : belkacem.ouldbouamama@univ-lille.fr N°tel : +33 (0)3 28 76 73 97

Co-supervisor : BOUKERDJA Mahdi

Email address : mahdi.boukerdja@univ-lille.fr N°tel : +33 (0)3 20 43 40 09

Tittle :
Design and management of efficient and resilient energy production systems
Application to green hydrogen production systems

Abstract:

The objective of the presented thesis work is to guarantee the energy efficiency and resilience of an energy
production system and more specifically of a system where the surplus of renewable energy production is
stored as green hydrogen. This requires the definition of generic models. While allowing the semi-automatic
elaboration of digital twins, the latter must satisfy several objectives. The first one is to highlight all the solutions
to achieve the same mission from the services provided by the system components. The second is to facilitate
the implementation of diagnostic and prognostic procedures to evaluate the actual health of the system. The
third is to facilitate the optimal management of the system's operating modes. The notion of optimality is
expressed here in terms of energy efficiency, resilience to both equipment degradation and energy source
intermittency, and operating cost.
To achieve these objectives, hybrid methods combining artificial intelligence and multiphysical models will be
used. The fundamental results will be validated using the technological platform available in the laboratory
(multi-source green energy production platform) driven by an embedded acquisition and digital processing
system (Speedgoat).

DESCRIPTION OF THE SUBJECT

Scientific context:

The current ecological transition requires the maximum exploitation of renewable energies. The disadvantage
of certain sources, such as solar and wind power, is their intermittency. In order to guarantee a given level of
service, it is therefore necessary to store the surplus production and release it when the production conditions
no longer cover consumption needs. Storage in the form of green hydrogen, with its low environmental impact,
is a sustainable solution. For it to be developed on a large scale, it is necessary to: (1) maximize the energy
efficiency of the proposed solution, (2) minimize the overall cost of design and operating, (3) guarantee,
whatever the operating mode (with or without failures), the safety of users and the environment even in the
presence of failures, (4) be resilient to various disruptions, whether internal (hardware failures) or external
(changes in the production and consumption conditions) to the system.

1
State of the subject in the host laboratory:

A platform for the production and use of green hydrogen has been developed and implemented in the
laboratory within the framework of the regional project "Modelling and Diagnosis of Multi-Source Systems for
Hydrogen Production and Storage (MoDiS-H2)". A simulator, fully customizable, has also been developed within
the framework of this same project. It allows the sizing of future installations and the testing of different
operating modes. Only the energy efficiency criterion was taken into account on the basis of instantaneous data
[1].

From a theoretical point of view, the team has strong skills in functional and behavioral approaches, especially
through the use of the Bond Graph tool [2]. The use of this tool for modeling and diagnosis is well established
[3]. Extensions to overcome the lack of knowledge [4] and the control of operating modes have been proposed
recently [5].
The team also has expertise in data-driven modeling approaches (artificial intelligence) [6] and in the
development of simulation tools [7].

Objectives and expected results:

The proposed thesis aims at defining and implementing tools to ensure the energy efficiency and resilience of
a green energy production system. This requires an optimal management of its operating modes. In traditional
approaches, the system's operating mode is essentially aimed at ensuring energy efficiency. It is determined
from (1) instantaneous data related to the climatic conditions determining the quantities of energy that can be
produced, (2) the storage capacities and quantities stored, (3) the quantity of energy to be supplied at the
output of the system and (4) the operational state (normal or faulty) of the system's internal components.

In the proposed work, the optimization of the operating modes will be performed not only from instantaneous
data but also from the operating history and the prediction on a sliding horizon of future operation. Approaches
based on artificial intelligence and exploiting large data sets could then be used. In addition to energy
performance, other criteria such as operating cost, safety and resilience will be taken into account.

To achieve this goal, at least two issues need to be resolved.

The first one is linked to the difficulties to model a system characterized by variables of different natures
(electrical, chemical, thermal ...). In addition, it is often difficult to know precisely the parameters of the
behavioral constraints when the components are governed, in particular, by chemical or thermodynamic laws.
The first expected result is the production of a numerical twin allowing to express the past, real and future
behavior of the system. This numerical twin will be realized by mathematical and graphical modeling in the form
of bond graphs and experimental knowledge (artificial intelligence) by identification of real trajectories and
prediction of future trajectories.

The second issue is that the management of operating modes as proposed now is multi-objective (energy
efficiency, operating cost, safety, resilience to disturbances) and that these objectives are antinomic. The
second expected result is the definition of an optimization algorithm able to satisfy a global performance
expressed as a compromise between several sub-objectives.

The theoretical results will be tested on the laboratory platform of production and use of green hydrogen.

2
Proposed methodology (see Figure 1):

Figure 1: Proposed methodology

In order to face the modeling difficulties, generic component models will be proposed to facilitate the design,
modeling and piloting of a green hydrogen production system. These models will combine functional and
behavioral description and also degradation models. They are obtained from the process and industrial
diagrams (P&ID) of the installation and the users' specifications. They are grouped in a library of generic
components.

They will allow, through semi-automatic procedures to be implemented, based on a bottom-up approach:

• To determine the set of solutions to achieve the same mission from the services provided by the
elementary components of the system. This allows for reconfiguration possibilities in the presence of
failures and increases the resilience of the system.
• To generate a global simulation model from which online health assessment procedures can be
implemented. These are based on diagnostic and prognosis algorithms.
• To associate a performance index for any version allowing to achieve the same mission.

To predict the future behavior of the system and to take into account the unknown perturbations, behavioral
approaches focused on the study of real trajectories and the study of possible future trajectories can be used.
The idea will be to see how it is possible to move from one trajectory to another.
The optimal management of the operating modes will then consist in determining, in real time, the hardware
configuration that allows to follow a given trajectory, the one that maximizes the global performance of the
system expressed on a given sliding horizon. Approaches close to predictive control can be used. The transition
from one configuration to another will be controlled by an operating mode management automaton.
3
Work plan:
1. State of the art on the management of the operating modes of a green hydrogen production system and
on its modeling (6 months). Written report.
2. Development of a generic approach to design a high level model from generic models of low level
components. This model should allow the evaluation of the health state of the system and the
highlighting of different reconfiguration solutions (9 months). Written report.
3. Proposal and implementation of an algorithm for optimal management of the operating modes of an
energy production system according to a metric to be defined (6 months). Written report.
4. Implementation of the fundamental results. Implementation of the digital twin (9 months). Software.
5. Writing of the PhD thesis manuscript and publication of the results (6 months).

References

1. A.L. Gehin, B. Ould-Bouamama, I. Abdallah. Operating mode management of renewable energy systems
using event-driven hybrid bond graphs. Design, Analysis, and Applications of Renewable Energy Systems,
Elsevier, pp.413-436, 2021, ⟨10.1016/B978-0-12-824555-2.00010-1⟩.

2. J.U. Thoma and B. Ould Bouamama. Modeling and Simulation in Thermal and Chemical Engineering: Bond
Graph Approach. Springer Verlag, ISBN: 3540663886, 219 pages, 2000.

3. Ibrahim Abdallah, Anne-Lise Gehin, Belkacem Ould Bouamama. On-line robust graphical diagnoser for
hybrid dynamical systems. Engineering Applications of Artificial Intelligence, Elsevier, 2018, 69, pp.36 - 49.
⟨10.1016/j.engappai.2017.12.002⟩.

4. N. Chatti, B. Ould-Bouamama, A.-L. Gehin, R. Merzouki, “Signed Bond Graph for multiple faults diagnosis”,
Engineering Applications of Artificial Intelligence, Vol. 36, pp. 134 – 147 DOI :
10.1016/j.engappai.2014.07.018, November 2014.

5. I. Abdallah, A.L. Gehin and B. Ould Bouamama , “Event Driven Hybrid Bond Graph for Hybrid Renewable
Energy Systems Part I: Modelling and Operating Mode Management”. International journal of hydrogen
energy, Vol. 43, pp. 22088-22107, DOI: 10.1016/j.ijhydene.2017.10.144, December 2018.

6. B. Mohan Dash, B. Ould Bouamama, M. Boukerdja, “A Comparison of Model-Based and Machine Learning
Techniques for Fault Diagnosis” MEPCON’2022 IEEE conference 13-15 december, 2022 Cairo.

7. B. Six, B. Ould Bouamama, A.L. Gehin, “Model builder for diagnosis and simulation of hybrid dynamic
systems: Application to railway rolling stock” Simulation: Transactions of the Society for Modeling and
Simulation International, pp. 1-18, DOI: doi.org/10.1177/0037549720958399, October 2020.