HMAM

Thèse de Doctorat
Sadok H MAM
Mémoire présenté en vue de l’obtention du
grade de Docteur de l’Université de Nantes
sous le sceau de l’Université Bretagne Loire
École doctorale : ED503 STIM
Discipline : Électronique et Génie électrique, section CNU 63

Spécialité : Génie électrique
Unité de recherche : Institut de Recherche en Énergie Électrique de Nantes Atlantique (IREENA)
Soutenue le 07 Novembre 2016
Méthodologie de conception optimale de chaines de

conversion et de stockage de l’énergie électrique
JURY
Président : M. Xavier R OBOAM, Directeur de Recherche CNRS, ENSEEIHT de Toulouse

Rapporteurs : M. Stéphane B RISSET, Maitre de Conférences HDR, École Centrale de Lille
M. Benoit D ELINCHANT, Maitre de Conférences HDR, Université Grenoble Alpes
Examinateurs : M. Eric B IDEAUX, Professeur des Universités, INSA de Lyon
M. Philippe D ESSANTE, Professeur, Centrale-Supélec Paris
Directeur de thèse : M. Luc L ORON, Professeur des Universités, Polytech Nantes
Encadrants : M. Jean-Christophe O LIVIER, Maitre de Conférences, IUT de Saint-Nazaire
M. Salvy B OURGUET, Maitre de Conférences, Polytech Nantes
Remerciements
Les travaux de thèse présentés dans ce mémoire ont été effectués au sein de l’équipe mai-
trise de l’énergie électrique (MEE) de l’Institut de Recherche en Énergie Électrique de Nantes
Atlantique (IREENA) dans le cadre d’une allocation de recherche ministérielle.
Je tiens tout d’abord à remercier chaleureusement mon directeur de thèse M. Luc Loron,
professeur des universités, pour m’avoir guidé et encouragé tout au long de cette thèse, pour la
confiance dont il m’a fait preuve et ses nombreuses discussions techniques passionnées.
J’exprime ma profonde gratitude à mes encadrants : M. Jean-Christophe Olivier et M. Salvy

Bourguet, maîtres de conférences, pour leurs qualités scientifiques et humaines, pour leurs pré-
cieux conseils, pour leurs soutiens enthousiastes et leurs disponibilités.
J’exprime par ailleurs toute ma reconnaissance envers chacun des membres du jury de thèse.
J’aimerais remercier M. Xavier Roboam, directeur de recherche CNRS, qui m’a fait un grand
honneur en acceptant de présider mon jury et, aux rapporteurs M. Stéphane Brisset et M. Benoit
Delinchant, maîtres de conférences HDR, qui m’ont accordé de leur temps pour examiner mon
mémoire et qui, par leurs remarques précieuses, ont participé à son amélioration. Je remercie
également, M. Philippe Dessante, professeur Supélec, et M. Eric Bideaux, professeur des uni-
versités, d’avoir accepté d’être examinateurs de cette thèse et pour avoir témoigné de l’intérêt
envers mes travaux de recherche.
Je remercie aussi chaleureusement tous les membres de l’IREENA : le directeur du labora-

toire M. Mohamed Machmoum ainsi que tous les permanents. J’exprime mes remerciements à
notre technicien (le super) Franck Judic et notre assistante de direction Mme Christine Brohan,
pour leur aide et leur gentillesse.
Merci à tous mes amis les doctorants de l’IREENA : Ahmed, Seddik, Nassim et Jian (les
anciens), Fiacre mon collègue de bureau avec qui j’ai commencé la thèse et toute la bande
Alexis, Imane, Sita, Brahim, Chenchen, Ali, Alioune...
Je remercie très chaleureusement mes amis Ghassen, Mohamed, Sabeur, Arwa, Nour, Ons,
Amine et Taoufik qui m’ont soutenu et encouragé tout au long de cette thèse.
3
4
Enfin, je ne pourrais terminer ces remerciements sans évoquer ceux qui me sont les plus
chers. À mes parents, à mon frère Azer et mes soeurs Amani et Ons, pour leur soutien constant
durant ces longues années d’études, pour leur amour et pour tout ce qu’il ont fait pour moi. Je
remercie très particulièrement ma femme Rokaya de m’avoir écouté, encouragé et soutenu pour
que je puisse aller jusqu’au bout. La fin de la rédaction de ma thèse a été marquée par l’arrivée
de notre premier bébé Ryan qui est venu au monde le jour de dépôt de ce mémoire. Enfin, tout
s’est bien passé et la thèse est finie !
5
“Lorsqu’une porte se ferme, il y en a une qui s’ouvre. Malheureusement, nous

perdons tellement de temps à contempler la porte fermée, que nous ne voyons pas
celle qui vient de s’ouvrir ".
Alexander Graham Bell

Table des matières
Introduction générale 17
Contexte et enjeux scientifiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Objectifs de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
I État de l’art des systèmes complexes 23

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 Modélisation des systèmes multi-physiques . . . . . . . . . . . . . . . . . . . 24
2.1 Approches de modélisation des systèmes multi-physiques . . . . . . . 24
2.1.1 Types des équations différentielles d’un système physique . . 25
2.1.2 Approche de modélisation causale . . . . . . . . . . . . . . 26
2.1.3 Approche de modélisation acausale . . . . . . . . . . . . . . 27
2.2 Formalismes de représentation des systèmes multi-physiques . . . . . . 28
2.2.1 Principe de la modélisation par flux d’énergie . . . . . . . . 28
2.2.2 Le langage Bond Graph (BG) . . . . . . . . . . . . . . . . . 29
2.2.3 Le Graphe Informationnel Causal (GIC) . . . . . . . . . . . 34
2.2.4 La Représentation Énergétique Macroscopique (REM) . . . . 37
2.2.5 Comparaison de formalismes . . . . . . . . . . . . . . . . . 39
2.2.6 Critères de choix . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3 Outils de modélisation multi-domaines . . . . . . . . . . . . . . . . . 41
2.3.1 Langages de modélisation orientés signal . . . . . . . . . . . 41
2.3.2 Langages de modélisation orientés équation . . . . . . . . . 43
2.3.3 Exemple d’implémentation d’un modèle multi-physique com-
plexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.4 Critères de choix . . . . . . . . . . . . . . . . . . . . . . . . 49
3 Stratégies et méthodes de simulation multi-échelles de temps . . . . . . . . . . 50
3.1 Systèmes raides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1.1 Définitions d’un système raide . . . . . . . . . . . . . . . . 51
3.1.2 Exemples et caractéristiques d’un système raide . . . . . . . 51
3.2 Méthodes de simulation multi-échelles de temps existantes . . . . . . . 54
3.2.1 Méthode multi-pas en temps (multi-step schemes) . . . . . . 54
7
8 TABLE DES MATIÈRES
3.2.2 Simulation multi-méthodes (multi-method schemes) . . . . . 56

3.2.3 Simulation combinant l’approche multi-pas et multi-méthode 57
3.2.4 Méthode de relaxation des formes d’onde (WRM) . . . . . . 59
3.2.5 La co-simulation . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
II Méthodologie de simulation multi-échelle de temps et multi-couche 67

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2 Méthodologie : formulation sur cycles d’un problème continu . . . . . . . . . . 69
3 Homogénéisation basée sur les cycles . . . . . . . . . . . . . . . . . . . . . . 70
4 Méthodes d’intégration numériques formulées par cycle . . . . . . . . . . . . . 73
4.1 Méthodes à un pas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1.1 Principe général des méthodes d’extrapolation . . . . . . . . 73
4.1.2 Méthode d’Euler . . . . . . . . . . . . . . . . . . . . . . . . 74
4.1.3 Méthodes de Runge-Kutta . . . . . . . . . . . . . . . . . . . 75
4.1.4 Généralisation de la formulation sur cycle des méthodes RK2 80
4.1.5 Méthodes d’extrapolation implicites . . . . . . . . . . . . . 80
4.2 Méthodes à pas adaptatif . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.1 Les méthodes intégrées . . . . . . . . . . . . . . . . . . . . 81
4.2.1.1 Principe général des méthodes explicites combinées 81
4.2.1.2 Méthode du Point milieu-Euler (2,1) . . . . . . . . 83
4.2.1.3 Méthode de Heun-Euler (2,1) . . . . . . . . . . . . 85
4.2.1.4 Méthode de RK3-Point milieu (3,2) . . . . . . . . 87
4.2.2 Méthodes de sélection des pas (mise à jour du nombre de
cycles extrapolés m) . . . . . . . . . . . . . . . . . . . . . . 89
4.2.2.1 Méthode d’adaptation classique . . . . . . . . . . . 89
4.2.2.2 Méthode d’adaptation automatique . . . . . . . . . 89
4.2.2.3 Méthode d’adaptation basée sur la théorie du contrôle 90
4.2.2.4 Calcul de m . . . . . . . . . . . . . . . . . . . . . 91
5 Formulation multi-couche . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.1 Présentation de l’approche multi-couche . . . . . . . . . . . . . . . . . 91
5.2 Formulation multi-couche de l’application du bus urbain . . . . . . . . 93
5.3 Formulation générique de l’approche multi-couche intégrant des mé-
thodes d’extrapolation . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
TABLE DES MATIÈRES 9
III Application : Simulation d’un navire électrique à supercondensateurs Ar Vag Tre-

dan 99
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2 Cahier des charges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.1 Description du système étudié . . . . . . . . . . . . . . . . . . . . . . 100
2.2 Définition des objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3 Modélisation de l’unité de stockage d’énergie du navire . . . . . . . . . . . . . 104
3.1 Modèles multi-physiques . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.2 Implémentation des modèles dans un outil de simulation . . . . . . . . 108
3.3 Simulation du modèle complet sur une journée de fonctionnement . . . 114
4 Modélisation multi-couche du fonctionnement du navire . . . . . . . . . . . . 117
5 Résultats de simulation de la méthode multi-échelle et multi-couche . . . . . . 118
5.1 Validation des méthodes intégrées sur une journée de fonctionnement . 118
5.2 Simulation multi-couche sur 20 ans de fonctionnement . . . . . . . . . 121
5.3 Prise en compte d’une température environnementale variable . . . . . 124
5.3.1 Simulation à 2 couches en utilisant une méthode d’adaptation
de pas standard . . . . . . . . . . . . . . . . . . . . . . . . 125
5.3.2 Simulation à 2 couches avec un contrôle de pas de type PI . . 127
5.3.3 Ajout d’une couche du cycle annuel : simulation à 3 couches 128
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
Conclusion générale et perspectives 133
Annexes 136
A Méthodes d’intégration implicites 137
B Construction d’un profil d’usage à l’aide de l’outil Stateflow 141
Liste des publications 149
Bibliographie 150
Liste des tableaux
I.1 Variables généralisées pour différents domaines physiques. . . . . . . . . . . . 32

I.2 Relations mathématiques décrivant le système étudié. . . . . . . . . . . . . . . 36
I.3 Caractéristiques des différents formalismes de modélisation [1–3]. . . . . . . . 40
II.1 Tableau de Butcher de la famille de méthode Runge-Kutta explicites à 2 étages. 76

II.2 Tableau de Butcher de la méthode de Heun. . . . . . . . . . . . . . . . . . . . 76
II.3 Tableau de Butcher de la méthode du point milieu. . . . . . . . . . . . . . . . 77
II.4 Tableau de Butcher de la méthode de Ralston. . . . . . . . . . . . . . . . . . . 79
II.5 Tableau de Butcher des méthodes de Runge-Kutta explicites d’ordre 2. . . . . . 80
II.6 Tableau de Butcher générique d’une méthode intégrée. . . . . . . . . . . . . . 82
II.7 Tableau de Butcher de la méthode du Point Milieu-Euler. . . . . . . . . . . . . 83
II.8 Tableau de Butcher de la méthode de Heun-Euler. . . . . . . . . . . . . . . . . 86
II.9 Tableau de Butcher de la méthode de RK3-Point milieu. . . . . . . . . . . . . . 87
III.1 Caractéristiques de fonctionnement du navire électrique. . . . . . . . . . . . . 102

III.2 Liste des paramètres utilisés pour la modélisation du ferry électrique. . . . . . . 114
III.3 Résultats de simulation des différentes méthodes sur une journée (Tol = 10−1 ). 119
III.4 Résultats de simulation obtenus en utilisant différentes méthodes d’extrapola-
tion sur la couche 2 et une méthode Heun-Euler sur la couche 1 (TolJ = 10−2
et TolH = 10−1 ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
III.5 Résultats de simulation sur 1 année de fonctionnement obtenus en tenant compte
d’une température variable et en utilisant différentes méthodes d’extrapolation
sur la couche 2 et une méthode Heun-Euler sur la couche 1 (TolJ = 10−4 et
TolH = 10−1 ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
III.6 Résultats de simulation avec un contrôle PI sur 1 année de fonctionnement ob-
tenus en tenant compte d’une température variable et en utilisant différentes
méthodes d’extrapolation sur la couche 2 et une méthode Heun-Euler sur la
couche 1 (TolJ = 10−4 et TolH = 10−1 ). . . . . . . . . . . . . . . . . . . . . . 128
11
12 LISTE DES TABLEAUX
III.7 Résultats de simulation à 3 couches sur 20 ans de fonctionnement obtenus en

tenant compte d’une température variable et en utilisant (couche 3 : Heun-Euler,
TolA = 10−1 ) ; (couche 2 : RK3-Point milieu, TolJ = 10−4 ) ; (couche 1 : Heun-
Euler, TolH = 10−1 ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Table des figures
1 Modélisation multi-physique et exemples de domaines intervenant. . . . . . . . 17

2 Cycle de puissance d’une traversée du navire électrique. . . . . . . . . . . . . . 19
3 Schéma de couplage de modèles multi-physiques. . . . . . . . . . . . . . . . . 19
I.1 Modèle causal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

I.2 Comparaison de structures du modèle causal et acausal [4]. . . . . . . . . . . . 27
I.3 Principe de la modélisation par un flux d’énergie. . . . . . . . . . . . . . . . . 29
I.4 Informations fournies par une représentation Bond Graph. . . . . . . . . . . . 30
I.5 Éléments de base d’une représentation Bond Graph. . . . . . . . . . . . . . . . 30
I.6 Causalités en Bond Graph. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
I.7 Schéma de principe d’un moteur à courant continu avec une charge en rotation. 33
I.8 Représentation en Bond Graph acausal du moteur à courant continu. . . . . . . 34
I.9 Représentation en Bond Graph causal du moteur à courant continu. . . . . . . . 34
I.10 Symboles des processeurs en GIC. . . . . . . . . . . . . . . . . . . . . . . . . 35
I.11 Représentation GIC du moteur à courant continu. . . . . . . . . . . . . . . . . 37
I.12 Représentation REM de l’exemple du moteur à courant continu. . . . . . . . . 38
I.13 Exemple d’une DAE modélisée sous Simulink. . . . . . . . . . . . . . . . . . 42
I.14 Représentation de la DAE transformée en ODE sous Simulink. . . . . . . . . . 43
I.15 Approche modulaire et orientée objet de la modélisation sous Modelica [5]. . . 44
I.16 Modélisation d’un composant personnalisé sous Simscape [6]. . . . . . . . . . 46
I.17 Modèle électrique d’un supercondensateur. . . . . . . . . . . . . . . . . . . . 47
I.18 Implémentation du modèle électrique sur Matlab/Simulink. . . . . . . . . . . . 48
I.19 Implémentation du modèle électrique sur Matlab/Simscape. . . . . . . . . . . . 49
I.20 Solutions de l’équation I.20 avec la méthode d’Euler explicite et implicite [7]. . 52
I.21 Solution du problème de Van der Pol en utilisant le solveur ode15s. . . . . . . . 53
I.22 Exemple d’un système multi-échelle à trois constantes de temps. . . . . . . . . 55
I.23 Couplage de deux sous-systèmes d’un système multi-échelle de temps [8]. . . . 57
I.24 Couplage de systèmes multi-échelles en utilisant l’outil Modelica [8]. . . . . . 57
I.25 Algorithme de la méthode multi-échelle de temps proposé par [9]. . . . . . . . 58
I.26 Principe d’une WRM appliquée à deux sous-systèmes. . . . . . . . . . . . . . 60
I.27 Exemple d’application de la WRM sur un circuit électrique [10]. . . . . . . . . 62
13
14 TABLE DES FIGURES
I.28 Structure d’un environnement de co-simulation avec une synchronisation pério-

dique entre les outils. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
I.29 Structure d’optimisation d’un système de stockage d’énergie avec prise en compte
du vieillissement. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
II.1 Structure de modélisation par cycle d’un système complexe. . . . . . . . . . . 70

II.2 Illustration de la décomposition d’un problème continu en un ensemble de cycles. 71
II.3 Illustration du processus d’homogénéisation d’un problème continu composé
de m cycles successifs de largeur Ti−cycle . . . . . . . . . . . . . . . . . . . . . 72
II.4 Méthode d’Euler explicite appliquée à des cycles. . . . . . . . . . . . . . . . . 75
II.5 Méthode de Heun appliquée à des cycles. . . . . . . . . . . . . . . . . . . . . 77
II.6 Méthode du point milieu appliquée à des cycles. . . . . . . . . . . . . . . . . . 78
II.7 Méthode de Ralston appliquée à des cycles. . . . . . . . . . . . . . . . . . . . 79
II.8 Méthode du Point Milieu-Euler appliquée à des cycles. . . . . . . . . . . . . . 83
II.9 Organigramme de la méthode du Point Milieu-Euler appliquée à des cycles. . . 85
II.10 Méthode de Heun-Euler appliquée à des cycles. . . . . . . . . . . . . . . . . . 86
II.11 Méthode de RK3-Point milieu appliquée à des cycles. . . . . . . . . . . . . . . 87
II.12 Exemple de modélisation du fonctionnement annuel par cycles d’un bus urbain. 92
II.13 Organigramme décrivant la structure multi-couche basée sur des méthodes d’ex-
trapolation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
III.1 Ferry électrique à passagers Ar Vag Tredan. . . . . . . . . . . . . . . . . . . . 100

III.2 Illustration du circuit et du cycle de puissance du ferry électrique Ar Vag Tredan. 101
III.3 Schéma électrique global du ferry basé sur des supercondensateurs [11]. . . . . 102
III.4 Modèle électrique équivalent de l’ensemble des modules de supercondensateurs. 105
III.5 Modèle thermique équivalent de l’unité de stockage d’énergie. . . . . . . . . . 106
III.6 Représentation normalisée de l’évolution du vieillissement de la capacité [12–16].107
III.7 Graphe de liaison entre les modèles multi-physiques équivalents des SCs. . . . 108
III.8 Implémentation du modèle électrique sous Simscape. . . . . . . . . . . . . . . 109
III.9 Stratégie de recharge classique avec tension de fin de charge constante. . . . . . 110
III.10Implémentation du modèle thermique sous Simscape. . . . . . . . . . . . . . . 111
III.11Implémentation des modèles de vieillissement sous Simscape. . . . . . . . . . 112
III.12Schéma global des différents modèles sous Simscape. . . . . . . . . . . . . . . 113
III.13Modèle multi-physique du supercondensateur créé sous Simscape. . . . . . . . 113
III.14Profil de puissance d’une journée de fonctionnement (35 trajets+pause). . . . . 115
III.15Résultats de simulation d’une journée de fonctionnement en début de vie. . . . 115
III.16Résultats de simulation d’un cycle en régime permanent. . . . . . . . . . . . . 116
III.17Modélisation multi-couche du fonctionnement du navire électrique sur 20 ans. . 117
III.18Illustration du principe de l’extrapolation (exemple méthode de Heun Euler). . 119
TABLE DES FIGURES 15
III.19Résultats de simulation mono-couche des méthodes d’extrapolation pour une

tolérance Tol = 10−1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
III.20Evolution des pas d’extrapolation pour les trois méthodes. . . . . . . . . . . . 120
III.21Illustration de la structure multi-couche d’une simulation de 20 ans de fonction-
nement. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
III.22À gauche les résultats de simulation multi-couche des méthodes d’extrapolation
sur 20 ans de fonctionnement pour des tolérances TolJ = 10−2 et TolH = 10−1 ;
à droite une illustration du calcul au niveau de la couche 1 (à l’échelle de la
journée) basée sur la méthode de Heun-Euler. . . . . . . . . . . . . . . . . . . 123
III.23Evolution des pas d’extrapolation pour les trois méthodes au niveau de la couche
2 sur 20 ans de simulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
III.24Modèle multi-phyique du système de stockage d’énergie du navire prenant en
compte un cycle d’usage d’une traversée et d’un profil de température annuel
variable. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
III.25Résultats de simulation multi-couche des méthodes intégrées dans le cas d’un
profil de température variable en utilisant différentes méthodes d’extrapolation
sur la couche 2 et une méthode Heun-Euler sur la couche 1 pour des tolérances
TolJ = 10−4 et TolH = 10−1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
III.26Evolution des pas d’extrapolation pour les trois méthodes intégrées de la couche
2 sur 20 ans de simulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
III.27Evolution des pas d’extrapolation en utilisant un contrôle de pas PI pour les
trois méthodes au niveau de la couche 2 sur 20 ans de simulation. . . . . . . . . 127
III.28Modélisation multi-couche du fonctionnement du navire sur 20 ans considérant
un profil de température annuel variable. . . . . . . . . . . . . . . . . . . . . . 128
III.29Résultats de simulation à 3 couches sur 20 ans de fonctionnement obtenus en
tenant compte d’un profil de température variable avec les tolérances TolA =
10−1 , TolJ = 10−4 et TolH = 10−1 . . . . . . . . . . . . . . . . . . . . . . . . . 130
III.30Evolution des pas d’extrapolation pour la méthode de Heun-Euler au niveau de
la couche 3 sur 20 ans de simulation. . . . . . . . . . . . . . . . . . . . . . . . 131
B.1 Cycle de puisance d’une traversée du navire électrique Ar Vag Tredan. . . . . . 141
B.2 Organigramme du fonctionnement journalier du navire électrique Ar Vag Tredan. 142
B.3 Modélisation du profil de puissance Psc pour une journée de fonctionnement à
l’aide d’une machine à états sous Simulink. . . . . . . . . . . . . . . . . . . . 142
Introduction générale
Contexte et problématique
L’optimisation de la conception des systèmes de conversion et de stockage d’énergie élec-

trique se trouve aujourd’hui face à de nouveaux défis. En effet, la multiplication du nombre de
paramètres à optimiser et la prise en compte de phénomènes physiques de natures et de dyna-
miques différentes, conduisent à des démarches de conception de plus en plus complexes. De
plus, la modélisation multi-physique des systèmes énergétiques met en jeu des interactions entre
plusieurs disciplines connexes telles que l’électricité, l’électromagnétisme, la thermique ou la
mécanique (Fig.1). Les couplages entre tous ces domaines constituent en grande partie la source
de la complexité de la conception de tels systèmes. En raison de la forte dépendance entre les
modèles physiques couplés ayant des dynamiques très variées, les concepteurs sont contraints
de réadapter en profondeur la formulation de leurs problèmes pour aboutir à une conception
optimale en un temps raisonnable.
F IGURE 1 : Modélisation multi-physique et exemples de domaines intervenant.
17
18 INTRODUCTION GÉNÉRALE
Pour faire face à toutes ces difficultés, les ingénieurs et les chercheurs proposent aujourd’hui
de nouvelles plateformes de simulation de plus en plus flexibles et performantes permettant
de combiner aisément différents domaines physiques. Ces plateformes sont conçues de ma-
nière à s’adapter le plus possible aux exigences des acteurs du processus de développement de
ces architectures pluridisciplinaires. Elles offrent en outre la possibilité de concevoir des mo-
dèles complexes et modulaires qui peuvent être aisément réutilisables voire même exportés vers
d’autres plateformes de simulation. Il se trouve que parmi l’ensemble des chainons menant vers
un outil d’optimisation de systèmes multi-physiques, le solveur numérique s’avère être d’une
très grande importance. C’est lui qui permet en effet de simuler dans le temps les différents
phénomènes modélisés. Depuis les premiers travaux développés au début du XXème siècle, de
nombreux progrès ont été réalisés pour améliorer l’efficacité de ces solveurs, sur des problèmes
de plus en plus complexes à résoudre, tant sur le nombre de variables à calculer que sur les
écarts de dynamiques à prendre en compte et communément appelé raideur.
C’est ce dernier point qui pose généralement problème pour la simulation d’un système
multi-physique. En effet, ce dernier décrit généralement des phénomènes physiques opérant à
des échelles de temps très différentes, ce qui impact directement le temps résolution du système
d’équations. Cette augmentation des temps de calcul constitue donc un verrou majeur pour le
développement de l’innovation et le gain en compétitivité qui en découle.
Dans le but de réduire les délais de conception et afin de demeurer compétitif, la mise en
œuvre de nouvelles méthodologies et d’outils de conception adaptés devient essentiel. Ces der-
niers ont pour objectif de converger vers une solution optimisée beaucoup plus rapidement que
par les méthodes traditionnelles. Néanmoins, nous constatons que les différentes méthodes qui
existent dans la littérature reposent sur l’hypothèse qu’un découplage est opérable entre les dif-
férents phénomènes physiques et que la résolution peut être partitionnée et répartie. C’est le
cas notamment des méthodes multi-pas, multi-modèles, ou encore la méthode de perturbation
singulière. Or, il s’avère que ces méthodes deviennent beaucoup moins efficaces lorsqu’il s’agit
d’un système à couplages forts ou lorsque le système est trop régulièrement sollicité par des
grandeurs influentes extérieurs. Or, ce dernier point est une caractéristique commune de nom-
breux systèmes du génie électrique et c’est généralement lui qui tend à limiter les performances
des méthodes de simulation.
Exemple d’application
Pour illustrer cette idée, nous proposons de partir de l’exemple d’application développée au
cours de la thèse de Sony Trieste [11], et qui porte sur l’optimisation du dimensionnement d’un
système de stockage d’énergie à supercondensateurs utilisé pour assurer l’autonomie d’un na-
vire effectuant la navette entre deux rives (rade de Lorient). L’enjeu était alors de proposer une
modélisation complète, capable de tenir compte du vieillissement des supercondensateurs en
INTRODUCTION GÉNÉRALE 19
Psc (kW)
200
0 2 8 10 15 17 23 25 30
−10.7 R t (min)
−21.5 A
2 2 2 2
−64.5
1 1
Ttrip
F IGURE 2 : Cycle de puissance d’une traversée du navire électrique.

fonction des conditions d’usage de ce dernier. Or, pour modéliser ces phénomènes de vieillisse-
ment, il est nécessaire d’introduire des modèles électrique et thermique traduisant les évolutions
de la tension et de la température de cet organe de stockage. Pour cela, le cycle complet doit
être simulé, correspondant à un aller-retour d’une durée de l’ordre d’une demi-heure, avec un
pas de calcul suffisamment faible pour tenir compte avec précision des dynamiques électriques,
qui sont de l’ordre de la seconde pour les supercondensateurs. Admettons alors que l’on sou-
haite coupler les différents modèles pour les simuler sur une durée d’une vingtaine d’années de
fonctionnement. Nous comprenons qu’une telle simulation est extrêmement longue à calculer
sachant qu’un seul calcul sur un horizon de vingt ans avec un pas de calcul de l’ordre de la
seconde nous amène à évaluer près d’un milliard de fois notre modèle. Dans le cas extrême,
cela peut donc conduire à un processus d’optimisation de plusieurs années de calcul.
F IGURE 3 : Schéma de couplage de modèles multi-physiques.

20 INTRODUCTION GÉNÉRALE
Or, pour cet exemple particulier, ce n’est pas tant la raideur du système d’équation qui est en
jeu, mais plutôt la nature cyclique de l’usage de l’application. Dans ce cas précis, le profil d’uti-
lisation est relativement simple et il nous a été possible de proposer une méthode reposant sur
l’extrapolation des résultats obtenus à l’échelle d’un cycle d’aller-retour, sur un horizon d’une
année complète. Mais dans le cas de cycles plus complexes, une telle extrapolation n’est pas tri-
viale. A titre d’exemple, si nous considérons qu’une journée d’exploitation est constituée d’un
certain nombre d’aller-retour suivi d’une phase de repos de plusieurs heures, le cycle représen-
tatif n’est plus un aller-retour mais une journée complète. De même, si au cours d’une année le
nombre d’aller-retours par journée change, il faudra tenir compte de cette variabilité en simu-
lant le système sur un horizon d’une année. Cette idée de rechercher un cycle représentatif est
également rencontrée dans le dimensionnement de chaines de propulsion de véhicules routiers,
de machines électriques travaillant sur cycle, ou encore de systèmes de production d’énergie
électrique à partir de ressources d’énergie renouvelables. C’est donc finalement ces probléma-
tiques de simulation de systèmes multi-physiques et fonctionnant sur des cycles complexes qui
ont motivé ce travail de thèse.
Objectifs de la thèse et organisation du mémoire

Nous venons de le voir, l’optimisation des systèmes multi-physiques et multi-échelles de
temps nécessite d’avoir une démarche normalisée et des techniques de simulation suffisamment
performantes pour faire face à plusieurs difficultés. L’objectif principal de cette thèse est de
proposer une méthodologie originale de conception des systèmes énergétiques fonctionnant sur
cycles, s’appuyant sur un cadre générique et modulaire, qui soit capable de réduire les efforts
de calcul, et ce sans aucune contrainte sur la nature des modèles utilisés et sur les écart de
dynamiques. De ce fait, une réduction de la durée de simulation du modèle permettra de réduire
la durée de l’optimisation. Néanmoins, la diminution du temps d’optimisation ne doit pas se
faire au détriment de la précision du résultat. La méthodologie que nous proposons devra donc
également tenir compte de cette contrainte, et être capable de contrôler automatiquement la
propagation des tolérances engendrées par les différentes approximations qui seront opérées.
Un autre objectif d’une grande importance consiste à proposer des formalismes et des outils
permettant de faciliter l’implémentation et le couplage multi-physique des modèles constituant
le système. En fait, la modélisation et la résolution d’un problème multi-physique, généralement
décrit par des équations différentielles ordinaires et algébriques, peut s’avérer problématique
notamment avec les outils de simulation classiques. Il serait alors intéressant de présenter une
démarche pour guider le concepteur à bien formuler le problème et à définir une plateforme de
simulation capable de traiter efficacement la raideur et l’aspect multi-domaine du système.
Le présent manuscrit est organisé en trois chapitres. Le premier chapitre est un état de l’art
INTRODUCTION GÉNÉRALE 21
présentant dans un premier temps une synthèse des formalismes, des approches et des outils
destinés à la modélisation multi-domaine des systèmes énergétiques. Dans un deuxième temps,
après avoir défini la notion de la raideur, différentes stratégies et méthodes de simulation des
systèmes multi-échelles de temps sont exposées. Enfin, un bilan est établi permettant de spéci-
fier les outils et méthodes qui correspondent le mieux à nos exigences. Le deuxième chapitre est
consacré à la présentation d’une nouvelle méthodologie de simulation multi-échelle de temps.
Cette méthodologie, structurée suivant une approche multi-couche (à plusieurs niveaux), est
composée d’un ensemble de méthodes d’extrapolation basées sur cycles. En effet, une nouvelle
formulation originale de ces méthodes d’extrapolation est proposée pour les systèmes décrits
par un ensemble de cycles d’usage. La démarche d’implémentation de ces méthodes ainsi que
des stratégies d’ajustement automatique des pas sont détaillées. Le troisième chapitre est dédié
à l’application de notre méthodologie sur la modélisation et la simulation d’une chaine de sto-
ckage d’énergie d’un navire tout-électrique. Nous présentons tout d’abord le cahier des charges
du système en question et les principaux enjeux auxquels est confronté l’optimisation de tels
problèmes. Ensuite, les différents modèles multi-physiques traduisant les phénomènes pris en
compte sont explicités et implémentés dans une plateforme de simulation. Enfin, la méthodolo-
gie de calcul multi-échelle de temps sera testée et validée pour plusieurs scénarios en présence
de contraintes temporelles très lourdes à simuler.
I
État de l’art des systèmes complexes
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 Modélisation des systèmes multi-physiques . . . . . . . . . . . . . . . . . 24
2.1 Approches de modélisation des systèmes multi-physiques . . . . . . 24
2.2 Formalismes de représentation des systèmes multi-physiques . . . . . 28
2.3 Outils de modélisation multi-domaines . . . . . . . . . . . . . . . . 41
3 Stratégies et méthodes de simulation multi-échelles de temps . . . . . . . 50
3.1 Systèmes raides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2 Méthodes de simulation multi-échelles de temps existantes . . . . . . 54
3.3 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
23
24 CHAPITRE I. ÉTAT DE L’ART DES SYSTÈMES COMPLEXES
1 Introduction
Les systèmes complexes se distinguent par la mise en relation de composants de nature hété-
rogène dont l’évolution globale est dominée par leurs couplages physiques et les rétro-actions.
Dans le domaine du Génie Électrique, différentes disciplines sont amenées à se côtoyer et à
interagir, nécessitant une prise en compte de différents phénomènes physiques. Les couplages
entre toutes ces disciplines constituent en grande partie la source de la complexité de la concep-
tion de tels systèmes. Parmi ces disciplines, il existe un dénominateur commun lié au fait que
des échanges de puissance et d’énergie transitent au sein et entre les domaines. En effet, le dé-
veloppement de systèmes multi-physiques complexes nécessite d’appréhender le problème de
conception dans sa globalité, que ce soit pour analyser le fonctionnement du système ou dans
un objectif d’optimisation. C’est la nécessité croissante d’une approche multi-domaine qui a
joué en faveur du développement d’outils et de méthodes permettant une représentation unifiée,
quels que soient les domaines de la physique abordés.
Dans ce contexte, un système multi-physique présente des dynamiques très variées liées
aux différents phénomènes physiques. La difficulté pour simuler de tels problèmes réside dans
le fait que les sous-modèles sont couplés et interdépendants avec des constantes de temps éloi-
gnées ce qui pénalise le temps de calcul. Cette augmentation des temps de calcul constitue donc
un verrou majeur pour le développement de ces systèmes complexes, et notamment dans leur
phase d’optimisation [17, 18]. Nous nous trouvons alors face au dilemme d’avoir un modèle
suffisamment riche en termes de phénomènes physiques tenus en compte et celui d’obtenir la
solution en un temps raisonnable pour pouvoir agir sur l’optimisation de la conception.
Le premier chapitre vise, d’un côté, à synthétiser par une étude bibliographique les ap-
proches, les formalismes et les outils pouvant prétendre à une modélisation multi-physique
et d’un autre côté, à examiner les différentes stratégies et méthodes de simulation des sys-
tèmes raides (multi-dynamiques) mettant en oeuvre une véritable interaction entre les diffé-
rentes échelles temporelles.
2 Modélisation des systèmes multi-physiques
2.1 Approches de modélisation des systèmes multi-physiques
Toute phase de modélisation d’un système physique commence par l’écriture des équations
différentielles caractérisant les phénomènes étudiés. Avant de détailler les approches de modé-
lisation, il est important de rappeler les différents types d’équations différentielles constituant
un système physique.
2. MODÉLISATION DES SYSTÈMES MULTI-PHYSIQUES 25
2.1.1 Types des équations différentielles d’un système physique
Un problème physique peut être formulé en utilisant des équations différentielles ordinaires
(ODEs) qui peuvent être écrites sous cette forme :
ẋ = f (t, x, pr ) (I.1)
Dans une ODE, la dérivée ẋ du vecteur d’état est exprimée explicitement en fonction de lui
même x, de la variable de temps indépendante t et de paramètres pr . Tant que la fonction f
est suffisamment continue, une solution unique peut être obtenue pour une certaine condition
initiale x(t0 ) = x0 . Notons qu’un système d’équations différentielles d’ordre quelconque peut
toujours se ramener à un système d’équations d’ordre 1 (modèle d’état).
Certains systèmes d’équations contiennent des contraintes additionnelles impliquant la va-
riable indépendante et le vecteur d’états. Ces contraintes sont décrites par des équations al-
gébriques représentant par exemple des lois de conservation (énergie, masse, charge...), des
équations d’équilibre ou des contraintes sur le système.
L’association d’un système d’équations différentielles ordinaires avec un ensemble de con-

traintes algébriques constitue un système d’équations différentielles algébriques (DAEs) [19].
Elles peuvent être exprimées sous une forme « semi-explicite » impliquant une partie différen-
tielle et une partie algébrique explicite :
ẋ = f (t, x, pr ) (I.2)
0 = g(t, x, pr ) (I.3)
Une DAE existe aussi sous une forme plus générale avec une contrainte algébrique implicite :
f (t, x, ẋ, pr ) = 0 (I.4)
Une DAE implicite peut être identifiée par le calcul de la matrice jacobienne de f . Si le
jacobien est nul (déterminant de la matrice jacobienne est égal à 0), il s’agit alors d’une équation
différentielle algébrique.
Un système de DAEs peut être converti en un système de ODEs en effectuant des différen-
ciations du modèle de départ. Le nombre de différenciations nécessaires appelé «indice» est la
distance qui sépare une DAE d’une ODE. Le concept d’indice a été introduit afin de quantifier
le niveau de difficulté qui est impliqué dans la résolution d’une DAE donnée [20]. En général,
plus l’indice d’une DAE est élevé, plus sa résolution par des méthodes d’intégration numériques
est difficile. En effet, pour résoudre une DAE en utilisant un solveur numérique dédié aux ODEs
il faut réduire l’indice du modèle de départ jusqu’à un indice-0. Notons que les méthodes de ré-
solution numériques applicables aux DAEs d’indice donné peuvent ne pas être utilisables pour
résoudre des DAEs d’indices plus élevés.
Exemple :
Nous présentons ci-dessous un exemple simple d’une DAE semi-explicite et nous allons
effectuer un certain nombre de différentiations pour déterminer son indice.
(
x˙1 = x1 + 1
0 = (x1 + 1).x2 + 3
Pour obtenir une équation différentielle pour x2 , la deuxième équation doit être différentiée
une fois. Cela conduit à ce nouveau système :
(
x˙1 = x1 + 1
0 = x˙1 .x2 + (x1 + 1).x˙2
(
x˙1 = x1 + 1
⇒
x˙2 = −x1x˙1+1
.x2
= −x2
Les équations du système ont été différentiées une seule fois pour transformer le système de
DAEs en un système de ODEs. Cette DAE est alors d’indice 1.
La réduction d’indice [21] d’une DAE n’est pas toujours évidente pour des systèmes plus
complexes car il faut trouver des conditions initiales qui satisfont à la fois la partie différentielle
et la partie algébrique de la DAE. De plus, les solutions obtenues d’une DAE d’indice réduit
peuvent ne pas être les mêmes que celles de la DAE originale [22, 23].
Comme nous l’avons précisé précédemment, un système de DAE peut être résolu par des
méthodes de résolution dédiées à des ODE, après l’avoir transformé (réduction d’indice). Mais
il est recommandé de résoudre les systèmes de DAEs directement par des solveurs spécifiques
tels que LSODI (Hindmarsh et Painter (1981)), DASSL (Petzold (1982)) et DASRT (Petzold
(1984)) qui sont capables de résoudre des DAEs d’indice-1.
2.1.2 Approche de modélisation causale
L’approche causale ou « orientée » est une approche qui consiste à définir explicitement un
ordre de résolution d’un système d’équations. Selon [24], la modélisation causale représente un
schéma de calcul représenté par une série d’affectations simulables. Et l’ordre de ces affecta-
tions dépend des objectifs de l’étude ainsi que de la connaissance des entrées et des sorties du
modèle.
F IGURE I.1 : Modèle causal.

D’une manière générale, un modèle causal est composé d’entrées, de sorties et de variables
d’état. Un lien de cause à effet est défini permettant aux entrées d’introduire les données pro-
venant de l’environnement et aux sorties d’exporter les données vers l’environnement. Les va-
riables d’état sont utilisées pour calculer des quantités observables (grandeurs physiques me-
surables). Ainsi, la relation entre les entrées et les variables d’état contraignent les valeurs des
sorties et de dérivées des variables d’état [25].
Un modèle causal répond à un besoin précis. Le concepteur est contraint de formuler un
modèle causal pour chaque problème d’ingénierie traité (analyse, prédiction, dimensionnement,
identification,...). Ceci implique que le modèle ne pourra être utilisé qu’à cette seule et unique
fin [26].
En utilisant cette approche dans le cas d’un système complexe, la réalité physique du sys-
tème modélisé disparait en présence de cette structure de calcul définie lors de la modélisation.
Ceci a poussé les chercheurs à développer une nouvelle approche permettant de décrire directe-
ment le système comme un ensemble d’équations plutôt qu’un algorithme de résolution de ces
équations [27]. Cette approche est appelée approche « acausale ».
2.1.3 Approche de modélisation acausale
Le modèle acausal est un modèle « non-orienté » composé de variables et de relations entre

ces variables. Ce concept de la modélisation non-causale ou acausale a été introduit par Elmqvist
en 1978 en développant un nouveau langage de modélisation pour les systèmes dynamiques
qu’il a qualifié de « langage orienté équation » [28, 29]. Il permet une description d’un système
par un ensemble d’équations implicites non ordonnées où les entrées et les sorties du modèle
ne sont pas précisées. Les sous modèles sont liés par une structure de connexions qui ajoute
des contraintes supplémentaires sur les variables. La Figure I.2 représente une comparaison
entre la structure d’un modèle causal indiquant de manière explicite la direction du flux de
données et celle d’un modèle acausal où la causalité (initialement non spécifiée) est déduite
automatiquement par le compilateur.
F IGURE I.2 : Comparaison de structures du modèle causal et acausal [4].
En général, les relations mathématiques décrivent l’influence mutuelle de plusieurs va-

riables. Par exemple, la loi d’Ohm définit la dépendance entre la tension uR et le courant i
pour une résistance R.
La résistance peut être déterminée par la relation suivante :
uR
R= (I.5)
i
La relation uR = R.i montre aussi qu’un courant i permet d’introduire une tension uR . Et la
même relation peut être également utilisée pour affirmer qu’une tension uR produit un courant i
à travers une résistance R selon la relation :
uR
i= (I.6)
R
Du point de vue mathématique, les équations sont équivalentes mais la différence réside
dans l’affectation d’un ordre de cause à effet selon un objectif précis. L’intérêt d’une modéli-
sation acausale est de représenter un système uniquement par des équations exprimées par des
égalités et non pas par une série d’affectations.
Le modèle acausal décrit alors le système de manière totalement indépendante de l’utili-
sation qui lui est destinée. Et par conséquent, il peut être utilisé pour résoudre plusieurs pro-
blèmes d’ingénierie [24]. Les concepteurs se focalisent seulement sur la description physique
des différents phénomènes impliqués au sein du système, indépendamment de l’objectif de
l’étude. Ainsi, les modèles développés deviennent comme des blocs élémentaires réutilisables
et l’agencement de plusieurs de ces blocs permettra de représenter le système voulu. Un fois que
le modèle acausal est construit, un logiciel de simulation compile le système d’équations et le
transforme en une série d’affectations compatibles avec les grandeurs connues et recherchées.
2.2 Formalismes de représentation des systèmes multi-physiques
2.2.1 Principe de la modélisation par flux d’énergie
Dans un système complexe, le transfert d’énergie entre les différents sous-systèmes est as-
suré par des liens physiques tels que, par exemple, les arbres mécaniques, les fils électriques ou
les conduites hydrauliques. Les quantités d’énergies échangées sont contrôlées par les lois et
les principes de la physique et peuvent être mesurés par l’étude des phénomènes de transforma-
tion et leurs intensités. Cette puissance peut être exprimée comme un produit de deux variables
généralisées d’effort et de flux : une variable potentielle et une variable cinétique. Ce sont donc
des analogies entre ces variables qui permettent de modéliser et d’interconnecter des systèmes
indépendamment des domaines physiques.
La Figure I.3 décrit l’échange d’énergie entre deux sous-systèmes physiques A et B. Dans
le domaine électrique, la tension représente l’effort et le courant représente le flux et le produit
des deux variables représente la puissance échangée P = U ∗ I.
F IGURE I.3 : Principe de la modélisation par un flux d’énergie.
Dans les années 1950, Hank Paynter du MIT (Massachusetts Institute of Technology) tra-
vaillait sur des projets d’ingénierie multidisciplinaires, dont les centrales hydroélectriques, l’in-
formatique analogique et numérique, les dynamiques non linéaires, et le contrôle [30]. À tra-
vers ces expériences, il a constaté que des formes similaires d’équations sont générées par des
systèmes dynamiques dans une grande variété de domaines (par exemple électrique, fluide et
mécanique). Autrement dit, de tels systèmes sont analogues [31]. « L’énergie est un concept es-
sentiel dans la description de l’évolution des systèmes technologiques. On le retrouve dans tous
les domaines : il constitue le lien entre ceux-ci ». C’est à partir de ce principe que les concepts
de base de la modélisation en Bond Graph ont été développés.
2.2.2 Le langage Bond Graph (BG)
Le bond Graph, initialement défini au MIT (Boston, USA) arriva vers la fin des années 1970
en Europe, au Pays Bas à l’université de Twente et en France dans la société Alstom spécialisée
dans le secteur des transports. De nos jours, plusieurs entreprises (Alstom, Renault, PSA...), et
de nombreux établissements universitaires utilisent cet outil de modélisation graphique.
Le langage Bond Graph appelé aussi graphe de liaison ou graphe à liens, est une approche
de modélisation graphique à vocation pluridisciplinaire permettant d’afficher explicitement la
nature des échanges de puissance dans un système, et de mettre en évidence la nature physique
et la localisation des variables d’état [2, 32]. La force de cet outil réside dans une représenta-
tion unifiée, fondée sur la notion d’analogie en les domaines physiques (électrique, mécanique,
thermique, hydraulique...). Des systèmes physiques de natures différentes peuvent ainsi être
représentés par une même méthode [33]. Même avant l’utilisation de l’ordinateur pour la simu-
lation des systèmes physiques, les ingénieurs utilisaient le Bond Graph pour obtenir des infor-
mations sur les boucles algébriques et les avantages et les conséquences des approximations et
simplifications possibles [31].
Le lien (appelé Bond ou lien de puissance) représente la puissance ou le flux d’énergie
échangé entre les deux ports physiques connectés. Cette puissance s’exprime comme le produit
de deux variables généralisées, d’effort et de flux, notées respectivement par «e» et «f». Ce
lien qui porte les deux variables de puissance est désigné par le symbole d’une demi-flèche
dirigée dans le sens de l’écoulement de l’énergie (Fig. I.4). Par convention, le flux est toujours
représenté du côté de la demi-flèche.
F IGURE I.4 : Informations fournies par une représentation Bond Graph.
Les neuf éléments de base d’une modélisation Bond Graph sont les suivants :
• Trois éléments passifs (R, I, C) transforment la puissance qui leur est fournie en dissipant
ou en stockant l’énergie.
• Deux éléments actifs (Se, Sf) fournissent la puissance au système (sources d’effort ou de
flux).
• Quatre éléments de jonction (0, 1, TF, GY) conservent la puissance et servent à coupler
les divers éléments actifs et passifs.
Il existe également deux autres éléments appelés détecteurs représentant des capteurs d’ef-
fort et de flux supposés idéaux, donc non consommateurs de puissance. L’ensemble des élé-
ments peut être représenté dans la Figure I.5.
F IGURE I.5 : Éléments de base d’une représentation Bond Graph.

La modélisation avec l’outil Bond Graph respecte la conservation de l’énergie et la conti-

nuité de puissance instantanée au sein d’un système. Elle combine deux approches : quantitative
et qualitative :
• Approche quantitative : basée sur les lois de la physique et nécessite une connaissance
profonde de la structure du système (fonction de transfert, équations différentielles, équa-
tions aux dérivées partielles...)
• Approche qualitative : une description non-numérique (par des moyens qualitatifs)
Le modèle mathématique d’un système physique peut être déduit directement du modèle
Bond Graph à travers les équations constitutives des éléments et des jonctions. Ces équations
peuvent être sous une forme algébrique, différentielle ou algébro-différentielle. Pour élaborer
la structure de calcul nécessaire à la simulation du système, il est indispensable de faire ap-
paraître les relations de cause à effet définies par un chemin causal. En effet, la causalité est
l’une des propriétés importantes du modèle bond graph. Cela est un avantage évident sur les
représentations graphiques [34, 35].
Pour illustrer la notion de causalité, nous présentons deux situations possibles (Fig. I.6). Les
deux sous-systèmes A et B échangent de la puissance :
• A applique un effort «e» à B qui réagit en renvoyant à A un flux «f».
• A envoie un flux «f» à B qui réagit par un effort «e».
F IGURE I.6 : Causalités en Bond Graph.
La causalité est mise en évidence sur le modèle Bond Graph par la position du trait causal
placé du côté de l’élément qui impose le flux (ou à qui l’effort est imposé). La position de ce
trait est indépendante du sens de la demi-flèche indiquant la direction de la puissance.
Le tableau I.1 résume les variables de puissance et d’énergie pour différents domaines phy-
siques. D’une manière générale les variables d’état sont liées aux éléments de stockage d’éner-
gie définies par les moments et les déplacements généralisés.
TABLE I.1 : Variables généralisées pour différents domaines physiques.
Domaine Effort e Flux f Moment

R
généralisé Déplacement
p = e(t)dt généralisé
R
q = f (t)dt
Électrique Tension u Courant i Flux magnétique λ Charge q
Mécanique Force F Vitesse v Quantité de Déplacement x

de translation mouvement p
Mécanique Couple C Vitesse Moment cinétique σ Angle θ

de rotation angulaire w
Thermique Température T Flux Entropie S

d’entropie qs
Hydraulique Pression P Débit Impulsion p Volume V

volumique qv
En Bond Graph, la causalité peut être intégrale ou dérivée. Concernant la causalité intégrale,
nous considérons que l’effet est toujours obtenu après la cause (causalité naturelle ou physique).
Cela conduit à décrire mathématiquement les phénomènes physiques en exprimant les effets en
fonction de leurs causes. Tandis que pour la causalité dérivée, la cause est exprimée en fonction
de l’effet ce qui nous mène à évaluer une grandeur en fonction de son état futur. En Bond
Graph, la causalité intégrale est toutefois considérée préférentielle mais pas obligatoire. Mais,
en réalité, seule la causalité intégrale subsiste : une sortie (effet) ne peut pas être définie avant
l’entrée (cause).
Il est donc souhaitable d’obtenir des équations sous la forme : ẋ = f (x, e,t) conduisant à
l’implantation :
Z t
x(t) = f (x, e, τ)dτ (I.7)
0
Pour résoudre cette équation différentielle ordinaire (ODE), une méthode d’intégration ex-
plicite est utilisée (ex. Euler ou de Runge Kutta). Mais lorsque nous serons amenés à utiliser
la causalité dérivée, nous aurons des équations différentielles algébriques (DAE) qui sont de la
forme : g(ẋ, x, e,t) = 0. Ainsi, si un modèle est représenté en causalité dérivée, sa résolution
requiert l’utilisation de solveurs de résolution mathématique spécifiques, lesquels nécessitent
des méthodes d’intégration implicites [36].
La notion de chemin causal peut être utilisée, soit au niveau de l’analyse de l’architecture
(la structure du modèle et les types de phénomènes considérés), soit au niveau de l’analyse phé-
noménologique (les formes mathématiques des lois de comportement et l’interconnexion des
phénomènes dans le modèle) [35].
Exemple d’étude :
Pour illustrer l’idée principale de la modélisation en Bond Graph nous proposons l’exemple
d’un moteur à courant continu à aimants permanents actionnant une charge inertielle en rotation.
La partie électrique du modèle de ce moteur à courant continu est composée d’un circuit induit
avec une source de tension uDC , une résistance Rind et une inductance Lind . Concernant la partie
mécanique, le moteur fournit un couple Cm et permet de mettre en rotation une inertie Jm à la
vitesse Ωm . Le couplage électromécanique est caractérisé par une constante de couple kΦ . Le
coefficient de frottement visqueux agissant sur l’arbre moteur est noté fr , ainsi que le couple
résistant Cr . Le schéma de principe du système étudié est représenté sur la Figure I.7.
F IGURE I.7 : Schéma de principe d’un moteur à courant continu avec une charge en rotation.
La première étape d’une modélisation en Bond Graph consiste à traduire sous forme gra-
phique l’architecture du système. Cette représentation dite « acausale » est constituée des dif-
férents éléments décrivant les phénomènes physiques qui apparaissent à l’intérieur du système.
Elle permet de décomposer le système en sous-systèmes qui échangent mutuellement de la puis-
sance. Le terme « acausal » signifie qu’à ce niveau de représentation aucune option n’a encore
été prise sur l’organisation des équations mathématiques (sans spécification d’entrées et de sor-
ties) régissant le comportement du système. Elle met en évidence les hypothèses de phénomènes
physiques pris en compte et la manière dont ils sont connectés entre eux, « énergétiquement »
parlant. Cette représentation permet de mener différents types d’études sans avoir à réécrire le
modèle. Le Bond Graph acausal du moteur à courant continu est représenté par la Figure I.8.
Le lecteur pourra également se référer par exemple à [37] pour une présentation détaillée des
règles de construction d’un modèle en Bond Graph.
Les liens représentés par les demi-flèches dans la Figure I.8 indiquent les connexions éner-
gétiques entre les différents éléments. Ces connexions représentent un flux d’énergie qui peut
F IGURE I.8 : Représentation en Bond Graph acausal du moteur à courant continu.

être mesuré par une puissance (produit des deux variables flux et effort). L’élément gyrateur
GY assure un couplage électromécanique représenté par une transduction d’énergie et carac-
térisée par une constante de couple kΦ . Et les éléments Se représentent des sources d’effort :
un générateur de tension uDC pour la partie électrique et un couple résistant Cr pour la partie
mécanique.
Après l’obtention du modèle Bond Graph acausal, il existe une procédure d’affectation de la
causalité qui consiste à imposer un ordre de cause à effet dans les relations entre les différentes
variables du système. Le modèle causal du moteur à courant continu est représenté dans la
Figure I.9. Ce dernier permettra d’obtenir les équations d’état et la fonction de transfert de
façon systématique, et de faire différents types d’analyse structurelle [38].
F IGURE I.9 : Représentation en Bond Graph causal du moteur à courant continu.
2.2.3 Le Graphe Informationnel Causal (GIC)
Le Graphe Informationnel Causal (GIC) est une représentation graphique permettant de mo-
déliser exclusivement des systèmes multi-physiques avec des causalités intégrales (naturelles).
Cet outil a été développé suite à des travaux communs dans les années 1990 entre Jean Faucher
du Laboratoire d’Électrotechnique et d’Électronique Industrielle (LEEI) de Toulouse et Jean-

Paul Hautier du Laboratoire d’Électrotechnique et d’Électronique de Puissance (L2EP) de Lille.
Ce formalisme est à l’origine du principe de commande par inversion [39, 40].
Le GIC permet de visualiser les transferts d’informations dans le système en utilisant aussi
la notion des variables généralisées d’effort et de flux. Il traite des informations portées par les
variables et orientées par la causalité de la cause vers l’effet. Les transformations d’information
sont effectuées par des processeurs. Pratiquement, la sortie du processeur ne dépend donc que
des valeurs présentes et passées de ses entrées [41]. C’est la raison pour laquelle il est préférable
d’exprimer la causalité sous forme intégrale. La différence majeure avec le formalisme Bond
Graph est l’exclusion de la causalité dérivée au profit unique d’un ordonnancement respectant
la causalité intégrale.
Il existe alors deux types de processeurs qui constituent le support d’une relation de transfor-
mation entre une ou plusieurs grandeurs influentes et une grandeur influencée. Ils se distinguent
par la nature des flèches intérieures, retenue selon le caractère de la relation associée (Fig. I.10).
• Processeur causal : la sortie est une fonction intégrale de l’entrée (sortie dépendante du
temps). Le processeur contient alors une flèche unidirectionnelle traduisant le fait que la
causalité est fixée (causalité intégrale).
• Processeur rigide : la sortie est une fonction instantanée de l’entrée (sortie indépendante
du temps). Le processeur contient alors une flèche bidirectionnelle traduisant le fait que
l’entrée et la sortie peuvent être inversées. Ce processeur a une causalité « flottante » qui
sera fixée par les éléments qui lui seront connectés [42].
F IGURE I.10 : Symboles des processeurs en GIC.
Les processeurs GIC de différents éléments électriques et mécaniques sont détaillés dans
[41]. D’une manière générale, les processeurs causaux décrivent des éléments qui stockent de
l’énergie (bobine, condensateur, masse, inertie,...). Les éléments qui convertissent l’énergie sans
stockage sont représentés par deux processeurs rigides couplés. Il est appelé modulateur s’il
conserve la nature des variables potentielle et cinétique (ex. un transformateur électrique). Par
contre si l’élément qui convertit l’énergie modifie la nature des variables, dans ce cas il est
appelé gyrateur (ex. un convertisseur électromécanique).
La construction d’une représentation GIC s’opère en plusieurs étapes :
1. Localiser les sources et les éléments accumulateurs d’énergie qui seront présentés par des
processeurs causaux.
2. Identifier les éléments dissipateurs et convertisseurs d’énergie (modulateurs et gyrateurs)

qui seront représentés par des processeurs rigides.
3. Établir le graphe par l’interconnexion des divers processeurs. Les liens de causalité des
processeurs rigides sont déduits à partir des processeurs causaux qui leurs sont connectés.
Diverses règles de construction ont été également explicitées dans [41] pour établir le GIC
d’un système multi-physique.
Le formalisme GIC a été appliqué au cas d’étude précédent I.7. Nous allons établir le modèle
GIC d’une machine à courant continu en suivant les différentes étapes mentionnées dans la
partie précédente. Les différentes relations caractérisant les phénomènes physiques du système
sont représentées dans le tableau I.2.
TABLE I.2 : Relations mathématiques décrivant le système étudié.

Repère Relation Nature de la relation
R1 Lind . didtind = uL causale
R2 uR = Rind .iind rigide
R3 uL = uDC − uR − e rigide
R4 Cm = kφ .iind rigide
R5 e = kφ .Ωm
R6 Jm . dΩ
dt + f r .Ωm = Cm −Cr
m
causale
Étape 1 : Identification des sources et des accumulateurs :

Les sources dans ce système sont la tension d’induit uDC et le couple de charge Cr . Les accu-
mulateurs sont la bobine d’induit et l’inertie ramenée au rotor. Ils sont caractérisés par deux
variables énergétiques (variables d’état) respectivement le courant iind (Relation R1) et la vi-
tesse Ωm (Relation R6). Nous déduirons par la suite que ce sont ces objets qui imposent la
causalité aux objets caractérisés par des relations rigides.
Étape 2 : Identification des dissipateurs et des convertisseurs d’énergie :

Les dissipateurs sont la résistance de l’induit (Relation R2) et les frottements sur l’arbre du rotor.
La relation R2 sera alors décrite par un processeur rigide. Concernant les frottements sur l’arbre
représentés par le couple C f = fr .Ωm , nous avons choisi de le concaténer dans le même proces-
seur (Relation R6) afin d’augmenter la lisibilité du graphe global. Le convertisseur d’énergie
(gyrateur) est le coupleur électromécanique caractérisé par un coefficient de modulation kφ (Re-
lations R4 et R5) qui a pour entrées iind et Ωm et pour sorties Cm et e.
Étape 3 : Établir le graphe par l’interconnexion des divers processeurs :

Avant d’interconnecter les processeurs, il ne reste qu’à définir un processeur supplémentaire
pour représenter la tension uL (Relation R3).
Le graphe GIC du système complet est illustré par la Figure I.11.
F IGURE I.11 : Représentation GIC du moteur à courant continu.
Le modèle GIC obtenu fait apparaitre les différents éléments sous une description fonc-
tionnelle. À travers cette illustration, nous montrons que la représentation GIC d’un système
physique dépend principalement de la forme des équations qui le décrivent. Par exemple, les re-
lations R1, R2 et R3 représentées séparément peuvent être fusionnées dans un seule composant
(relation causale), comme c’est le cas pour la relation R6.
Par rapport au Bond Graph, nous remarquons que le sens de transfert de puissance n’est
plus indiqué. Ce modèle peut être implémenté directement dans un logiciel de simulation (ex.
Matlab/Simulink) ou simulé à travers les fonctions de transferts obtenues par des manipulations
mathématiques des relations. Une structure de commande peut être également déterminée par
inversion des causalités.
2.2.4 La Représentation Énergétique Macroscopique (REM)
La Représentation Énergétique Macroscopique (REM) est un autre formalisme de modéli-

sation des systèmes multi-physiques développé par le laboratoire L2EP de l’Université de Lille
au début des années 2000 [43]. La REM est une extension macroscopique du GIC permettant
d’utiliser d’une manière explicite des couplages énergétiques dans le but de déduire systémati-
quement une architecture de contrôle du processus concerné. En effet, les règles d’inversion du
GIC pour structurer la commande d’un système, ont été transposée à la REM [44].
C’est une approche graphique qui s’appuie sur les notions d’interactions et d’échanges
d’énergie entre les éléments d’un système physique en respectant la causalité intégrale [45]. Elle
a été initialement développée pour modéliser des systèmes électromécaniques complexes et a
ensuite été étendue à d’autres domaines de la physique (système à pile à combustible [46], sys-
tème à stockage hybride [47], modélisation électro-thermique des systèmes résidentiels [48],...).
La REM se compose de quatre familles d’éléments : les éléments sources, d’accumulation,
de conversion et de couplage. Ces éléments, appartenant à des domaines physiques variés, sont
interconnectés entre eux selon le principe de l’action et de la réaction. Le produit scalaire de
ces deux variables donne la puissance instantanée échangée entre deux éléments [49]. Malgré
le fait que ce formalisme offre la possibilité de modéliser des pertes, il ne permet pas leur vi-
sualisation [1]. Et notons aussi que la REM représente seulement les couplages qui seront utiles
pour la commande du système concerné. Les couplages non représentés sont intégrés dans les
éléments d’accumulation [2].
Nous reprenons le système étudié précédemment dans le but de comparer les différents for-
malismes. Pour représenter la REM du moteur à courant continu, il suffit de traduire l’ensemble
de ses équations mathématiques (déjà mentionnées dans le tableau I.2) qui le caractérisent en
des éléments graphiques (Fig. I.12).
F IGURE I.12 : Représentation REM de l’exemple du moteur à courant continu.
L’élément source dans la REM est un élément terminal qui peut être générateur et/ou récep-
teur d’énergie. Il possède une seule entrée et une seule sortie dont le produit est une puissance
instantanée échangée avec l’élément alimenté. Cet élément est représenté par un ovale vert et
il est usuel de marquer le nom de la source à l’intérieur de l’ovale. Les deux éléments sources
représentés dans l’exemple sont : une source électrique modélisant un générateur de tension
(notée SE) et une source mécanique décrivant un couple résistant (notée SM).
Un élément d’accumulation symbolise un système qui emmagasine de l’énergie. Il induit au
moins une variable d’état et il est représenté par un rectangle orange avec une barre. Comme
le formalisme GIC, les éléments d’accumulation sont définis par une causalité intégrale (leurs
sorties sont des fonctions intégrales des entrées). Les éléments qui leurs seront interconnec-
tés doivent respecter l’orientation causale imposée. Nous remarquons que les deux éléments
d’accumulation présentés dans l’exemple ne font pas apparaitre de manière explicite les pertes
représentées par la résistance Rind (relations R2) et le frottement fr (relation R6).
Pour convertir l’énergie, il existe des éléments de conversion monophysique (représentés
par un carré orange) et multiphysique (représentés par un rond orange). La conversion se fait
(avec ou sans perte) sans accumulation d’énergie et les équations qui régissent l’élément de
conversion sont donc atemporelles (relations R4 et R5). Les entrées et sorties de l’élément de
conversion peuvent être déduites à partir de celles des éléments d’accumulation ou sources.
Concernant la quatrième famille d’éléments de la REM, l’élément de couplage permet de
faire à la fois la conversion et la répartition de l’énergie. Il est donc composé de plusieurs
éléments de conversion et représenté par des carrés imbriqués (couplage monophysique) et
des ronds imbriqués (couplage multiphysique), de couleurs orange. Comme pour l’élément de
conversion, les entreés et les sorties de l’élément de couplage ne peuvent être définies qu’après
connexion des autres éléments du système imposant la causalité. L’élément de couplage ne
figure pas dans l’exemple d’étude. Pour plus d’informations, le lecteur pourra se référer à [49].
En cas de conflits d’association des éléments, il existe également des règles de permutation et
de concaténation pour établir la REM d’un système en respectant la causalité intégrale [42].
2.2.5 Comparaison de formalismes
Le Bond graph apparait comme le formalisme historique de représentation des systèmes

multi-physiques. Ainsi, de nombreux formalismes en sont inspirés plus ou moins directement
[1]. Mais chacun des formalismes étudiés a été développé pour un objectif précis présentant
ainsi des caractéristiques bien particulières. Le Bond Graph permet grâce une démarche struc-
turelle de détailler la topologie d’un système dans un objectif d’analyse. Tandis que le GIC et
la REM mettent en avant les fonctions caractérisant chaque élément du système afin de déduire
une structure de commande.
Le Bond Graph est un outil permettant de formaliser un système par une représentation
énergétique structurée en intégrant tous ses éléments. Cela permet d’identifier rapidement les
échanges d’énergie, la nature de chaque élément et les éléments qui lui sont connectés. Cepen-
dant, ce choix implique une certaine perte de lisibilité à cause de la densité du schéma dans le
cas d’un système complexe. Contrairement au Bond Graph, le GIC et la REM permettent une
représentation fonctionnelle du système en ayant la possibilité de ne pas faire apparaitre de ma-
nière explicite les pertes. Certes, cela permettra d’avoir une meilleure lisibilité du graphe mais
avec une absence de l’affichage des relations entre les variables décrivant le système.
En GIC comme en REM, les entrées et sorties de chaque élément sont définies exclusive-
ment selon une causalité intégrale. En Bond Graph, la causalité intégrale est préférentielle. En
effet, le choix d’une causalité dérivée se traduit par des équations différentielles algébriques
(DAEs) qui requièrent l’utilisation d’un solveur de résolution mathématique spécifique (mé-
thodes d’intégration implicites). Par contre, un système représenté uniquement avec une causa-
lité intégrale conduit à un ensemble d’équations différentielles ordinaires (ODEs). La causalité
intégrale en Bond Graph est donc privilégiée plus par le souci de réduire le temps de simulation
plus que par le souci de respecter la physique des éléments interconnectés [2].
Le tableau I.3 résume les différentes caractéristiques des formalismes de modélisation multi-
physiques étudiés.
TABLE I.3 : Caractéristiques des différents formalismes de modélisation [1–3].

Formalisme Bond Graph GIC REM
Objectif Analyse Commande Commande

Causalité Intégrale,Dérivée Intégrale Intégrale
Philosophie Structurelle Fonctionnelle Fonctionnelle
Énergétique Oui Non Oui
Modulaire Oui Oui Oui
Modélisation multi-physique ++ + +
Orientation de la puissance Visible Non visible Non visible
Modèle mathématique Direct Non direct Non direct
2.2.6 Critères de choix
Différents formalismes de modélisation multi-physique ont été présentés précédemment afin

de faire ressortir celui qui sera le plus adapté pour la modélisation et l’analyse des systèmes
complexes. Nous avons montré à travers une comparaison selon plusieurs critères, les qualités
et les défauts de chacun de ces formalismes. Aux vues de ces résultats, nous avons choisi de
travailler avec le Bond Graph pour représenter les systèmes mutli-physiques complexes.
Notre choix se justifie tout d’abord par le fait que c’est un outil de conception permettant
la traduction d’une démarche structurelle en une représentation graphique, avec pour finalité
l’analyse du système. Aussi, une des forces du Bond Graph est qu’il permet de contourner les
conflits d’association des éléments par l’utilisation de la causalité dérivée et offre des règles
systématiques pour déterminer le graphe d’un système, même sans en comprendre toute la
physique [1].
De plus, le bond graph se démarque nettement en adoptant une représentation acausale mais
qui peut devenir causale lors de sa résolution par un logiciel [31]. Ce dernier point nous parait
intéressant car l’utilisateur se limitera à décrire uniquement les phénomènes pris en compte
dans le système et la manière dont ceux-ci sont interconnectés. Ainsi, nous aurons la possibilité
de décrire la structure d’un modèle sans imposer un ordre de cause à effet dans ses relations
mathématiques. L’algorithme de résolution (affectations des causalités intégrales et dérivées)
sera alors défini par le logiciel.
2.3 Outils de modélisation multi-domaines

La conception d’un système multi-physique passe par la résolution de plusieurs problèmes
d’ingénierie et ce à travers une description abstraite de la réalité physique. Ainsi, des modèles
sont établis pour traduire le comportement des différents éléments du système. Ces modèles
peuvent se codifier dans un langage de modélisation afin de simuler et interpréter le fonctionne-
ment du système global. Parmi ces langages de modélisation, on distingue essentiellement deux
catégories à savoir les langages orientés signal et les langages orientés équation.
2.3.1 Langages de modélisation orientés signal
Le langage de modélisation orienté signal (appelé aussi orienté bloc), est un langage lar-
gement utilisé dans l’industrie ainsi que dans l’enseignement des sciences de l’ingénieur. Le
système est décrit par un bloc en termes de quantités connues et de quantités inconnues [50].
Chaque bloc est caractérisé par des ports d’entrées et des ports de sorties. Les liens entre les
blocs transportent une seule information unidirectionnelle et ne peuvent donc traduire que de
façon incomplète les transferts d’énergie dans un système [51]. Cela signifie que les modèles
sont exprimés par des interconnexions de sous-modèles constituant la forme d’état suivante :
(
ẋ = f (t, x, ue )
(I.8)
y = g(t, x, ue )
avec ue le vecteur des signaux d’entrée, y le vecteur des signaux de sortie et x le vecteur de
l’état.
Cette approche de modélisation permet alors de représenter des modèles sous la forme d’un
système de ODEs. Souvent des efforts considérables en termes d’analyse et de transformations
analytiques sont demandés pour obtenir un modèle d’équations sous cette forme [29]. Parmi ces
langages orientés signal, nous pouvons citer par exemple le logiciel Simulink de MathWorks.
MATLAB/Simulink
Simulink est un logiciel de modélisation multiphysique intégré à MATLAB et édité par
l’entreprise américaine The MathWorks. C’est une boite à outils utilisant la plateforme de
MATLAB et permettant la modélisation et la simulation des systèmes dynamiques. Il fournit
un environnement graphique et un ensemble de bibliothèques contenant des blocs de modéli-
sation qui permettent la conception, le contrôle, l’implémentation et la simulation de systèmes
multi-domaines.
La modélisation d’une DAE sous Simulink dépend essentiellement de la forme de l’équa-
tion. Dans le cas d’une DAE sous une forme « semi-explicite », sa modélisation sous Simulink
est possible puisqu’elle est composée d’une ODE (Équation différentielle ordinaire) et d’une
contrainte algébrique. Mais dans ce cas, nous aurons un problème de simulation indiquant la
présence d’une boucle algébrique. En général, les boucles algébriques peuvent se produire lors
de la modélisation des systèmes physiques, souvent en raison des lois de conservation comme
par exemple la conservation de la masse et de l’énergie. Dans la plupart des cas, nous pouvons
éliminer les boucles algébriques par l’utilisation d’un délai à l’aide du bloc « Unit Delay » ou
d’un intégrateur. Cependant cette technique peut ralentir la simulation dans le cas d’un système
complexe [52].
Pour illustrer cela, nous présentons ci-dessous (Fig. I.13) un exemple de DAE semi-explicite
implémentée sous Simulink :
ẋ = xa (I.9)
0 = −x + ue − 2 xa (I.10)
F IGURE I.13 : Exemple d’une DAE modélisée sous Simulink.
En simulant ce modèle sous Simulink, le compilateur détecte la présence d’une boucle algé-
brique à cause de la contrainte algébrique. Les solveurs numériques sous Simulink ne permettent
pas de résoudre directement des DAEs et appelle une routine de résolution de boucle algébrique
à chaque pas de temps avant de calculer la sortie. Si le solveur ne converge pas vers une so-
lution, il est alors possible de contourner ce problème en utilisant les techniques mentionnées
précédemment pour éliminer la boucle algébrique [53].

L’exemple précédent peut être converti en une ODE par des simples manipulations mathé-
matiques permettant d’obtenir l’équation (I.11). Cela permettra d’éliminer la boucle algébrique
et le modèle implémenté sera celui qui est représenté par la Figure I.14.
2 ẋ + x − ue = 0 (I.11)
F IGURE I.14 : Représentation de la DAE transformée en ODE sous Simulink.
Nous remarquons qu’avec un outil de modélisation causal un modèle mathématique peut

être représenté sous plusieurs formes. Le concepteur est contraint de formuler un modèle pour
une problématique donnée et qui s’adapte aux contraintes imposées par l’outil.
Dans le cas d’une DAE « implicite », vu que la plus haute dérivée ẋ de l’équation (I.4) ne
peut pas être exprimée en fonction des autres termes (une relation algébrique entre t, x et ẋ), il
est difficile de modéliser ce type d’équation sur Simulink. Pour cela, pour pouvoir implémenter
une telle équation sous Simulink il faudra la transformer en DAE semi-explicite et puis en ODE
par une réduction d’indice si son indice est supérieur à 1 [52].
2.3.2 Langages de modélisation orientés équation
Le langage de modélisation orienté équation, comme son nom l’indique, est basé sur une
description mathématique non orientée (acausale). Il permet une représentation unifiée d’un
système en le décrivant par un ensemble d’équations différentielles et algébriques qui est la
structure mathématique naturelle pour les modèles à temps continu [29].
Des logiciels de simulation multi-physique ont été développés pour répondre aux différents
besoins présentés. Parmi ces langages nous pouvons citer Modelica et Simscape. Nous ferons
donc une brève description de chacun et des possibilités qu’ils offrent pour la modélisation des
systèmes multi-domaines.
Modelica
Modelica est un langage qui a été développé par l’association à but non lucratif "Modelica
Association" en 1997 à Linköping en Suède [29]. Il est basé sur un langage de modélisation
multi-physique et orienté objet des systèmes dynamiques complexes. Il permet une description
hiérarchisée et acausale du système.
Modelica décrit un système sous la forme d’un ensemble d’équations différentielles algé-
briques. Le simulateur associé permet de résoudre directement et simultanément des DAEs im-
plicite d’indice 0 et 1 à l’aide de solveurs très performants et adaptés à ce type d’équation. Parmi
ces solveurs, nous pouvons citer DASSL (Differential Algebraic System Solver) [54]. Pour les
DAEs d’indices supérieurs (supérieur à 1), des algorithmes sophistiqués dans Modelica sont
capables de résoudre ces problèmes efficacement [55].
Contrairement aux langages orientés signal, les liens entre les éléments dans Modelica trans-
portent deux informations dont le produit est un flux d’énergie (même principe que la modélisa-
tion par flux d’énergie 2.2.1). Il permet d’obtenir une modélisation plus naturelle de la structure
du système et des échanges énergétiques entre les composants. De plus, Modelica est basé sur
la programmation orientée objet [56] utilisant un concept de classe générique avec une structure
hiérarchique qui favorise la réutilisation et le développement des modèles (Fig. I.15).
F IGURE I.15 : Approche modulaire et orientée objet de la modélisation sous Modelica [5].
Plusieurs logiciels supportant le langage Modelica sont déjà disponibles en open source
(produit avec code source ouvert) ou proposés sous forme de produits commercialisés :
• OpenModelica Project [57] : outil gratuit développé par l’Université Linköping

• Dymola [58] : outil commercial développé par Dynasim et racheté par Dassault Systèmes
• MathModelica [59] : outil commercial développé par MathCore
• MOSILAB [60] : outil commercial développé par Fraunhofer-Gesellschaft
Simscape
Simscape est un langage de modélisation multi-physique et orienté objet qui repose sur le
langage de programmation Matlab. C’est une extension logicielle de Matlab/Simulink permet-
tant de fournir une bibliothèque d’outils pour la modélisation de systèmes multi-domaines.
Simscape offre également la possibilité de construire une bibliothèque de composants per-
sonnalisés définis par des connexions physiques (variables flux et effort) et gérés par un en-
semble de paramètres fixés par le concepteur. Vu que Simscape ne couvre pas tous les domaines
physiques, il est possible de créer un nouveau domaine physique et de lui associer des compo-
sants.
L’apport de Simscape par rapport à Simulink est que les équations des composants peuvent
être représentées comme des DAE implicites et acausales [61]. Des solveurs numériques ont été
développés et adaptés à Simscape. Ils sont destinés à résoudre des problèmes multi-physiques
qui sont généralement de type raide (stiff) et représentés par des DAEs [62].
Les composants Simscape sont définis par une description textuelle qui est facile à lire, à
interpréter et à modifier. La Figure I.16 représente un supercondensateur avec pertes implémenté
en langage Simscape. La première ligne du fichier indique le nom du composant suivi par la
définition des ports physiques (lignes 5 et 6) indiquant le domaine physique choisi pour les
ports p et n (appel à la classe electrical en utilisant f oundation.electrical.electrical). Chacun
de ces ports transmet un effort et un flux qui sont définis à la ligne 24 et 25 en choisissant le
courant i comme flux et la tension v comme effort. Les lignes 8 à 14 servent à déclarer les
paramètres du modèle. Vient ensuite la déclaration des variables à partir de la ligne 15 à 19.
La dernière section, soit des lignes 28 à 31, sert à implémenter les équations. Notons que les
équations dans un modèle Simscape sont représentées par une égalité "==" et non pas par une
affectation. Ainsi les relations de cette section sont évaluées simultanément à chaque pas de
temps lors d’une simulation numérique [62].
Grâce à l’outil Simscape les modèles développés peuvent être convertis en code C ce qui
permet de les exécuter en temps réel et de réaliser des tests hardware-in-the-loop (HIL) ou dans
le but de les intégrer dans d’autres environnements de simulation.
F IGURE I.16 : Modélisation d’un composant personnalisé sous Simscape [6].

Pour mettre en évidence les difficultés liées à l’implémentation d’un modèle multi-physique
décrit par une DAE implicite dans un environnement de simulation (causal et acausal), un
exemple d’illustration sera présenté dans la section suivante. De plus, un éclaircissement est
apporté concernant le choix du solveur de l’outil de simulation.
2.3.3 Exemple d’implémentation d’un modèle multi-physique complexe
Les algorithmes de résolution des équations différentielles ont été développés dans le but de
résoudre numériquement et de manière approchée les problèmes à valeur initiale de type ODE,
souvent difficiles ou impossibles à résoudre de façon analytique, et qui sont de la forme :
dx
= f (x(t),t), x(t0 ) = x0 (I.12)
dt
Ces méthodes de résolution numérique, appelées aussi solveurs numériques, peuvent éga-
lement être utilisées pour résoudre des DAEs d’indice réduit. En général, plus l’indice d’une
DAE est élevé, plus sa résolution par un solveur numérique est difficile.
Les équations différentielles algébriques (DAEs) apparaissent très souvent dans la modéli-
sation des systèmes physiques. L’implémentation de ce type d’équation différentielle dans un
outil de simulation présente plusieurs problématiques, notamment quand il s’agit d’une DAE
implicite.
f (ẋ(t), x(t),t) = 0 (I.13)
Prenons l’exemple d’un modèle électrique simple d’un supercondensateur décrit par un cir-
cuit RC avec une résistance parallèle (Fig. I.17) et soumis à un profil de puissance Psc = usc isc
modélisant un cycle de fonctionnement donné (charge/décharge) 1 .
isc
ic ip
Rs
usc Rp
uc Csc
F IGURE I.17 : Modèle électrique d’un supercondensateur.
L’association des équations différentielles (I.14) et (I.15) décrivant le comportement du cir-

cuit conduit à l’équation (I.16) impliquant une variable d’état uc et un ensemble de paramètres.
duc usc
isc = Csc + (I.14)
dt Rp
duc
usc = Rs .Csc + uc (I.15)
dt

R2s 2 duc 2 2Rs duc u2c
Psc = Rs + Csc + 1+ Csc .uc + (I.16)
Rp dt Rp dt Rp
Ce modèle sera alors implémenté en utilisant deux approches de modélisation différentes.
En effet, l’objectif de cette section est de mettre en évidence les difficultés d’implémentation de
ce type d’équation (I.16) notamment dans un environnement de simulation causal.
Implémentation dans un environnement de simulation causal
Pour implémenter le modèle décrit précédemment dans un outil de modélisation causal

(exemple Matlab/Simulink), il faudra exprimer la plus haute dérivée en fonction des autres
termes. Dans l’équation (I.16), nous remarquons qu’il existe une relation algébrique entre le
terme de dérivée d’ordre 1 et les termes restants. Nous pouvons conclure que l’équation poly-
nomiale (I.16) est une ODE contenant une contrainte algébrique implicite. En d’autres termes
il s’agit d’une DAE sous une forme implicite.
L’implantation de ce modèle dans un outil de simulation causal parait difficile avec ce type
1. Il est à noter que cette approche consistant à imposer la puissance plutôt qu’un courant ou une tension est liée
au degré de granularité du modèle implémentée. Elle permet en effet de s’affranchir, pour cet exemple particulier,
du convertisseur de puissance et de sa commande rapprochée. Ainsi, la réduction du problème physique réel initial
se paye par une plus grande difficulté de résolution numérique.
d’équation. Pour faire face à cette difficulté, nous avons pu contourner ce problème en faisant
une sélection de la bonne racine de ( du c 2
dt ) en fonction du cas traité (charge ou décharge du
supercondensateur) qui dépendra du signe de la puissance imposée (Fig. I.18).
∆ = (K22 − 4 K1 K3 ) u2c + 4 K1 Psc (I.17)
√
d uc −K2 uc ± ∆
= (I.18)
dt 2 K1
2
avec K1 = (Rs + RRsp ).Csc 2 , K2 = (1 + 2.R
R p ).Csc et K3 =
s 1
Rp .
F IGURE I.18 : Implémentation du modèle électrique sur Matlab/Simulink.
Avec une réécriture du modèle précédent et la prise en compte d’une valeur initiale de la
variable d’état, le problème de la boucle algébrique ne se pose plus. Néanmoins, pour des équa-
tions plus complexes et notamment les DAEs d’indices supérieurs, l’implémentation du modèle
demande un travail supplémentaire. Par conséquent, l’adaptation de la DAE implicite pour une
implémentation dans un outil causal n’est pas toujours évidente à mettre en oeuvre.
A travers cet exemple nous pouvons conclure que la solution présentée précédemment ne
peut pas être généralisée sur d’autres exemples d’implémentation de DAE dans ce type d’envi-
ronnement causal.
Implémentation dans un environnement de simulation acausal
La modélisation acausale présente l’avantage de supprimer la nécessité d’affecter un lien de

cause à effet entre les entrées et les sorties d’un modèle. Du point de vue mathématique, cela
consiste à implémenter un ensemble d’équations implicites non ordonnées où les entrées et les
sorties ne sont pas précisées. La principale innovation apportée est que l’outil de simulation se
charge de l’affectation de causalité avant de résoudre le problème. Par conséquent, l’utilisateur
n’aura plus besoin de transformer une DAE implicite en une autre semi-explicite ou de réduire
son indice pour pouvoir la résoudre.
Nous avons implémenté le modèle présenté dans la section précédente en utilisant l’outil
acausal Simscape de Matlab (Fig. I.19). Le profil de puissance Psc à l’entrée du modèle est
obtenu à l’aide d’un composant Simscape permettant de générer des séquences répétitives de
cycles.
F IGURE I.19 : Implémentation du modèle électrique sur Matlab/Simscape.
Lors de la simulation, après définition des conditions initiales et validation du modèle,

Simscape regroupe toutes les équations différentielles en se basant sur les ports de connexion
physique des composants (les variables de flux et d’effort) et construit automatiquement les
équations différentielles et algébriques caractérisant le fonctionnement du modèle. Toutes les
équations qui composent le système sont acausales et définies par des égalités et non pas par
des affectations (une entrée et une sortie) ce qui favorise la réutilisation des composants dans
d’autres applications et réduit ainsi le temps de développement.
Contrairement à Simulink, le problème de présence d’une boucle algébrique dans le mo-

dèle électrique n’existe plus. Simscape résout directement les DAEs et simultanément avec les
composants des différents domaines physiques en évitant les problèmes de boucles algébriques.
Des solveurs numériques ont été développés et adaptés à Simscape. Ils sont destinés à résoudre
des problèmes multi-physiques qui sont généralement de type raide (stiff) et représentés par
des DAEs. Parmi ces solveurs, il existe ode15s et ode23t pour la résolution des équations diffé-
rentielles raides et des DAEs, et ode23s et ode23tb qui se limitent aux équations différentielles
raides.
2.3.4 Critères de choix
Les langages de modélisation orientés équation semblent plus intéressants pour des raisons
diverses. Par rapport aux langages orientés signal, ils permettent une description unifiée d’un
système grâce à l’approche de modélisation acausale. Toutes les équations qui composent le
système sont définies par des égalités et non par des affectations ce qui favorise la réutilisation
des composants dans d’autres applications et réduit ainsi le temps de développement.
En utilisant Simscape et Modelica, la description du fonctionnement d’un système par des

équations différentielles ne présuppose pas une linéarisation de son comportement comme c’est
le cas lorsque l’on a recours aux transformées de Laplace et aux équations d’état. Ce choix évite
donc de se limiter aux systèmes physiques décrits par des systèmes linéaires et présente aussi
l’avantage de créer des modèles plus conformes à la réalité.
D’après cette étude des langages et leur comparaison, il ressort que le langage Simscape
(multi-domaine, orienté objet et acausal) apparait le mieux adapté à résoudre la problématique
de la conception des systèmes multi-physiques complexes. Vu que les différentes approches de
MATLAB (Script, Simulink et Simscape) n’étant pas mutuellement exclusives, il est possible
de les combiner afin de tirer profit des avantages de chaque représentation pour faciliter la
mise au point de modèles complexes. En effet, cela permet d’utiliser la programmation Matlab
à travers le Script, d’un côté, pour analyser les valeurs des paramètres, exécuter des calculs
préliminaires et initialiser les variables système et, d’un autre côté, pour paramétrer un modèle,
automatiser les tests de simulation, analyser les données de sortie et optimiser les performances
du système [63]. L’utilisation de la bibliothèque de composants de Simulink et Simscape et
l’interconnexion des éléments des deux outils reste également un grand avantage par rapport
aux autres logiciels de simulation multi-physique.
3 Stratégies et méthodes de simulation multi-échelles de temps
La description de tous les phénomènes physiques dans un système complexe fait apparaitre
des échelles de temps très variées. La difficulté pour simuler de tels problèmes réside dans
le fait que les sous-modèles sont couplés et dépendent les uns des autres avec des constantes
de temps éloignées et donc pénalisantes pour le temps de calcul. La résolution d’un problème
d’optimisation devient alors inabordable avec les techniques de simulation classiques ce qui
a conduit au développement de nouvelles stratégies de calcul mettant en oeuvre une véritable
interaction entre les différentes échelles temporelles.
Dans ce contexte, nous allons commencer par définir le concept de raideur, lié à la résolution
des systèmes multi-physiques et multi-échelles de temps. Nous proposons ensuite un état de
l’art sur les méthodes et les stratégies de simulation multi-échelles existantes et nous finissons
par l’établissement d’un bilan définissant les outils de travail choisis, l’adaptation de ces outils
à notre problématique est l’enjeu des chapitres suivants.
3. STRATÉGIES ET MÉTHODES DE SIMULATION MULTI-ÉCHELLES DE TEMPS 51
3.1 Systèmes raides
3.1.1 Définitions d’un système raide
La raideur est un concept important dans la résolution des équations différentielles. Il dépend
essentiellement du type de l’équation différentielle mais également de la méthode de résolution
numérique et des conditions initiales [64]. Cependant, il n’existe pas une définition unique de
la raideur.
D’un point de vue mathématique, selon [64], un problème est raide si la solution recherchée
varie lentement, mais il existe des solutions à proximité qui varient rapidement, de sorte que
la méthode numérique doit prendre des petits pas de temps pour obtenir des résultats satisfai-
sants. Curtiss et Hirschfelder ont caractérisé les équations raides comme des problèmes où les
méthodes de résolution implicites fonctionnent extrêmement mieux qu’avec les méthodes ex-
plicites (problèmes de stabilité et d’efficacité) [65, 66]. Selon Ascher et Petzold, un problème à
valeur initiale est dit raide dans un intervalle [0,b] si le pas de temps nécessaire pour maintenir la
stabilité de la méthode d’Euler explicite est beaucoup plus petit que le pas de temps requis pour
représenter précisément la solution [67]. D’une manière générale, les scientifiques ont souvent
défini la raideur en termes de multiples échelles de temps présentes dans un système et repré-
sentant des phénomènes physiques variés. Le terme "raideur" est largement utilisé notamment
en parlant d’une modélisation multi-physique.
3.1.2 Exemples et caractéristiques d’un système raide
Comme il a été mentionné précédemment, la raideur se produit notamment quand un sys-

tème a des composants avec différentes vitesses de variation en fonction de la variable indépen-
dante t. Très souvent, pour résoudre un système raide il existe un compromis entre l’utilisation
des méthodes explicites qui nécessitent peu de travail par pas d’intégration et des méthodes
implicites qui tolèrent des pas d’intégration plus importants mais qui demandent beaucoup plus
de travail pour chaque pas [19]. Le choix de la méthode d’intégration, de son ordre et du pas
d’intégration dépend du degré de raideur des équations pour maintenir la stabilité de la solution.
Plus la raideur devient forte, plus les algorithmes de résolution deviennent inefficaces [68].
Un exemple typique d’une équation différentielle raide est apparu dans des calculs de ré-
actions chimiques où l’on peut trouver des réactions globalement lentes résultant d’une com-
binaison de réactions extrêmement rapides. En 1952, Curtiss et Hirschfelder, deux chimistes,
s’inspirent de ces phénomènes et proposent le modèle d’équations raides de la forme :
ẏ = −ky (y − Φy (t)) (I.19)
où Φy (t) est une fonction donnée et ky est une constante positive de grande taille. Pour notre
exemple, nous proposons Φy (t) = cos(t) et ky = 50 avec une condition initiale y(0) = 0.15.
La constante ky mesure la vitesse avec laquelle les solutions voisines se rapprochent vers une
solution lente proche de la fonction Φy (t). La solution décrit une trajectoire de la forme de e−50t
avant de rejoindre ce cosinus :
ẏ = −50(y − cos(t)) (I.20)
Nous appliquons à cet exemple une méthode d’Euler explicite avec un pas de temps h fixe
(h = 0.1), et nous constatons que la méthode diverge et que la solution explose très rapidement.
Nous remarquons alors que la raideur de ce problème provient de la constante ky qui tend à
éloigner y de la solution en suivant la trajectoire exponentielle (fortes oscillations autour de la
solution). Pour maintenir la stabilité de la méthode, un pas de temps plus petit (h = 1.95/50)
est appliqué permettant d’obtenir le résultat illustré par la Figure I.20 (gauche).
Ensuite, une méthode d’Euler implicite est appliquée avec un pas de temps h fixe (h = 0.5)
plus important que celui utilisé avec la méthode explicite. Le résultat obtenu (Fig. I.20) montre
que la méthode d’Euler implicite est plus stable et converge mieux vers la solution.
F IGURE I.20 : Solutions de l’équation I.20 avec la méthode d’Euler explicite et implicite [7].
Un autre exemple de système raide connu sous le nom de "l’oscillateur de Van der Pol" est
décrit par l’équation différentielle I.21. Cette équation fait intervenir un paramètre µ indiquant
la non-linéarité et le taux de l’amortissement.
ẍ − µ(1 − x2 )ẋ + x = 0 (I.21)
Une autre forme plus utilisée de l’équation de Van der Pol basée sur la transformation y = ẋ
conduit au système suivant :
ẋ = y (I.22)
ẏ = µ(1 − x2 )y − x (I.23)
Nous appliquons un intégrateur numérique basé sur la méthode de Runge-Kutta à pas va-
riable (ode45 de MATLAB) pour résoudre ce problème. Nous varions la valeur de µ et nous
remarquons que plus on augmente sa valeur, plus la période des oscillations augmente. À
µ = 1000, la solution change brutalement et prend des valeurs extrêmes avec des périodes d’os-
cillation très larges. On dit alors que le problème est numériquement raide.
En effet, l’intégrateur va devoir trouver ces valeurs extrêmes pour un pas de temps qui va
devenir infiniment petit. Pour cette valeur de µ le solveur ode45 de Matlab devient inefficace et
incapable de résoudre ce problème. Il faut alors utiliser un solveur plus adapté aux problèmes
raides, tel que par exemple : ode15s. Nous appliquons ce solveur pour résoudre le problème de
Van der Pol pour les valeurs initiales (x = 0.2 et y = 0) et nous obtenons les résultats présentés
par la Figure I.21.
F IGURE I.21 : Solution du problème de Van der Pol en utilisant le solveur ode15s.
3.2 Méthodes de simulation multi-échelles de temps existantes

Les aspects multi-échelles en temps ont fait l’objet de beaucoup de travaux de recherche. Les
méthodes de simulation développées dépendent essentiellement de la nature du couplage entre
les différents modèles d’un système multi-dynamique. Dans la littérature, nous distinguons deux
catégories de couplages de modèles : les couplages fort et faible. La première catégorie de
couplage consiste à résoudre les différents sous-modèles d’un système comme un ensemble
monolithique d’équations simulées dans un même environnement. La difficulté de simuler des
modèles fortement couplés réside dans le fait que les modèles sont dépendants les uns des autres
et que la discrétisation temporelle doit être faite selon la plus petite constante de temps. De plus,
la résolution de ce type de problème nécessite de calculer simultanément la solution d’un grand
nombre d’équations linéaires et non linéaires à chaque pas de temps.
Une famille de méthodes à couplage fort qui ont été utilisées pour résoudre des systèmes
multi-échelles est la famille des méthodes d’intégration à pas variable [69, 70]. Le pas d’in-
tégration varie en fonction de la variable d’état la plus rapide du système. Ces méthodes sont
bien adaptées pour la simulation des systèmes dynamiques présentant des variations rapides
mais peu fréquentes. Cependant, elles ne sont plus efficaces pour des systèmes multi-échelles
de temps impliquant des variations rapides maintenues sur une large portion de l’intervalle de
simulation [71].
La deuxième catégorie de couplage, appelée couplage faible, consiste à découpler les sous-
modèles selon les dynamiques et à les résoudre en parallèle en échangeant des informations
durant le processus de simulation. Cette approche permet d’appliquer des discrétisations tem-
porelles adaptées à chacune des dynamiques des sous-modèles. Pour ce faire, des méthodes
multi-échelles en temps ont d’abord été proposées par Gear [72] en 1974. Elles se distinguent
des méthodes d’intégration à pas variable par le fait que les modèles peuvent être découplés et
intégrés individuellement en utilisant des pas de temps différents [71]. Dans la suite du cha-
pitre, nous proposons un état de l’art, non exhaustif, des méthodes et stratégies de simulation
multi-échelles de temps à couplage faible.
3.2.1 Méthode multi-pas en temps (multi-step schemes)
Le principe de la méthode multi-pas en temps consiste à décomposer le système en deux

sous-systèmes lent et rapide. Pour alléger les écritures, sans perte de généralité, nous considé-
rons un modèle d’ordre 2 composé d’une variable rapide et d’une variable lente. Le découplage
du système selon les dynamiques conduit à deux équations différentielles décrivant l’évolution
de chacune des variables d’état :
" # " #
dx d xf f f (x f , xs ,t)
= = (I.24)
dt dt xs fs (xs , x f ,t)
où x est un vecteur contenant deux variables d’état x f et xs représentant les dynamiques rapide
(l’indice f signifiant fast) et lente (l’indice s signifiant slow), respectivement. Cela signifie que
la sortie du modèle rapide à un instant donné sera l’entrée du modèle lent, et inversement. Les
deux sous-systèmes créés échangent des données à des instants bien définis et selon un schéma
de couplage.
Il est également possible de décomposer le système global en plus que deux sous-systèmes
en se basant sur les différentes constantes de temps présentes comme tel est le cas dans [71, 73]
(Fig. I.22).
F IGURE I.22 : Exemple d’un système multi-échelle à trois constantes de temps.
Dans ce cas, les équations différentielles sont alors intégrées en utilisant trois pas d’intégra-
tion différents. Le choix de la taille des pas d’intégration doit être fait de façon à respecter les
conditions de précision et de stabilité de la méthode [71]. La variable la plus rapide y1 (t) est
intégrée avec un pas de temps h1 , la variable y2 (t) est intégrée avec un pas de temps h2 = 2h1
et la variable la plus lente y3 (t) est intégrée à chaque pas de temps h3 = 4h1 . Notons que les
valeurs intermédiaires des variables d’état (représentées par le symbole ⊗ sur la Figure I.22)
doivent être approximées. L’approximation la plus simple peut être une interpolation linéaire
entre les valeurs calculées. Cela permet de diminuer les efforts de calcul et par conséquent de
diminuer le temps de simulation du système global.
Un aspect important dans l’application d’une méthode de simulation multi-échelle de temps
est le partitionnement du système en sous-systèmes lent et rapide selon les dynamiques. Dans
la plupart des cas, les concepteurs utilisent un partitionnement naturel basé sur la physique de
chaque sous-système et la constante de temps qui le caractérise. À titre d’exemple, dans l’ar-
ticle [74], pour la modélisation et la simulation d’un véhicule sous-marin téléguidé en utilisant
une méthode multi-échelle, le système a été découplé en trois sous-systèmes : un composant ra-
pide représentant un convertisseur DC/AC, un composant à constante de temps moyenne conte-
nant un moteur électrique pour la propulsion du véhicule et un composant lent représentant le
déplacement du véhicule et ses éléments de contrôle.
Pour faciliter l’application des méthodes multi-échelles à des cas plus complexes, des stra-
tégies de partitionnement ont été proposées pour des systèmes d’ODEs basées sur des chan-
gements des variables d’état [73]. Dans le cas des systèmes de DAEs, le partitionnement est
plus complexe car les variables algébriques n’ont pas une dynamique inhérente mais peuvent
être considérées comme lentes ou rapides selon le choix du partitionnement considéré. Plu-
sieurs travaux ont été effectués pour répondre à cette problématique [8, 75, 76]. Cependant, une
bonne stratégie de partitionnement pour un système de DAEs n’existe pas. De plus, un mauvais
choix de découplage d’un système peut affecter la précision et le temps de calcul de la méthode
multi-échelle [75].
3.2.2 Simulation multi-méthodes (multi-method schemes)
L’idée principale d’une simulation multi-méthode est de découpler le système en sous-

systèmes rapide et lent dans le but d’associer à chacun une méthode d’intégration. Le sous-
système rapide sera traité par une méthode d’intégration implicite et le sous-système lent par
une méthode d’intégration explicite. Dans certains travaux [76–78], ce découplage est plutôt
considéré comme une décomposition en une partie raide et une partie non-raide d’un système
multi-échelle. L’objectif derrière l’utilisation de deux méthodes d’intégration possédant des ca-
ractéristiques différentes est de pouvoir exploiter les avantages de chacune.
L’intégration implicite nécessite une opération coûteuse par pas de temps en terme d’effort
de calcul, notamment pour les systèmes complexes. De plus, la stabilité peut être assurée même
avec des pas d’intégration très larges ; ce qui n’est pas le cas des méthodes explicites. Dans une
analyse explicite, les efforts de calcul par pas sont faibles mais des petits pas de temps sont
exigés pour des raisons de stabilité de la méthode [67].
En se basant sur le modèle présenté précédemment (Équation I.24), nous appliquons une
méthode d’Euler implicite pour la partie rapide et une méthode d’Euler explicite pour la partie
lente. Le système obtenu s’écrit alors sous la forme suivante :
(
xs (ti+1 ) = xs (ti ) + h. fs (x f (ti ), xs (ti ),ti )
(I.25)
x f (ti+1 ) = x f (ti ) + h. f f (x f (ti+1 ), xs (ti+1 ),ti+1 )
L’algorithme calcule d’abord la variable lente xs (ti+1 ) en utilisant la méthode d’Euler ex-
plicite. Puis, cette valeur sera utilisée pour calculer la variable rapide x f (ti+1 ) en utilisant la
méthode d’Euler implicite.
F IGURE I.23 : Couplage de deux sous-systèmes d’un système multi-échelle de temps [8].
Thiele et Otter [8], proposent une structure de couplage de deux partitions d’un système
multi-échelle qui peut être généralisée à n partitions. Les sous-systèmes 1 et 2 sont résolus en
utilisant deux méthodes d’intégration différentes, ainsi qu’avec différents pas de temps. La sor-
tie du premier sous-système est l’entrée du deuxième, et inversement. La communication entre
les partitions s’effectue à des instants définis t = T0 , T1 , ..., Tk . Les variables u1 et u2 peuvent être
obtenues soit par une interpolation de (y1 n , y1 n+1 ) et de (y2 n , y2 n+1 ), soit par une extrapolation
de y1 n ou de y2 n . Ce processus est similaire à un scénario de co-simulation dans les échanges
de données et la communication entre deux systèmes.
3.2.3 Simulation combinant l’approche multi-pas et multi-méthode
L’outil Modelica offre la possibilité de combiner les deux approches multi-pas (multirate) et
multi-méthodes (multimethod), décrites précédemment, pour la simulation d’un système multi-
échelle de temps [8]. Dans l’exemple basique présenté par la Figure I.24, il s’agit d’un cou-
F IGURE I.24 : Couplage de systèmes multi-échelles en utilisant l’outil Modelica [8].

plage force/déplacement de deux systèmes mécaniques ayant deux constantes de temps rapide
et lente. Le sous-système rapide est résolu par une méthode du trapèze (implicite) tandis que le
sous-système lent est traité par une méthode de Runge et Kutta (explicite). A l’aide du compo-
sant subSample1 de la bibliothèque "MULTIRATE" de Modelica, il est possible de renseigner
manuellement les différentes caractéristiques du couplage de sous-systèmes multi-dynamiques.
Le facteur indiquant le rapport entre les dynamiques peut être déduit automatiquement des pas
d’intégration choisis pour la résolution des modèles.
Pekarek et al [9] ont également appliqué ces deux approches pour la simulation d’un sys-
tème contenant un convertisseur et une machine synchrone triphasée. Ils ont proposé une nou-
velle méthode multi-échelle de temps en adoptant une technique originale de couplage de sous-
systèmes. Un partitionnement basé sur la physique des composants a été présenté admettant que
la dynamique du stator ainsi que celle du convertisseur sont considérées rapides par rapport aux
dynamiques du rotor et de la partie mécanique.
La Figure I.25 présente l’algorithme de la méthode proposée. Cette méthode traite en pre-
mier lieu le sous-système rapide afin de prédire les variables d’état lentes en se basant sur
l’évaluation de leurs dérivées à des pas de communication antérieurs. Ensuite les variables ra-
pides sont moyennées sur tout l’intervalle de communication et le résultat est ensuite transmis
au sous-système lent pour calculer les variables d’état lentes. L’étape suivante consiste à inté-
grer le sous-système lent en utilisant sa propre méthode d’intégration. L’algorithme effectue une
F IGURE I.25 : Algorithme de la méthode multi-échelle de temps proposé par [9].

comparaison entre le résultat provenant de la variable d’état lente "prédite" et celle calculée. Si
la différence entre les deux (Erreur) respecte la tolérance fixée, il passe au pas de communica-
tion suivant. Sinon le pas est réduit.
Les résultats de simulation obtenus à travers cette méthode montre son efficacité et sa robus-
tesse sur plusieurs types d’applications. Pour l’application de la machine+convertisseur, cette
méthode a permis d’obtenir une accélération du temps de simulation de 3.04 par rapport à l’uti-
lisation d’une méthode de Runge-Kutta-Fehlberg à pas fixe et sans avoir une perte considérable
sur la précision. Les pas de temps choisis pour le système rapide est h f = 5 × 10−5 ainsi que
pour le système lent hs = 1 × 10−3 . La méthode a été également testée sur une application plus
complexe qui inclut deux machines synchrones, une machine asynchrone et un compensateur
statique de puissance réactive [9, 73]. Le facteur d’accélération du temps de simulation obtenu
est de 8.49 par rapport à une méthode d’intégration à pas fixe.
3.2.4 Méthode de relaxation des formes d’onde (WRM)
La méthode de relaxation des formes d’onde, appelée en anglais Waveform Relaxation Me-
thod (WRM), a été introduite en 1982 par Ekachai Lelarasmee et al [79] pour la simulation des
circuits VLSI (Very Large Scale Integration), c’est à dire des circuits à densité d’intégration
de très grande échelle (un grand nombre de composants électroniques sur une même puce). En
1990, la méthode a été ensuite étendue pour la simulation des systèmes d’électronique de puis-
sance [80, 81].
Le principe d’une approche de relaxation des formes d’onde est de découpler un système en
sous-systèmes selon les dynamiques dans le but de les résoudre de manière indépendante sur un
intervalle de temps donné. La forme d’onde obtenue comme résultat d’un sous-système servira
de source pour estimer le comportement d’autres sous-systèmes. Des formes d’onde sont alors
échangées entre les différents sous-systèmes. Ce processus est répété jusqu’à un nombre d’ité-
rations donné, ou jusqu’à ce que l’algorithme converge vers une solution [82].
Le principe de la méthode, appliqué à un exemple de couplage de deux sous-systèmes, peut

être illustré par la Figure I.26.
F IGURE I.26 : Principe d’une WRM appliquée à deux sous-systèmes.
La méthode de relaxation des formes d’onde (WRM) a été appliquée à des systèmes for-
mulés avec des DAEs [79–82]. La décomposition d’un système de DAEs en m sous-systèmes
dépendants du temps t, t ∈ [T0 , T f ], conduit à l’écriture suivante :
ẋi = fi (x(t), y(t)), x(T0 ) = x0 (I.26)

0 = gi (x(t), y(t)), y(T0 ) = y0 (I.27)
avec
x(t) = [x1 (t), ..., xi−1 (t), xi (t), xi+1 (t), ..., xm (t)]T
y(t) = [y1 (t), ..., yi−1 (t), yi (t), yi+1 (t), ..., ym (t)]T
où x(t) et y(t) sont deux vecteurs représentant, respectivement, les variables différentielles et
les variables algébriques.
L’algorithme (1) décrit le schéma de relaxation de Gauss-Seidel appliqué à un système de

DAEs. Il s’agit d’une procédure itérative qui effectue une succession d’approximations des
formes d’onde des fonctions x(t) et y(t). Au début, l’algorithme commence par initialiser les
approximations de x̃ 0 (t) et ỹ 0 (t) à l’itération k = 0. À chaque itération k, chaque sous-système
d’indice i ∈ {1, ..., m} est résolu en se basant sur les approximations effectuées à l’itération
précédente x̃ k−1 (t) et ỹ k−1 (t) et des approximations déjà calculées durant l’itération actuelle
[83]. L’algorithme de relaxation s’arrête quand le nombre d’itérations atteint sa limite (k = N),
ou jusqu’à ce que la norme de la différence entre deux formes d’onde successives respecte une
tolérance donnée.
Algorithm 1 Schéma de relaxation de Gauss-Seidel appliqué à un système de DAEs

k←0
Initialiser l’approximation : x̃ 0 (t) = x(T0 ), ∀t ∈ [T0 , T f ]
Initialiser l’approximation : ỹ 0 (t) = y(T0 ), ∀t ∈ [T0 , T f ]
Répéter
k ← k+1
Pour chaque (i ∈ {1, ..., m}) Résoudre
∀t ∈ [T0 , T f ]
x̃˙i k (t) = fi (X̃ik (t), Ỹik (t))
0 = gi (X̃ik (t), Ỹik (t))
avec
k−1
X̃ik (t) = [x̃1k (t), ..., x̃i−1
k
(t), x̃ik (t), x̃i+1 k−1
(t), ..., x̃m (t)]T
Ỹik (t) = [ỹk1 (t), ..., ỹki−1 (t), ỹki (t), ỹk−1 k−1
i+1 (t), ..., ỹm (t)]
T
Fin pour
Jusqu’à (k = N) ou (||x̃k − x̃k−1 || ≤ εx et (||ỹk − ỹk−1 || ≤ εy )
Notons que l’intégration des sous-systèmes peut être effectuée en parallèle vu qu’ils sont ré-
solus d’une manière indépendante. Selon [80], le choix de la décomposition des sous-systèmes
influence considérablement le taux de convergence de la méthode WRM.
En utilisant la WRM, chaque sous-système peut être résolu en utilisant une méthode d’in-
tégration numérique et un pas de temps adaptés à la constante de temps de chacun. Toutefois,
les formes d’onde obtenues doivent être interpolées pour pouvoir les transmettre d’un sous-
système à un autre. Ces interpolations peuvent se faire par différentes techniques. La manière
la plus simple est d’effectuer une interpolation linéaire entre deux points de la discrétisation
temporelle.
Pour illustrer le fonctionnement de la WRM, un exemple d’application classique a été étudié

dans [10]. Il s’agit d’un circuit électrique composé d’un filtre LC suivi par une résistance et
une inductance. Le circuit a pour entrée une tension découpée de type MLI (fréquence de la
modulante de 50 Hz et fréquence porteuse de 2 kHz). Le système a été résolu en premier lieu
avec une méthode à couplage fort (pas de séparation des échelles de temps). Ensuite, le système
a été décomposé en deux sous-systèmes (Fig. I.27) et un schéma de relaxation de type Gauss-
Seidel a été appliqué. Les formes d’onde échangées entre les deux sous-systèmes sont la tension
vC et le courant iR . Le circuit de gauche (circuit LC) a été simulé avec un pas de discrétisation
adapté à la fréquence de découpage (2 × 10−7 ), et le circuit de droite (circuit RL) avec un pas
de temps 500 fois plus large.
F IGURE I.27 : Exemple d’application de la WRM sur un circuit électrique [10].

L’algorithme de relaxation des formes d’onde appliqué converge au bout de 6 itérations
permettant d’obtenir une erreur maximale de 1.23% sur le résultat final par rapport à une simu-
lation complète. L’intérêt majeur de l’utilisation de cette méthode pour des problèmes pouvant
tolérer un couplage faible des modèles est qu’elle permet de réduire considérablement le temps
de simulation (un facteur de réduction du temps de calcul de 120 obtenu dans cet exemple [10]).
3.2.5 La co-simulation
La structure d’un système complexe et multi-physique peut être organisée sous une forme
modulaire et développée séparément sur des outils de simulation mono-physiques différents,
notamment pour des applications industrielles. Le besoin de traiter des sous-systèmes d’une
manière individuelle est justifié par le fait que des compétences techniques et des outils spéci-
fiques sont nécessaires pour obtenir des modèles plus conformes à la réalité. La co-simulation
est une approche qui permet d’assurer le couplage d’un ensemble de modèles simulés dans des
environnements de simulation différents [84]. Celle-ci nécessite la gestion d’une horloge de
communication entre les différents sous-systèmes, ce qui permet un échange synchronisé des
données. Le couplage de simulateurs (co-simulation) est utilisé dans divers domaines d’applica-
tion comme l’ingénierie automobile [85], la simulation électro-thermique [86, 87], les réseaux
électriques intelligents "Smart Grid" [88], la mécanique [89], la simulation temps-réel [90]...
Dans une co-simulation, l’échange des résultats intermédiaires entre les outils durant la
simulation est limité à des points discrets de communication. Entre les points de communication
les sous-systèmes sont résolus indépendamment (Fig. I.28). Cela permet d’utiliser des méthodes
d’intégration différentes avec des pas de temps adaptés à la dynamique de chaque sous-système.
Le couplage de différents solveurs dans un environnement de co-simulation implique des
erreurs dues à l’approximation des variables d’état échangées entre les points de communica-
tion. [91] propose des techniques d’analyse et d’estimation de ces erreurs. Pour les minimiser,
il présente également une méthode d’adaptation automatique du pas de communication basée
sur le principe d’une méthode d’intégration à pas variable.
F IGURE I.28 : Structure d’un environnement de co-simulation avec une synchronisation pério-
dique entre les outils.
3.3 Bilan
Un état de l’art des systèmes raides et des méthodes de simulation des systèmes multi-
échelles de temps a été présenté. Nous avons examiné des techniques de simulation nécessitant
le découplage du système en sous-systèmes selon les constantes de temps présentes, ainsi que
d’autres qui traitent le problème comme un ensemble monolithique d’équations. Ainsi, cela a
permis de définir et de comprendre les notions de couplage fort et faible des modèles.
Les méthodes d’intégration à pas variables, utilisant un couplage fort des modèles, sont
d’une efficacité limitée dans le cas où les variations rapides sont maintenues sur une large por-
tion de l’intervalle de simulation. Le temps de simulation sera ainsi pénalisé par la dynamique
la plus rapide.
La combinaison de l’approche multi-pas et multi-méthode a démontré son efficacité pour

des systèmes de natures différentes avec un facteur d’accélération du temps de simulation qui
peut atteindre 8.49 par rapport à une méthode à pas fixe [9]. Mais cela reste insuffisant pour
lancer un algorithme d’optimisation et obtenir des résultats en un temps raisonnable.
La co-simulation et la WRM permettent la parallélisation du calcul puisque les sous-systèmes

sont découplés et résolus séparément. Le calcul parallèle peut s’effectuer sur plusieurs proces-
seurs et par conséquent permet de réduire le temps de simulation du système global. Concernant
la co-simulation, le facteur d’accélération du temps de simulation peut être proche de celui ob-
tenu par la combinaison de l’approche multi-pas et multi-méthode car ils partagent les mêmes
principes. La seule différence est que la co-simulation traite chaque sous-système dans l’envi-
ronnement de simulation le plus approprié.
La WRM est une méthode itérative qui se démarque par des échanges de formes d’onde
entre les sous-systèmes. Elle permet de réduire les erreurs d’approximations dues à des pas de
discrétisations différents. Le taux de convergence de la méthode est considérablement influencé
par le choix de la décomposition du système. Selon [92], cette méthode permet d’obtenir des
résultats intéressants mais uniquement sur des problèmes particuliers où les dynamiques des
solutions sont continues et non très raides.
4 Conclusion
Les objectifs annoncés dans ce premier chapitre étaient, d’une part, de définir un formalisme
et un outil de modélisation multi-physique, et d’autre part, de trouver une stratégie de simula-
tion adaptée aux systèmes multi-dynamiques. Une étude bibliographique approfondie a montré
que les méthodes multi-échelles de temps existantes sont d’une efficacité limitée pour résoudre
des systèmes décrits par des dynamiques très éloignées.
Pour illustrer précisément notre besoin, nous allons examiner un exemple de systèmes multi-
physiques et multi-échelles de temps à travers l’étude du dimensionnement de la chaine de sto-
ckage d’énergie d’un navire tout-électrique [12,52]. La particularité de cette application consiste
à optimiser le dimensionnement de son stockeur en prenant en compte de multiples facteurs ca-
ractérisés par des constantes de temps différentes. En effet, il s’agit de suivre la dégradation
des paramètres du stockeur tout au long de sa vie en fonction des variations de la tension à ses
bornes et de sa température interne. Cela nécessite un couplage de modèles multi-physiques
décrivant les phénomènes électriques, thermiques et de vieillissement. La difficulté pour simu-
ler de tels problèmes réside dans le fait que les sous-modèles sont couplés et interdépendants
avec des constantes de temps éloignées ce qui pénalise le temps de calcul. L’enjeu principal est
alors d’obtenir un résultat dans un délai raisonnable afin de pouvoir intégrer ce système dans un
processus d’optimisation.
Les modèles utilisés pour évaluer la dégradation du stockeur sur une période de fonction-
nement de 20 ans sont : un modèle électrique, un modèle thermique et des modèles de vieillis-
sement de sa capacité et de sa résistance interne (Fig. I.29). Les constantes de temps présentes
dans le modèle multi-physique étudié sont de l’ordre de la seconde, de l’heure et du mois ou de
l’année. Il existe au moins un rapport de 106 entre la dynamique la plus lente et la plus rapide
et par conséquent le problème peut être qualifié de très raide. L’optimisation de tels problèmes
devient alors inabordable sans avoir des techniques qui permettent de réduire le temps de simu-
lation afin d’obtenir des résultats en un temps raisonnable. Les recherches menées au sein de
ce document ont donc pour ambition d’apporter quelques solutions à cette problématique de la
diminution du temps de calcul des systèmes très raides.
4. CONCLUSION 65
La méthodologie que nous présenterons dans le chapitre suivant s’appuie sur une approche
de modélisation acausale. Par conséquent, une plateforme de simulation orientée équation sera
utilisée pour l’implémentation de nos méthodes de calcul. Cette méthodologie, qui a pour objec-
tifs de répondre à l’ensemble des besoins détaillés précédemment, traitera les systèmes présen-
tant des échelles de temps très éloignées avec des modèles qui sont fortement couplés. De plus,
son originalité consiste essentiellement dans la prise en compte d’une démarche de modélisation
basée sur des cycles d’usage.
F IGURE I.29 : Structure d’optimisation d’un système de stockage d’énergie avec prise en
compte du vieillissement.
Synthèse du chapitre bibliographique
• Un état de l’art des approches et des formalismes de modélisation multi-domaines

est présenté afin d’introduire les notions des flux d’énergie et de causalité.
• Un exemple de comparaison des langages de modélisation multi-physique selon

plusieurs critères est détaillé.
• Le concept de la raideur dans la résolution des problèmes physiques est défini, et

des méthodes d’intégration numériques adaptées sont exposées.
• Des stratégies et des méthodes de simulation multi-échelles de temps destinées à la

résolution des problèmes faiblement et fortement couplés ont été examinées.
II
Méthodologie de simulation multi-échelle
de temps et multi-couche
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2 Méthodologie : formulation sur cycles d’un problème continu . . . . . . . 69
3 Homogénéisation basée sur les cycles . . . . . . . . . . . . . . . . . . . . 70
4 Méthodes d’intégration numériques formulées par cycle . . . . . . . . . . 73
4.1 Méthodes à un pas . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2 Méthodes à pas adaptatif . . . . . . . . . . . . . . . . . . . . . . . . 81
5 Formulation multi-couche . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.1 Présentation de l’approche multi-couche . . . . . . . . . . . . . . . . 91
5.2 Formulation multi-couche de l’application du bus urbain . . . . . . . 93
thodes d’extrapolation . . . . . . . . . . . . . . . . . . . . . . . . . 95
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
67
68 CHAPITRE II. MÉTHODOLOGIE DE SIMULATION MULTI-ÉCHELLE
1 Introduction
Aujourd’hui, la majeure partie des efforts techniques dans le domaine du génie électrique
se concentre sur le développement et l’amélioration de modèles afin qu’ils répondent au mieux
à la réalité et à l’usage auquel ils sont destinés. Dans ce travail de thèse, nous présentons une
méthodologie qui traitera plutôt les aspects liés à la simulation des systèmes complexes et multi-
échelles de temps. En effet, notre objectif est de développer une méthodologie de simulation
de systèmes multi-physiques contenant des constantes de temps très variées et pouvant être
décrits par un ensemble de cycles d’usage. Ce type de problème apparait notamment lors de
la conception optimisée de systèmes complexes. De plus, l’approche qui sera mise en oeuvre
doit s’appuyer sur un cadre générique et modulaire afin de pouvoir s’adapter à la très grande
diversité des systèmes et applications qui concernent le Génie Électrique.
Ce travail s’inscrit dans la continuité de plusieurs études menées au laboratoire IREENA

autour des problématiques du dimensionnement optimisé des chaines de conversion d’éner-
gie électrique. A titre d’exemple, nous pouvons citer les travaux de thèse de S. Trieste [11] qui
concernent l’optimisation technico-économique d’un ensemble constitué d’un convertisseur sta-
tique et de supercondensateurs, utilisé pour la fourniture de l’énergie d’un navire électrique. Il
s’avère que l’optimisation de ce système en tenant compte du critère de durée de vie est un pro-
cessus particulièrement fastidieux. Il faudra en effet effectuer un grand nombre de simulations
portant sur plusieurs années de fonctionnement, en respectant la dynamique des grandeurs élec-
triques. Par conséquent, afin d’éviter un calcul prohibitif, la démarche adoptée pour simuler le
vieillissement de son stockeur sur toute la durée de vie s’est basée sur une simple extrapolation
linéaire des données calculées pendant un cycle de fonctionnement complet. Plusieurs cher-
cheurs ont fait le même choix pour simuler des phénomènes de vieillissement sur des longues
périodes de simulation [93–95]. D’autres [96] ont préféré attendre plusieurs jours voire des
semaines pour obtenir un seul résultat à partir d’un calcul complet (de tous les cycles).
Tous ces exemples d’études nous ont poussé à réfléchir à une nouvelle méthodologie ca-
pable de prendre en compte des phénomènes de nature différentes tout en conservant un temps
de simulation compatible avec un objectif d’optimisation. Ainsi, nous devons prendre garde à
ne pas simplement développer une méthodologie qui serait dédiée à la simulation des modèles
de vieillissement, mais à conserver un aspect générique de manière à l’appliquer à des sys-
tèmes ayant des échelles de temps à des ordres de grandeur différents. De plus, nous sommes
contraints de respecter un couplage fort des modèles vu qu’il existe généralement une dépen-
dance mutuelle entre les variables d’état lentes et rapides du système.
Dans ce chapitre, nous allons détailler, dans un premier temps, les différents niveaux de la
méthodologie et la démarche à suivre pour traduire les spécifications du système dans un forma-
lisme adapté. Pour ce faire, une première partie concernant l’implémentation des modèles qui
2. MÉTHODOLOGIE : FORMULATION SUR CYCLES D’UN PROBLÈME CONTINU 69
composent le système sera abordée. Dans un deuxième temps, la stratégie de simulation et les
outils mathématiques nécessaires seront détaillés. Nous serons ainsi amenés à développer des
méthodes d’extrapolation que nous avons alors dû reformuler pour les adapter aux contraintes
d’un usage défini sur cycle. Ces méthodes serviront alors à développer un solveur numérique
à pas adaptatif permettant d’automatiser le calcul du pas d’extrapolation selon une tolérance
donnée. Dans la dernière partie du chapitre, la méthodologie sera étendue à une formalisation
multi-couches, basée sur le principe des poupées russes, et permettant de décrire l’usage d’un
système par un ensemble de cycles et de sous-cycles. Ainsi, des méthodes d’extrapolation se-
ront associées à chacune des couches et les résultats des couches basses seront utilisés sur les
couches supérieures.
2 Méthodologie : formulation sur cycles d’un problème continu

L’approche que nous avons adoptée repose sur la simulation d’un système complexe sur un
ensemble réduit de cycles d’usage (Fig. II.1). Elle possède trois niveaux permettant de définir
le fonctionnement global du système. Les profils d’usage spécifiés par le cahier des charges
seront considérés comme une donnée d’entrée au système. A titre d’exemple, dans notre étude
sur le ferry nous avons utilisé une machine à état pour modéliser un profil de fonctionnement
journalier. En effet, l’avantage de cet outil est que le profil pourra s’adapter en continu aux dif-
férents changements et contraintes du système. Entre autres, nous utilisons un profil de charge
d’un système de stockage d’énergie qui n’est pas lié à une durée de temps mais plutôt à une
condition de fin de charge (ex : une tension maximale). Ce profil pourra également être intégré
dans un profil à une échelle de temps plus grande, composé d’un ensemble élémentaire de pro-
fils fondamentaux.
Le niveau qui fait l’objet de notre étude, dans un premier temps, est celui qui est au milieu
(Fig. II.1), représenté avec des boites modélisant des cycles de fonctionnement donnés. L’as-
sociation de ces boites constitue la période de simulation totale. Afin de réduire les coûts de
simulation, l’idée principale est d’extrapoler les résultats des cycles calculés sur la base d’une
variation moyenne par cycle. Pour ce faire, des méthodes d’extrapolation sont utilisées. De
plus, une nouvelle formulation de ces méthodes a été développée afin de les adapter à des pas
de calcul respectant la contrainte des cycles. Toutes ces techniques seront détaillées dans les
prochaines sections de ce chapitre.
Le niveau le plus bas concerne l’implémentation des modèles dans un outil de simulation
numérique. L’utilisateur aura alors le choix d’utiliser l’outil (causal ou acausal) qu’il estime le
plus adapté au problème.
F IGURE II.1 : Structure de modélisation par cycle d’un système complexe.
Pour résumer, dans notre méthodologie nous utiliserons deux types de solveurs : un solveur
numérique standard, intégré dans l’outil de simulation permettant de résoudre les modèles im-
plémentés et un solveur original intégré dans l’algorithme de résolution multi-échelle de temps.
3 Homogénéisation basée sur les cycles

Après avoir formulé notre problème à la base d’un ensemble de cycles élémentaires, nous
considérons maintenant que le système résolu par l’outil de simulation utilisé peut être ramené
à un ensemble d’ODE de la forme :
dx
= fi−cycle (x(t),t) (II.1)
dt
avec i − cycle un indice désignant le type d’un cycle élémentaire.
Chaque ODE correspond à l’un des cycles élémentaires et i − cycle désigne le nombre de
type de cycles différents. La simulation de chacun de ces problèmes permet alors de passer
d’un état initial xn à un état final xn+1 , sur un intervalle de temps [tn ;tn + Ti−cycle ], en calculant
la solution du problème pour toute valeur de t (Fig. II.2).
Ainsi, les valeurs approchées de xn+1 seront obtenues en cherchant la solution de fi−cycle (xn ,t)
à l’instant tn + Ti−cycle .
Z tn +Ti−cycle
xn+1 = xn + fi−cycle (x,t) dt (II.2)
tn
3. HOMOGÉNÉISATION BASÉE SUR LES CYCLES 71
La méthode proposée dans cette étude consiste à considérer que l’évolution du vecteur d’état
x(t) sur un cycle donné peut être représentée par une moyenne de variations à l’échelle du cycle.
Cette approche de modélisation au sens de la valeur moyenne, appelée "Method of averaging",
est une technique de calcul dans le domaine du génie électrique, qui a surtout été utilisée pour la
modélisation des convertisseurs statiques [97–101]. En effet, les variables d’état du système si-
mulé présentent une auto-corrélation élevée à l’échelle de la période de commutation du conver-
tisseur. Il est donc possible, en moyennant l’évolution du système à l’échelle de la période de
découpage, d’extraire l’ensemble des dynamiques macroscopiques utiles, tout en conservant
la continuité de variation des grandeurs d’état. Le modèle moyen ainsi obtenu devient alors
beaucoup plus rapide à simuler.
F IGURE II.2 : Illustration de la décomposition d’un problème continu en un ensemble de cycles.
L’approche décrite précédemment a été adoptée dans notre étude et étendue pour modéliser
des variables d’état pouvant être de natures différentes. Les variations moyennes sur un cycle
de durée Ti−cycle d’un vecteur d’état peuvent alors être exprimées par l’équation suivante :
Z tn +Ti−cycle
1
Fi−cycle (xn ,tn ) = fi−cycle (x,t) dt (II.3)
Ti−cycle tn
De cette manière, le système est évalué sur un intervalle de temps [tn ;tn + Ti−cycle ] par une
variation moyenne Fi−cycle (xn ,tn ) du vecteur d’état. En d’autres termes, cette variation moyenne
est équivalente à une pente ou encore au taux moyen d’accroissement entre les bornes de l’in-
tervalle. En injectant l’équation (II.3) dans (II.2), le problème peut s’écrire sous la forme du
schéma récursif suivant :
xn+1 = xn + Ti−cycle .Fi−cycle (xn ,tn ) (II.4)
avec Ti−cycle la largeur du cycle et xn le vecteur d’état au début du cycle.

La Figure (II.3) illustre le concept de décomposition et d’homogénéisation d’un problème
continu composé d’un ensemble de cycles de longueur Ti−cycle . L’idée principale de cette ap-
proche est d’évaluer les variations d’un vecteur d’état sur un intervalle de temps donné, mais à
des instants précis et multiples du cycle défini. Autrement dit, si tous les cycles sont évalués à
partir d’un état initial xn , le vecteur d’état xn+m peut être exprimé par :
xn+m = xn + Ti−cycle .Fi−cycle (xn ,tn ) + ... + Ti−cycle .Fi−cycle (xn+m−1 ,tn+m−1 ) (II.5)
m−1
xn+m = xn + Ti−cycle ∑ Fi−cycle(xn+ j ,tn+ j ) (II.6)
j=0
avec i − cycle un indice relatif au cycle élémentaire choisi. Il est à noter que cette décomposition
du problème peut être effectuée sur la base de plusieurs cycles différents, en forme et en durée.
F IGURE II.3 : Illustration du processus d’homogénéisation d’un problème continu composé de

m cycles successifs de largeur Ti−cycle .
À travers cette nouvelle représentation discrétisée du problème, nous pouvons constater que
le taux de variation moyen estimé à l’échelle du cycle peut être proche d’un cycle à un autre.
Par conséquent, pour diminuer les efforts de calcul, l’idée consiste à approximer le terme situé
à droite dans l’équation (II.6) par une fonction d’approximation Φi−cycle qui correspond à un
schéma d’intégration numérique [102, 103], décrit par l’équation suivante :
xn+m = xn + h.Φi−cycle (xn ,tn ; h), avec h = m.Ti−cycle (II.7)
où m ∈ N, est le nombre de cycles consécutifs considérés.

4. MÉTHODES D’INTÉGRATION NUMÉRIQUES FORMULÉES PAR CYCLE 73
La fonction Φi−cycle permet donc d’estimer le taux de variation total de m cycles consécutifs
d’un vecteur d’état. Elle dépend de la méthode d’intégration numérique et du pas d’extrapola-
tion h choisis. Plus le pas d’extrapolation est grand, plus l’erreur de discrétisation sera impor-
tante.
Néanmoins, il convient de souligner que dans notre méthode ce schéma doit respecter
comme contrainte que la largeur du pas d’extrapolation h soit un multiple du cycle Ti−cycle .
En effet, selon la méthode utilisée, le pas d’extrapolation h peut être constant ou variable. On
parlera alors de méthodes à pas fixe ou à pas variable. Or, les méthodes à pas variable actuelles
ne répondent pas à la contrainte d’avoir un pas multiple de la durée d’un cycle. Nous proposons
donc à la section suivante d’étendre ces méthodes d’intégration à une formulation par cycle.
4 Méthodes d’intégration numériques formulées par cycle

Les méthodes d’intégration numériques pour la résolution des équations différentielles avec
conditions initiales constituent un sujet très vaste et complexe. Notre objectif n’est pas de les
traiter d’une manière exhaustive, mais d’en dégager les principales caractéristiques pour pouvoir
les appliquer à un problème basé sur des cycles : c’est en effet cette nouvelle écriture des
méthodes d’intégration qui fait en partie l’originalité de ce travail.
4.1 Méthodes à un pas

4.1.1 Principe général des méthodes d’extrapolation
Les méthodes d’intégration, appelées aussi méthodes d’extrapolation, permettent de ré-

soudre des ODEs de la forme suivante :
ẋ = f (x,t), x(t0 ) = x0 (II.8)
Notons que les équations différentielles d’ordre supérieur peuvent toujours se ramener à
un ensemble d’équations du premier ordre. L’idée de base d’une méthode d’extrapolation est
d’estimer une valeur à tn+1 = tn + h à partir d’une ou plusieurs valeurs connues pour tn en
partant d’une condition initiale x0 . La valeur obtenue à tn+1 devient alors la valeur initiale pour
le nouveau pas, et de cette manière le problème sera résolu en utilisant un pas h qui peut être
fixe ou variable. Les méthodes à un pas utilisent la formule générale suivante :
xn+m = xn + h.Φ(xn ,tn ; h) (II.9)

Une méthode d’intégration possède trois principales propriétés [104] :
• Convergence : si, lorsque le pas de discrétisation tend vers 0, la solution numérique tend
vers la solution de référence de l’équation continue.
• Stabilité : la différence entre la solution approchée obtenue et la solution de référence des

équations discrétisées reste bornée.
• Consistance : on dit que la méthode est consistante si
Φ(xn ,tn ; 0) = f (x,t) (II.10)
Remarque : Si la méthode est stable et consistance, alors elle converge pour n’importe
quelle valeur initiale.
4.1.2 Méthode d’Euler
C’est une méthode du premier ordre qui consiste à approximer une solution numérique à
un problème avec une condition initiale en utilisant la dérivée à l’instant tn pour fournir une
approximation à tn+1 = tn + h. Cette méthode décrite par la relation de récurrence (II.11) est
dite explicite puisque xn+1 ne dépend que de la valeur xn calculée au pas précédent [105, 106].
xn+1 = xn + h. f (xn ,tn ) (II.11)
où f est la dérivée à l’instant tn .
Nous allons maintenant adapter cette méthode à un problème basé sur des cycles. La Figure
II.4 illustre le principe de l’extrapolation en se basant sur l’évaluation du taux d’accroissement à
l’échelle d’un cycle. Le nouveau point calculé à tn+m , c’est à dire après m cycles, est approximé
par une extrapolation de (m−1) cycles en partant d’une valeur initiale xn . Le pas d’extrapolation
h est constitué du cycle évalué de largeur T et du nombre de cycles extrapolés de largeurs
multiples de T . Pour alléger l’écriture des équations décrivant les méthodes que nous proposons
dans la suite de ce chapitre, les indices relatifs au type du cycle ne seront plus affichés.
La nouvelle formulation sur cycle de la méthode d’Euler est donnée par l’équation suivante :
xn+m = xn + m.T.F(xn ,tn ), m ∈ N∗ (II.12)
où F est le taux d’accroissement à l’échelle du cycle.

Solution de référence
xn F (xn , tn )
bn+m
x
ε
xn+m
t
tn tn+1 tn+m
T Extrapolation
F IGURE II.4 : Méthode d’Euler explicite appliquée à des cycles.
L’erreur ε représentée dans la Figure II.4 désigne la différence entre la valeur approximée
par la méthode d’Euler xbn+m et la valeur de la solution de référence xn+m obtenue par un cal-
cul complet du problème. Ainsi, cette erreur diminue quand le nombre de cycles extrapolés
diminue, mais le temps de calcul devient de plus en plus important. La méthode d’Euler n’est
plus efficace pour des problèmes avec des dynamiques rapides. En effet, les erreurs commises
à chaque pas ont tendance à s’amplifier et l’intégration diverge due notamment à la mauvaise
stabilité de ce schéma d’intégration [66].
La méthode d’Euler est la plus simple des méthodes de résolutions des équations différen-
tielles. Elle est à la base de toutes les méthodes les plus sophistiquées. Néanmoins, elle est
insatisfaisante dans certains cas, à cause de ses problèmes de stabilité.
4.1.3 Méthodes de Runge-Kutta
Les méthodes de Runge-Kutta sont des méthodes à un pas composées d’un nombre s d’étages.
Le nombre d’étages est relatif à l’ordre de la méthode. Dans notre étude, nous allons présenter
une formulation générale d’une méthode de Runge-Kutta explicite d’ordre 2 (à 2 étages) que
nous allons adapter à un problème basé sur des cycles.
Les méthodes de Runge-Kutta sont une extension de la méthode d’Euler [67, 107, 108]. En
effet, cette dernière est considérée comme une méthode de Runge-Kutta à un seul étage. L’idée
fondamentale des méthodes de Runge-Kutta est d’effectuer des évaluations supplémentaires
sur un intervalle h = tn+1 − tn pour approximer une solution. Ces évaluations supplémentaires
dépendent de la première évaluation effectuée au début de l’intervalle [tn ,tn+1 ]. À chaque point
évalué, un poids est associé à la dérivée approximée à tn+ j ( j ∈ [n, n + 1]) pour approximer une
solution xn+1 .
La forme générale d’une méthode de Runge-Kutta d’ordre 2 peut être représentée par :




 k1 = f (xn ,tn )

1 1 (II.13)
k2 = f (xn + h. 2.θ .k1 ,tn + h. 2.θ )




 xn+1 = xn + h.((1 − θ).k1 + θ.k2 )
Selon le coefficient θ choisi, nous définissons les positions des points évalués et les pon-
dérations qui leurs seront associées. Ces deux facteurs peuvent être expliqués par le tableau de
Butcher [105, 108] suivant :
0 0 0
1 1
2.θ 2.θ 0
1−θ θ
TABLE II.1 : Tableau de Butcher de la famille de méthode Runge-Kutta explicites à 2 étages.
La première colonne du tableau II.1 définit les positions des points à évaluer et la dernière
ligne définit les pondérations. Nous présentons alors dans les prochains paragraphes les trois
méthodes de Runge-Kutta d’ordre 2 les plus connues dans la littérature et nous détaillerons
ensuite une nouvelle formulation des méthodes basée sur des cycles.
Méthode de Heun
La méthode de Heun est obtenue en fixant le coefficient θ à 12 . Elle consiste à effectuer une
première évaluation au début de l’intervalle et une deuxième à la fin de l’intervalle. Ensuite, la
moyenne des deux dérivées est extrapolée pour approximer la solution à tn+1 . Cela veut dire que
les poids associés à chacune des dérivées calculées sont de 12 (dernière ligne de la Table II.2).
0 0 0
1 1 0
1 1
2 2
TABLE II.2 : Tableau de Butcher de la méthode de Heun.
Nous appliquons le principe de cette méthode à un problème basé sur des cycles de largeurs
T . Le pas d’intégration sera alors basé sur un certain nombre de cycles m constituant un inter-
valle de temps [tn ,tn+m ].
La formulation basée sur cycles de la méthode de Heun est donnée par l’équation suivante :




 k1 = F(xn ,tn )

k2 = F(xn + (m − 1).T.k1 ,tn + (m − 1).T ) (II.14)




 xn+m = xn + m.T.( 1 .k1 + 1 .k2 )
2 2
Contrainte imposée par cette formulation : m ≥ 2.
xn k1
k2
k1 +
k
2 2
bn+m
x
ε
xn+m t
tn tn+1 tn+m−1 tn+m
T T
Extrapolation
F IGURE II.5 : Méthode de Heun appliquée à des cycles.

L’évaluation du taux d’accroissement k1 du premier cycle sur un intervalle donné sert pour
estimer la pente k2 du dernier cycle de l’intervalle. Ensuite, la solution à tn+m est approximée
en utilisant la moyenne de ces deux pentes (Figure II.5).
Dans ce cas, le nombre de cycles réellement extrapolés (non-calculés) est égale à m − 2,
puisque deux cycles sont calculés. Ainsi, si m = 2 alors tous les cycles seront évalués et la
solution approximée à tn+m sera égale à la solution de référence.
Méthode du point milieu
La méthode du point milieu est obtenue pour θ = 1. Elle consiste à utiliser la dérivée du
premier point évalué à tn pour estimer la dérivée au milieu du pas d’intégration (à tn+ 1 ). La
2
deuxième pente calculée est alors utilisée pour approximer la solution à tn+1 (Table II.3).
0 0 0
1 1
2 2 0
0 1
TABLE II.3 : Tableau de Butcher de la méthode du point milieu.

La reformulation de cette méthode à base de cycles impose une contrainte supplémentaire
par rapport à la méthode de Heun. En effet, le schéma d’extrapolation doit respecter une symé-
trie des cycles sur chaque pas de calcul h = tn+m − tn . Cela veut dire que le nombre de cycles m
constituant l’intervalle de temps [tn ,tn+m ] doit être un nombre pair.
La formulation basée sur cycles de la méthode du point milieu est donnée par l’équation
suivante :




 k1 = F(xn ,tn )

k2 = F(xn + m2 .T.k1 ,tn + m2 .T ) (II.15)




 xn+m = xn + T.k1 + (m − 1).T.k2
Contraintes imposées par cette formulation : m ≥ 2 et m nombre pair.
La Figure II.6 illustre le principe de la méthode du point milieu appliquée à un problème

basée sur des cycles. Le nombre de cycles extrapolés est égal à m − 2.
k1
xn
k2
k2
bn+m
x
ε
xn+m
t
tn tn+1 tn+ m
2 tn+m
T T
Extrap1
Extrap2
F IGURE II.6 : Méthode du point milieu appliquée à des cycles.
Méthode de Ralston
La méthode de Ralston est obtenue pour θ = 23 . Comme toutes les autres méthodes de
Runge-Kutta à 2 étages, la dérivée k1 du premier point évalué au début du pas sera utilisée
pour calculer la dérivée du deuxième point k2 . La particularité de la méthode de Ralston est que
le deuxième point évalué est situé à tn+ 3 . Les positions et les poids associés à chaque dérivée
4
sont indiqués dans le tableau de Butcher suivant :
La formulation de la méthode de Ralston basée sur les cycles peut être donnée par l’équation
0 0 0
3 3
4 4 0
1 2
3 3
TABLE II.4 : Tableau de Butcher de la méthode de Ralston.
suivante : 



 k1 = F(xn ,tn )

k2 = F(xn + (3.m−2) .T.k1 ,tn + (3.m−2) .T ) (II.16)

 4 4


 xn+m = xn + T.k1 + T.k2 + (m − 2).T.( 1 .k1 + 2 .k2 )
3 3
Contrainte imposée par cette formulation : m = 4.b + 2 avec b ∈ N∗ .
La Figure II.7 illustre le principe de la méthode de Ralston appliquée à un problème basé sur
des cycles. Nous remarquons que cette méthode nous impose plus de contrainte sur la largeur du
pas h = m.T puisque dans ce cas nous sommes limités à choisir des pas constitués d’un nombre
de cycles appartenant à une suite arithmétique de premier terme 2 et de raison 4.
k1
xn
k2
k2
1
3 k1 Solution de référence
+ 2
3 k2
bn+m
x
ε
xn+m
t
tn tn+1 tn+ (3.m−2) tn+m
4
T Extrap1
T
Extrap2
F IGURE II.7 : Méthode de Ralston appliquée à des cycles.
Par conséquent, avec toutes ces contraintes l’implémentation de la méthode devient de plus
en plus difficile. De plus, cela va limiter son efficacité notamment pour des pas réduits quand il
s’agit d’une dynamique rapide. Pour cela, nous allons opter pour des méthodes qui présentent
une symétrie sur les positions des points évalués par pas.
4.1.4 Généralisation de la formulation sur cycle des méthodes RK2
En se basant sur les nouvelles formulations par cycle des méthodes de Runge-Kutta d’ordre 2
développées dans les sections précédentes, nous proposons ci-dessous une généralisation de ces
formulations en fonction de θ le coefficient associé à chacune des méthodes.
La forme générale par cycle d’une méthode de Runge-Kutta d’ordre 2 est alors représentée
par les équations suivantes :




 k1 = F(xn ,tn )

1 1 (II.17)
k2 = F(xn + ( 2.θ (m − 2) + 1).T.k1 , tn + ( 2.θ (m − 2) + 1).T )




 xn+m = xn + ((m − 2).(1 − θ) + 1).T.k1 + ((m − 2).θ + 1).T.k2
0 0 0
1 1
2.θ 2.θ 0
1−θ θ
TABLE II.5 : Tableau de Butcher des méthodes de Runge-Kutta explicites d’ordre 2.
4.1.5 Méthodes d’extrapolation implicites
Après avoir présenté la démarche de formulation sur cycle des méthodes d’extrapolation
explicites à un pas, nous discutons ici de la possibilité d’utilisation des méthodes implicites et
de leurs principaux avantages.
Les méthodes d’extrapolation implicites sont généralement utilisées pour résoudre des équa-
tions différentielles ayant des dynamiques raides [105,109]. En effet, elles permettent de garan-
tir une meilleure stabilité par rapport aux méthodes explicites qui exigent quant à elles des pas
de temps beaucoup plus petits pour fournir un résultat suffisamment précis [67]. Comme il a été
déjà mentionné dans le premier chapitre, il arrive que le schéma explicite soit instable avec des
erreurs de calculs qui se propagent vite d’un pas à un autre. Pour cela, les méthodes implicites
constituent une solution potentielle et efficace pour résoudre de tels problèmes.
Dans l’annexe A, nous présentons une synthèse de la démarche d’implémentation des mé-
thodes d’Euler implicite et semi-implicite qui existent dans la littérature. Nous détaillons les dif-
férentes étapes de calcul de la méthode d’Euler implicite utilisant un processus itératif (Newton-
Raphson) pour résoudre la non-linéarité du système à chaque pas de temps. En effet, l’implé-
mentation de cette méthode dans un outil de simulation représente une opération fastidieuse
et délicate. De plus en terme de temps de calcul, cette méthode ne convient pas à nos attentes
car elle demande un certain nombre d’évaluations de la matrice jacobienne pour chaque pas de
temps, ce qui entraînera un temps de calcul prohibitif. Pour justifier cela, par exemple dans les
travaux [110, 111], l’utilisation d’un schéma implicite a permis de garantir une meilleure stabi-
lité pour faire face à la dynamique rapide de la MLI associée à la constante de temps mécanique.
Néanmoins, la réduction du temps de calcul dans ce cas a atteint un facteur de 3 au maximum
due aux contraintes mentionnées précédemment.
Quant à la méthode d’Euler semi-implicite, il nous semble qu’elle est plus intéressante vu
qu’elle est réduite à une seule itération de Newton-Raphson à effectuer à chaque pas de temps.
Ainsi, seul le calcul d’un jacobien et l’inversion d’une matrice sont nécessaires pour l’évaluation
du pas suivant (pour plus de détails concernant les équations décrivant la méthode, veuillez
consulter l’annexe A). Néanmoins, la formulation sur cycle de cette méthode nécessite de savoir
calculer la matrice jacobienne pour déterminer une nouvelle approximation du vecteur d’état.
Or, au cours de cette étude nous n’avons pas eu le temps pour adapter ce calcul à des problèmes
basés sur cycle. Cela pourrait alors être une piste importante à développer dans le futur.
4.2 Méthodes à pas adaptatif

4.2.1 Les méthodes intégrées
4.2.1.1 Principe général des méthodes explicites combinées
Pour s’assurer que la méthode d’extrapolation converge et que les solutions approximées
restent bornées, il est intéressant d’évaluer une erreur par pas de temps et cela sans avoir ef-
fectué le calcul complet du problème. L’idée principale des méthodes intégrées, appelées aussi
embedded methods, est de combiner deux méthodes d’intégration numériques à un pas afin de
construire un estimateur d’erreur locale qui servira ensuite à adapter le pas d’extrapolation selon
une tolérance fixée par l’utilisateur [103, 112, 113]. En effet, d’une manière générale la combi-
naison d’une paire de schémas numériques Φ b et Φ, calculant deux approximations xbn+1 et xn+1
respectivement, peut être décrite par les équations suivantes :
b n ,tn ; h)
xbn+1 = xn + h Φ(x (II.18)
xn+1 = xn + h Φ(xn ,tn ; h) (II.19)
Les fonctions Φb et Φ sont construites par une méthode d’ordre inférieur imbriquée dans
une autre méthode d’ordre supérieur [67, 103, 114]. Dans la majorité des cas, les méthodes
combinées utilisées dans les solveurs numériques sont d’ordres p et p+1. Nous considérons que
la première approximation calculée par la fonction Φb (d’ordre p) et la deuxième approximation
par la fonction Φ (d’ordre p + 1) utilisent les mêmes évaluations pour estimer xbn+1 et xn+1 .
L’erreur locale estimée pour chaque pas de temps peut être donnée par :
εn+1 = |xn+1 − xbn+1 | (II.20)
Dans cette étude, notre objectif est de fournir à la communauté du génie électrique une
méthodologie de simulation, facile à implémenter et qui peut être généralisée sur des systèmes
basés sur des cycles. Pour cela, nous allons accorder une attention particulière aux méthodes
intégrées basées sur des méthodes explicites et appartenant à la famille de Runge-Kutta.
La forme générale d’une combinaison de deux méthodes de Runge-Kutta Φ b et Φ [115],

d’ordre p et p + 1, peut être définie explicitement par la formule suivante :
 p

 b n ,tn ; h) =
Φ(x ∑ cbi ki (xn ,tn ; h)



 i=1


 p+1
Φ(xn ,tn ; h) = ∑ ci ki (xn ,tn ; h) (II.21)

 i=1



 i−1


 avec ki (xn ,tn ; h) = f (xn + h. ∑ Bi, j k j ,tn + ai h)
j=1
avec i ∈ {1, 2, ..., p} et k1 = f (xn ,tn ).
Les différents paramètres utilisés caractérisant les deux méthodes peuvent être résumés dans
le tableau de Butcher suivant :
a B
cT
cb T
TABLE II.6 : Tableau de Butcher générique d’une méthode intégrée.

où a est un vecteur qui définit les positions des points à évaluer ainsi que cb T et cT sont deux
vecteurs qui définissent les pondérations associées aux variations moyennes ki des méthodes
d’ordre p et p + 1, respectivement.
Cette formulation générique permet de nous aider à comprendre la structure des méthodes
intégrées, et ainsi à savoir lire le tableau de Butcher indiquant les positions des points évalués
et les pondérations associées aux dérivées calculées.
L’estimation de l’erreur locale pour chaque pas de temps peut être définie par l’équation
générale suivante :
p+1
εn+1 = h ∑ (ci − cbi )ki (II.22)
i=1
Dans les prochaines parties nous présenterons quelques exemples de méthodes d’extrapo-
lation combinées ainsi que les étapes nécessaires pour les adapter à un problème basé sur des
cycles. Cela nous permettra ensuite d’estimer une erreur locale à partir de laquelle la taille du
pas va être ajustée et cela par rapport à une tolérance donnée. Notons que les exemples présentés
ici serviront à illustrer les principes de la méthodologie et à décrire les différentes astuces qui
faciliteront l’implémentation des algorithmes.
4.2.1.2 Méthode du Point milieu-Euler (2,1)
Cette méthode consiste à combiner la méthode d’Euler d’ordre 1 avec la méthode du point
milieu d’ordre 2. En d’autres termes, nous pouvons dire que la méthode d’Euler est imbriquée
dans une méthode du point milieu, afin de construire un estimateur d’erreur locale. Le tableau de
Butcher suivant décrit les principales caractéristiques de la combinaison de ces deux méthodes :
0 0 0
1 1
2 2 0
0 1
1 0
TABLE II.7 : Tableau de Butcher de la méthode du Point Milieu-Euler.
La première extrapolation d’Euler permet d’approximer un premier point xbn+m obtenu par
une projection d’une variation moyenne k1 du premier cycle. Ensuite, en utilisant la première
xn k1
k2 bn+m ⇒Euler (1)
x
k2
εn+m
xn+m ⇒Point-milieu (2)
t
tn tn+1 tn+ m2 tn+m
T T
Extrap2
Extrap1, 3
F IGURE II.8 : Méthode du Point Milieu-Euler appliquée à des cycles.

extrapolation d’Euler jusqu’à tn+ m2 , une deuxième variation moyenne k2 du cycle du milieu est
calculée. En effet, k2 servira pour approximer un deuxième point xn+m par une extrapolation de
cette variation moyenne du cycle du milieu à partir de tn+1 jusqu’à tn+m (Fig. II.8).
Après avoir détaillé les différentes étapes pour construire un estimateur d’erreur locale par
la méthode du Point milieu-Euler, nous présentons ci-dessous (II.23) le formalisme mathéma-
tique équivalent en fonction de m le nombre de cycles extrapolés, T la largeur du cycle calculé
et k1 et k2 les variations moyennes évaluées par cycle.


 k1 = F(xn , tn )










 k2 = F(xn + m2 .T.k1 , tn + m2 .T )




xbn+m = xn + m.T.k1 (II.23)







 xn+m = xn + T.k1 + (m − 1).T.k2








 ε
n+m = (m − 1).T (k2 − k1 )
Globalement, les contraintes à respecter dans ce formalisme concernent uniquement le choix

du nombre de pas d’extrapolation m qui doit être un nombre pair et supérieur ou égal à 2. No-
tons que dans le cas où m = 2, la solution prise en compte est celle obtenue par le calcul complet
des deux cycles.
Pour faciliter l’implémentation de la méthode, l’ensemble des équations décrites précédem-

ment peuvent être traduites par un organigramme (Fig. II.9) décrivant l’enchainement des tâches
effectuées. Les méthodes de mise à jour du nombre de pas extrapolés m indiquée dans l’organi-
gramme seront détaillées dans la section 4.2.2 de ce chapitre.
Définition
Initialisation des paramètres (x0)
d'un cycle
(xn)
Calcul d'un cycle T à tn
Calcul d'un cycle T à
Non
Oui Mettre à jour m
Mettre à jour m
Oui
Non
(xfinal)
F IGURE II.9 : Organigramme de la méthode du Point Milieu-Euler appliquée à des cycles.
4.2.1.3 Méthode de Heun-Euler (2,1)
Cette méthode est basée sur la combinaison de deux schémas explicites : la méthode d’Euler
(d’ordre 1) et la méthode de Heun (d’ordre 2). Le tableau de Butcher (Table II.8) décrit les
principales caractéristiques de la combinaison de ces méthodes.
La première extrapolation d’Euler, obtenue par le calcul d’une variation moyenne k1 du

premier cycle, permet d’approximer un premier point xbn+m . Ensuite une deuxième variation
moyenne k2 du dernier cycle est calculée. Enfin, la pente moyenne composée de k1 et k2 servira
pour approximer un deuxième point xn+m .
0 0 0
1 1 0
1 1
2 2
1 0
TABLE II.8 : Tableau de Butcher de la méthode de Heun-Euler.
Nous avons appliqué la méthode de Heun-Euler sur un problème basé sur des cycles. Pour
obtenir des approximations plus précises et pour que la méthode converge plus rapidement, nous
avons modifié la méthode en intégrant le deuxième cycle calculé dans l’approximation d’Euler
(II.24). La Figure II.10 illustre les différentes étapes effectuées pour estimer une erreur par pas
de temps [tn ,tn+m ].
xn k1
k2
bn+m ⇒Euler (1)
x
k1 +
k
2 2 εn+m
xn+m ⇒Heun(2)
t
tn tn+1 tn+m−1 tn+m
T T
Extrapolation
F IGURE II.10 : Méthode de Heun-Euler appliquée à des cycles.
Nous présentons alors l’ensemble des équations (II.24) décrivant le fonctionnement de la

méthode de Heun-Euler appliquée à un problème basé sur des cycles.


 k1 = F(xn , tn )







 k2 = F(xn + (m − 1).T.k1 , tn + (m − 1).T )





xbn+m = xn + T.((m − 1)k1 + k2 ) (II.24)







 xn+m = xn + m.T. 12 (k1 + k2 )






 ε m−2
n+m = 2 T (k2 − k1 )
L’erreur par pas de temps εn+m est exprimée en fonction de m le nombre de cycles par pas,
T la largeur du cycle et k1 et k2 les variations moyennes du premier et du dernier cycle. Il est
important de souligner que dans cette méthode, le nombre de cycles m constituant le pas de
temps doit être supérieur ou égal à 2. Dans le cas où m = 2, tous les cycles seront évalués et
aucune extrapolation n’est effectuée. Ainsi, l’erreur évaluée par pas de temps sera égale à zéro.
4.2.1.4 Méthode de RK3-Point milieu (3,2)
Cette méthode est basée sur la combinaison de deux schémas explicites : la méthode du
Point milieu d’ordre 2 et la méthode de Runge-Kutta d’ordre 3 (RK3). Le tableau de Butcher
(Table II.9) décrit les principales caractéristiques de la combinaison de ces deux méthodes.
0 0 0 0
1 1
2 2 0 0
1 -1 2 0
1 2 1
6 3 6
0 1 0
TABLE II.9 : Tableau de Butcher de la méthode de RK3-Point milieu.
Cette méthode contient trois évaluations de cycles complets. En premier lieu, les variations
moyennes k1 et k2 permettent d’estimer par la méthode du Point milieu un premier point xbn+m .
En deuxième lieu, k1 et k2 seront utilisées pour calculer la variation moyenne k3 du dernier
xn k1
k2
1 k3
6 (k k2
1 +4
k2
+k bn+m ⇒Point-milieu (2)
x
3)
εn+m
xn+m ⇒Runge-Kutta(3)
Solution de référence t
tn tn+1 tn+ m2 tn+m
T T T
F IGURE II.11 : Méthode de RK3-Point milieu appliquée à des cycles.
cycle. En dernier lieu, la méthode de Runge-Kutta d’ordre 3 permet d’estimer un nouveau point
xn+m en se basant sur les 3 variations moyennes déjà calculées (Fig. II.11).
Le formalisme mathématique de la méthode de RK3-Point milieu appliquée à un problème
basé sur des cycles peut être décrit par le système d’équations (II.25). Nous remarquons que la
méthode est symétrique en respectant la contrainte que le nombre de cycles extrapolés m doit
être pair et supérieur ou égal à 2.


 k1 = F(xn , tn )







 k2 = F(xn + m2 .T.k1 , tn + m2 .T )









 k3 = F(xn + (m − 1).T.(2.k2 − k1 ), tn + (m − 1).T )

(II.25)



 xbn+m = xn + T.k1 + (m − 1).T.k2









 xn+m = xn + m.T. 16 (k1 + 4.k2 + k3 )







εn+m = T. 16 ((m − 6).k1 + (6 − 2m).k2 + m.k3 )
Dans le cas où m = 2, en respectant le formalisme présenté auparavant l’algorithme doit

évaluer le premier cycle (1 fois) pour calculer k1 et le deuxième cycle (2 fois) pour calculer k2
et k3 . Ainsi sur ce pas de temps, un cycle de plus est évalué. Or ce cycle supplémentaire calculé
pénalise l’efficacité de la méthode.
Nous proposons alors dans ce cas de figure (m = 2) d’ajouter une condition dans l’algo-
rithme permettant le passage à une tâche qui évalue uniquement les variations moyennes des
deux cycles sans effectuer aucune évaluation supplémentaire. Par conséquent, dans le cas ex-
trême où m = 2 sur toute la période de simulation, l’algorithme calcule alors intégralement
l’ensemble des cycles constituant la période de simulation sans évaluer des cycles en plus.
Nous remarquons à travers les exemples de méthodes d’extrapolation présentés dans cette
section que plus l’ordre de la méthode est élevé, plus des contraintes supplémentaires vont se
rajouter. Ces contraintes sont généralement liées au nombre d’évaluations par pas de temps
et notamment à leurs emplacements. Ainsi, il est préférable de choisir des méthodes qui sont
symétriques pour faciliter leur implémentation et pour en tirer le maximum d’efficacité.
4.2.2 Méthodes de sélection des pas (mise à jour du nombre de cycles extrapolés m)
Nous allons maintenant aborder les méthodes qui permettront de contrôler le pas de temps
afin d’obtenir des résultats respectant la tolérance fixée par l’utilisateur. Ces méthodes ont pour
objectif de sélectionner la taille du pas de temps qui soit suffisamment petite pour satisfaire
la précision exigée et en même temps suffisamment large pour éviter de calculer des cycles
pouvant être extrapolés.
4.2.2.1 Méthode d’adaptation classique
La méthode de contrôle de pas la plus ancienne a été introduite par Ceschino en 1961 et
consiste à simplement multiplier ou diviser par 2 la valeur du pas. Ensuite, à chaque pas de
temps h choisi, l’erreur locale estimée est comparée avec une tolérance donnée. En effet, si cette
erreur respecte la précision demandée le résultat est retenu et le pas de temps h sera multiplié
par 2. Dans le cas contraire, le pas est rejeté et divisé par 2.
L’avantage de cette méthode est qu’elle est simple à implémenter. Par contre, son incon-
vénient est qu’elle ne s’adapte pas rapidement à des dynamiques variables (présentant des va-
riations rapides et brusques) pour corriger la valeur du pas. En effet, dans ce cas de figure la
méthode génère un nombre important de pas rejetés pour atteindre la précision désirée.
4.2.2.2 Méthode d’adaptation automatique
C’est la méthode standard la plus utilisé dans les méthodes d’intégration numérique à pas
variable basé sur un processus stochastique appelé processus de Wiener. L’ajustement de la taille
du pas est effectué à l’aide de l’équation (II.26) pour un certain nombre d’itérations k [103,112].
En effet, l’indice k désigne l’itération de l’ancien pas calculé et k + 1 l’itération du nouveau pas.
1
α.Tol p+1
hk+1 = hk (II.26)
εk
Tol est la tolérance désirée, εk est l’erreur locale par pas de temps, p est l’ordre de la méthode
d’intégration et α est un facteur de sécurité qui est compris d’une manière générale entre 0.8
et 1. Notons que εk est équivalent à εn+m après un certain nombre d’itérations en comptant la
totalité pas calculés (acceptés et rejetés).
L’inconvénient majeur de cette méthode est que la progression des pas choisis peut contenir
des sauts ou des chutes brusques ce qui fait monter le nombre de pas rejetés. Et cela impacte par
la suite le temps de calcul. L’idée alors est de borner le rapport entre l’ancienne et la nouvelle
taille du pas calculé [116, 117], comme indiqué dans l’équation suivante :
1
hk+1 = hk .min(bmax, max(bmin, (α.Tol/εk ) p+1 )) (II.27)
avec bmin et bmax qui sont les facteurs minimal et maximal autorisés qui dépendent de la nature
du problème traité.
Par exemple, si bmax choisi est très grand la méthode conduit à un nombre important de
pas rejetés. Dans le cas contraire, si bmax est très petit l’algorithme calcule plus de pas et
l’accélération de l’augmentation de la taille des pas est ralentie. En contre partie, le facteur
bmin est beaucoup moins sensible [118].
4.2.2.3 Méthode d’adaptation basée sur la théorie du contrôle
La méthode standard, décrite ci-dessus, peut être améliorée par l’introduction d’une ap-
proche basée sur un contrôle de type PI [119–121]. Pour détailler brièvement le principe de
1
cette méthode, nous commençons d’abord par considérer un coefficient KI = p+1 dans l’équa-
tion (II.26). Nous exprimons ensuite la relation entre le nouveau pas calculé hk+1 et l’ancien
pas hk par un passage au logarithme décimal conduisant à l’équation suivante :
log(hk+1 ) = log(hk ) + KI ∗ (log(α.Tol) − log(εk )) (II.28)
avec εk qui est l’erreur locale calculée pour le pas de temps hk . Selon l’équation (II.28), nous
considérons que le coefficient KI est un gain intégral relatif à un régulateur intégral. Ainsi, nous
pouvons agir sur ce gain pour améliorer l’adaptation de la taille du pas.
Pour améliorer encore la robustesse de la méthode, un contrôle PI est introduit en ajoutant

un gain proportionnel KP , ce qui conduit à l’équation (II.29).
k−1
log(hk ) = log(h0 ) + kI ∑ (log(α.Tol) − log(ε j )) + kP(log(α.Tol) − log(εk−1)) (II.29)
j=0
L’équation (II.29) est ensuite reformulée pour obtenir la forme récursive suivante :
log(hk+1 ) = log(hk ) + kI (log(α.Tol) − log(εk )) + kP (log(εk−1 ) − log(εk )) (II.30)
Par conséquent, une nouvelle forme de l’équation d’adaptation de la taille du pas basé sur
un correcteur PI est obtenue par l’équation suivante :
KI KP
α.Tol εk−1
hk+1 = hk (II.31)
εk εk
5. FORMULATION MULTI-COUCHE 91
Pour garantir une réponse lisse (présentant des sauts de pas maitrisés) et pour minimiser le
nombre de pas rejetés par pas de temps, selon [121] il est recommandé de choisir les paramètres
du correcteur de manière à satisfaire les conditions suivantes :

 1

 p+1 (KI + KP ) 6 0.8




KI
p+1 > 0.3 (II.32)






 KP
> 0.1
p+1
et cela en utilisant un coefficient de sécurité α = 0.8.
4.2.2.4 Calcul de m
Les équations (II.26) et (II.31) permettent d’estimer, suivant l’erreur locale et la tolérance
désirée, une largeur de pas h qui doit être multiple de la durée Ti−cycle du cycle considéré.
Le nombre de cycles m à extrapoler est alors un nombre entier calculé à l’aide de l’équation
suivante :
hk
m= (II.33)
Ti−cycle
où k est le nombre d’itérations calculés à chaque pas de temps en considérant les pas acceptés
et rejetés.
Étant donné que m obtenu après chaque itération est un nombre réel, il est nécessaire d’ar-
rondir ce nombre à l’entier le plus proche. L’arrondi de m sera donc choisi par l’utilisateur selon
ses critères de précision. Par exemple, dans le cas où m est faible et qu’une tolérance importante
est exigée, m est arrondi à un entier inférieur (ou dans certaines méthodes à un entier pair infé-
rieur). Dans le cas contraire, m peut être arrondi à un entier supérieur pour alléger le calcul (en
évaluant par exemple les paramètres de vieillissement par des extrapolations de cycles d’une
journée à l’échelle de l’année).
5 Formulation multi-couche
5.1 Présentation de l’approche multi-couche

Après avoir développé et adapté des outils mathématiques pour traiter l’aspect multi-échelle
de temps des problèmes multi-physiques basés sur des cycles, nous proposons maintenant
d’élargir ce concept par une modélisation multi-couche [122]. Il s’agit de traduire le fonctionne-
ment complexe d’un système en un ensemble de cycles et de sous-cycles situés à des échelles de
temps différentes. Les exemples d’application sont donc multiples. Un exemple typique de ce
concept s’illustre dans le domaine du transport publique [123–125]. Prenons l’exemple d’un bus
urbain faisant un certain nombre d’aller-retour par jour entre deux stations. Ces cycles de trajets
sont accompagnés d’une période de repos pendant la nuit. Nous considérons que la période de
repos peut être formulée sur la base d’un ensemble de cycles ayant la même durée qu’un cycle
de fonctionnement complet (un aller/retour). En effet, tout cela est fait dans le but de former
une couche à l’échelle d’une journée composée de cycles uniformes de la même durée. Cette
contrainte n’est pas obligatoire. Elle a permis de simplifier l’algorithme de simulation dans la
présente d’étude. Elle pourra être levée par la suite.
De la même manière, une couche supérieure composée de plusieurs cycles d’une journée
peut également être formée. Si nous désirons simuler ce système sur une année ou plusieurs an-
nées de fonctionnement, nous rajoutons la couche de la semaine qui est composée de plusieurs
cycles d’une journée. Notons que dans chacune des couches, il existe deux scénarios (fonction-
nement ou arrêt) de cycles concaténés pour former une séquence complète de la couche.
Concrètement, la méthode proposée est fondée essentiellement sur la mise en abyme des
cycles appartenant à des échelles de temps différentes. Elle est inspirée du concept des poupées
russes comportant une série de poupées en bois emboitées les unes dans les autres. La Figure
II.12 décrit le principe de la méthode et les différentes couches de cycles élémentaires en se
basant sur l’exemple déjà présenté.
52 semaines
FfSn FfSn FfSn FfSn FfSn . . . FfSn S
Far S
Far FfSn FfSn
Couche 3 t
1 semaine
7 jours 7 jours
FfJn FfJn ... FfJn J
Far J
Far J
Far J
Far . . . Far
J
Couche 2 t t
1 jour 1 jour
24 heures 24 heures
H
Far H
Far FfHn FfHn FfHn H
Far H
Far H
Far H
Far H
Far H FH
Far ar
Couche 1 t t
4h 4h
ff n (x, t)
xH
n+1
xH
n xH
n
far (x, t)
xH
n+1
Couche 0 t t
4h 4h
F IGURE II.12 : Exemple de modélisation du fonctionnement annuel par cycles d’un bus urbain.
Le sens de la résolution du problème multi-échelle commence du niveau le plus bas (la

couche 0) en allant vers les couches supérieures une par une. En effet, l’implémentation des
modèles mathématiques (équations différentielles ou modèles d’état) caractérisant le fonction-

nement du système s’effectue au niveau de la couche de base (couche 0). Puis le résultat obtenu
sur cette couche est transmis vers la couche de dessus et ainsi de suite jusqu’à atteindre la
couche la plus haute.
L’objectif principal derrière cette nouvelle formulation est d’introduire une méthode d’inté-
gration à pas variable sur chaque couche, afin de réduire les efforts de calcul, et cela à plusieurs
échelles de temps. Pour cela, nous proposons une nouvelle formulation mathématique des mé-
thodes intégrées déjà présentées dans la section précédente permettant de prendre en compte la
liaison entre les différentes couches.
5.2 Formulation multi-couche de l’application du bus urbain
En se basant sur l’application du bus urbain, nous proposons pour la suite de ce travail les
notations suivantes relatives aux couches et à la nature des cycles et des sous-cycles :
• une couche k ∈ {J, H} signifiant les couches "jour" et "heure" ;
• un cycle c ∈ { f n, ar} de la couche 2 signifiant les modes "fonctionnement" ou "arrêt" ;
• un sous-cycle i ∈ { f n, ar} de la couche 1.
Sur une couche k, le passage d’un vecteur d’état initial xnk calculé à tnk à un vecteur d’état
k
xn+1 k
obtenu à tn+1 sur la même couche peut être donné par l’équation suivante :
k
xn+1 = xnk + Tck Fck (xnk ,tnk ) (II.34)
avec Fck est la variation moyenne du cycle de largeur Tck .
Cette variation moyenne du cycle Fck calculée au niveau de la couche k est obtenue par la
concaténation d’un ensemble de m cycles de largeur Ti calculés sur une couche inférieure k − 1
(II.35).
m−1
1
Fck (xnk ,tnk ) =
Tck ∑ Tik−1 Fik−1(xn+
k−1 k−1
j ,tn+ j ) (II.35)
j=0
L’application de cette nouvelle formulation multi-couche sur l’exemple décrit dans la sec-
tion précédente (Fig. II.12), permet de définir clairement un jour de fonctionnement FfnJ en
fonction d’un ensemble de cycles de 4 heures FfnH et FarH , explicitée par l’équation (II.36).
TfnJ FfnJ (xnJ ,tnJ ) = TarH ∑ FarH (xn+

H H
j ,tn+ j )
j=0,1
+ TfnH ∑ H
FfnH (xn+ H
j ,tn+ j ) (II.36)
j=2,3,4
+ TarH FarH (xn+5

H H
,tn+5 )
où les cycles situés de n à n + 5, relatifs aux deux modes (fonctionnement et arrêt), sont évalués
récursivement suivant les équations (II.37) et (II.38).
Z t H +T H
H H H 1 n fn
Ffn (xn ,tn ) = H ffn (x,t) dt (II.37)
Tfn tnH
Z t H +T H
H H H 1 n ar
Far (xn ,tn ) = H far (x,t) dt (II.38)
Tar tnH
Toutefois, jusqu’à ce stade, la formulation par cycle de l’exemple à l’échelle de plusieurs

couches repose sur un calcul complet des différents cycles. Pour réduire les efforts de calcul,
nous allons introduire maintenant des méthodes d’extrapolation dans cette formulation. Pour
faciliter la compréhension de la démarche, nous continuons sur le même exemple. Par exemple,
l’équation (II.36) nécessite l’évaluation de 6 cycles successifs de 4 heures. Ce calcul peut être
réduit en remplaçant la somme des fonctions par des approximations qui sont définies par des
schémas numériques notés ΦH introduits dans la couche 1. Cela revient à remplacer l’équation
(II.36) par l’équation (II.39).
TfnJ FfnJ (xnJ ,tnJ ) ' 2 TarH ΦHar (xnH ,tnH ; 2 TarH )
+ 3 TfnH ΦHfn (xn+2

H H
,tn+2 ; 3 TfnH ) (II.39)
+ TarH ΦHar (xn+5

H H
,tn+5 ; TfnH )
Il est bien évident que cette approche d’extrapolation de cycles est beaucoup plus intéres-
sante pour un grand nombre de cycles successifs. Néanmoins, pour mesurer le gain potentiel de
cette formulation, il est plus judicieux de présenter l’approche en s’appuyant sur ce cas extrême
(présentant un faible nombre de cycles par couche).
Il est à noter que chaque fonction d’approximation est obtenue par au moins une évaluation
d’un cycle. Ainsi, un minimum de 3 évaluations pour l’exemple donné par l’équation (II.39)
est nécessaire sur un total de 6 cycles à calculer. Donc, le gain potentiel de réduction du calcul
est d’un facteur de 2. De plus, l’avantage de l’approche multi-couche est qu’elle conduit à la
multiplication des facteurs de réduction de calcul en passant d’une couche à une autre.
Par exemple, une semaine de fonctionnement peut être calculée par une journée de fonction-
nement sur la couche 2 (3 cycles évalués sur la couche 1) et une journée d’arrêt sur la couche 2
(un cycle évalué sur la couche 1). Notons que les cycles qui ne sont pas évalués sont simplement
extrapolés. Le total de cycles élémentaires évalués pour une semaine est de 4 sur un total de 42
évaluations (7 journées de 6 cycles), dans le meilleur cas.
En suivant la même démarche, la simulation d’une année peut être obtenue par une semaine
de fonctionnement (4 évaluations) et une semaine d’arrêt (1 évaluation). Ainsi, dans le meilleur
cas, une année est calculée par seulement 5 évaluations de cycles élémentaires de la couche 1.
Le gain potentiel de la formulation multi-couche est estimé à un facteur de 436, par rapport à
un calcul complet d’une année (2184 évaluations).
Cet exemple a permis de montrer le gain d’effort potentiel de l’approche multi-couche.

Néanmoins, en réalité les extrapolation effectuées par les méthodes d’intégration numériques
(présentées auparavant) ne sont pas aussi efficaces. Elles nécessiteront plusieurs évaluations
pour estimer une erreur locale par pas et, si le pas est rejeté, le calcul est refait jusqu’à satisfaire
une tolérance donnée. Nous verrons que, la formulation proposée dans cette section aura un
intérêt majeur notamment si le nombre de cycles élémentaires par couche est suffisamment im-
portant. Cela dépendra de l’application et des choix effectués par l’utilisateur dans la définition
de la structure des différentes couches.

thodes d’extrapolation
Pour généraliser la formulation multi-couche présentée dans la section précédente, nous
proposons un organigramme décrivant l’algorithme de calcul basé sur des fonctions imbriquées
(Fig. II.13). Cet organigramme repose alors sur une représentation générique et modulaire des
méthodes intégrées adaptées sur cycles et implémentées sur chacune des couches. Pour faciliter
la lecture de l’algorithme, nous représentons uniquement une formulation sur deux couches.
Dans des exemples plus complexes, cette formulation peut être étendue sur un nombre de
couches plus important.
Nous rappelons que k désigne le numéro de la couche et les indices c et i indiquent deux
types de cycles de la couche (k) et (k − 1), respectivement.
En effet, la couche (k − 1) utilise une méthode intégrée composée de deux fonctions Φ b k−1
i
k−1 k−1
et Φi (d’ordre p et p+1 respectivement), permettant d’évaluer une erreur locale εn+m . En se
basant sur le calcul d’un ensemble de variations moyennes Fik−1 des sous-cycles de longueurs
Tik−1 , la méthode intégrée permet alors d’approximer un point xn+m k−1
. Ce point n’est retenu que
si l’erreur pour ce pas de temps respecte la tolérance désirée Tolk−1 . Ce processus intégré sur
la couche (k − 1) est répété jusqu’à atteindre un point terminal tnk−1 équivalent à NC × Tik−1 (NC
désigne le nombre de cycles constituant la couche (k − 1) et formant un cycle élémentaire de la
couche supérieure (k)).
La couche (k − 1) permet alors de fournir à la couche (k) une variation moyenne Fck des
variables d’état sur un cycle de longueur Tck = NC × Tik−1 . Le résultat obtenu de Fck sera utilisé
dans la méthode intégrée exécutée sur la couche (k).
Afin d’éclaircir encore plus cette démarche, à titre d’exemple nous proposons le formalisme
mathématique (II.40) de deux méthodes intégrées implémentées sur chacune des couches. Il
s’agit d’une méthode de Heun-Euler imbriquée dans une méthode du Point milieu-Euler. Ces
méthodes ont déjà été détaillées séparément dans les sections (4.2.1.3) et (4.2.1.2) de ce cha-
pitre.
Définition
Initialisation des paramètres
des cycles
Non
Non
Oui
Oui
Non
Non
Oui
Oui
F IGURE II.13 : Organigramme décrivant la structure multi-couche basée sur des méthodes d’ex-
trapolation.
6. CONCLUSION 97
Couche (k) : Point − milieu Euler Couche (k − 1) : Heun Euler
k1 = Fik−1 (xnk−1 , tnk−1 )

k1 = Fck (xnk , tnk )
k2 = FiH (xnk−1 + (mk−1 − 1).TiH .k1 ,tnk−1
mk mk
k2 = Fck (xnk + 2 .Tck .k1 , tnk + 2 .Tck )
+ (mk−1 − 1).Tik−1 )
xbn+m
k
= xnk + mk .Tck .k1
k−1
xbn+m = xnk−1 + Tik−1 .((mk−1 − 1).k1 + k2 )
k
xn+m = xnk + Tck .k1 + (mk − 1).Tck .k2
k−1
xn+m = xnk−1 + mk−1 .Tik−1 . 12 (k1 + k2 )
k
εn+m = (mk − 1).Tck .(k2 − k1 )
k−1 mk−1 −2 k−1
εn+m = 2 .Ti .(k2 − k1 )
(II.40)
6 Conclusion
Nous avons présenté dans ce chapitre une méthodologie qui repose sur une formulation par
cycle d’un problème multi-physique. L’approche multi-couche offre à l’utilisateur la possibilité
de traduire le fonctionnement d’un système sous la forme d’un ensemble de cycles et de sous-
cycles. La méthodologie présentée dans ce chapitre a suivi deux axes de développement qui sont
complémentaires : le concept de l’extrapolation et le formalisme multi-couche. L’objectif de
cette méthodologie est d’introduire au niveau de chaque couche des méthodes d’extrapolation
pour réduire les efforts de calcul. Par ailleurs, le concepteur aura également le choix de l’outil
de simulation (causale ou acausale, graphique ou textuelle) dans lequel seront implémentés les
modèles mathématiques caractérisant le système. Dans le troisième chapitre, nous présenterons
une application d’un système multi-physique complexe qui servira comme un benchmark pour
tester notre méthodologie.
Synthèse du chapitre Méthodologie de simulation
• Une méthodologie de simulation basée sur une formulation par cycle des systèmes
multi-physiques et multi-dynamiques est proposée.
• Des méthodes d’extrapolation intégrées ont été adaptées à des problèmes sur cycles
et de nouvelles formulations de ces méthodes ont été présentées.
• Une nouvelle approche multi-couche, reposant sur le principe des poupées russes, a
été développée en introduisant des méthodes d’extrapolation imbriquées.
III
Application : Simulation d’un navire
électrique à supercondensateurs
Ar Vag Tredan
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2 Cahier des charges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.1 Description du système étudié . . . . . . . . . . . . . . . . . . . . . 100
2.2 Définition des objectifs . . . . . . . . . . . . . . . . . . . . . . . . . 103
3 Modélisation de l’unité de stockage d’énergie du navire . . . . . . . . . . 104
3.1 Modèles multi-physiques . . . . . . . . . . . . . . . . . . . . . . . . 104
3.2 Implémentation des modèles dans un outil de simulation . . . . . . . 108
3.3 Simulation du modèle complet sur une journée de fonctionnement . . 114
4 Modélisation multi-couche du fonctionnement du navire . . . . . . . . . . 117
5 Résultats de simulation de la méthode multi-échelle et multi-couche . . . 118
5.1 Validation des méthodes intégrées sur une journée de fonctionnement 118
5.2 Simulation multi-couche sur 20 ans de fonctionnement . . . . . . . . 121
5.3 Prise en compte d’une température environnementale variable . . . . 124
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
99
100 CHAPITRE III. APPLICATION ET RÉSULTATS DE SIMULATION
1 Introduction
Ce dernier chapitre est dédié à l’application de notre méthodologie de modélisation et de
simulation multi-échelle de temps au navire tout électrique basé sur des supercondensateurs.
Dans un premier temps, une modélisation multi-physique de son stockeur d’énergie ainsi que
son implémentation dans un outil de simulation acausale seront détaillées. Dans un deuxième
temps,après avoir rappelé le cahier des charges du navire, la disparité des constantes de temps
présentes dans le système sera traitée par l’intégration des méthodes d’extrapolation en utili-
sant une approche multi-couche. Dans cette optique, nous serons amenés à comparer différents
solveurs numériques basés sur cycles en termes de stabilité et d’efficacité. Enfin, nous démon-
trerons l’intérêt de l’aspect multi-couche dans l’amélioration du facteur de réduction des efforts
de calcul.
Tout l’enjeu de ce chapitre est donc de montrer au travers de plusieurs cas de figures réa-
listes, la capacité qu’a notre méthodologie à s’appliquer sur des systèmes de natures différentes.
En effet, les méthodes proposées s’appuient sur un cadre générique et modulaire offrant à l’uti-
lisateur le choix de la conception des différentes couches et des méthodes d’extrapolation qu’il
pense les plus adéquates pour la résolution de son système.
2 Cahier des charges
2.1 Description du système étudié

Notre méthodologie est appliquée à la modélisation et la simulation du premier navire à pas-
sagers au monde à supercondensateurs. Il s’agit d’un navire tout-électrique nommé Ar Vag Tre-
dan qui a été mis en circulation depuis 2013 (Fig. III.1). Il est équipé uniquement de supercon-
densateurs comme source d’énergie principale lui permettant d’assurer les liaisons quotidiennes
entre deux arrêts d’une ligne de transport en commun à Lorient en France. Le choix de l’utilisa-
tion des supercondensateurs se justifie par le fait qu’ils sont capables de supporter un très grand
F IGURE III.1 : Ferry électrique à passagers Ar Vag Tredan.

2. CAHIER DES CHARGES 101
nombre de cycles de recharge (trajet court et fréquent), et par conséquence d’afficher une durée
de vie meilleure par rapport aux technologies de stockage électrochimiques existantes.
Ce bateau électrique réalise 35 traversées par jour d’une durée de 30 minutes chacune. Il
recharge 35 fois par jour ses stockeurs au quai (R) (Fig. III.2). À chaque escale, la recharge
s’effectue en seulement 5 minutes à puissance constante, puis le navire repart en consommant
une puissance correspondant à une vitesse de 5 noeuds pour sortir du chenal (2). Une fois sorti
du chemin de chenalage (2), le bateau navigue à 8 noeuds en suivant la trajectoire (1) puis il
ralentit pour terminer ce trajet à 5 noeuds en arrivant au quai (A). Le temps d’embarquer et/ou
débarquer des passagers à l’arrêt (A), le navire consomme de l’énergie pour se maintenir près
du ponton et alimenter ses auxiliaires (réseau de bord, pompes, ventilation,...). À la fin de cette
escale, il reprend la même trajectoire pour revenir à sa station de recharge en utilisant le même
ordonnancement de puissance effectué à l’aller.
Le cycle de puissance équivalent au fonctionnement du navire pour une traversée (aller-

retour) est détaillé dans la Figure III.2.
R Psc (kW)
2 200
0 2 8 10 15 17 23 25 30
−10.7 R t (min)
−21.5 A
2 2 2 2
2
−64.5
1 1
A Ttrip
F IGURE III.2 : Illustration du circuit et du cycle de puissance du ferry électrique Ar Vag Tredan.
À raison de 35 recharges complètes pour une journée de fonctionnement normale, le navire

sera rechargé environ 13.000 fois par an (sans prendre en compte la période de la maintenance
préventive annuelle). Cette cadence de cycles de charge-décharge peut être aisément garantie
par des modules de supercondensateurs sur la durée de vie prévue du navire. L’avantage des su-
percondensateurs est qu’ils supportent un nombre de cycles très élevés [126–128]. Néanmoins,
la durée de vie de ce système de stockage ne dépend pas uniquement du nombre de cycles
effectués mais aussi d’un certain nombre de facteurs liés à leur utilisation (tension maximale,
profondeur de décharge, température environnementale...).
L’adoption de cette solution nécessite la mise en place d’une infrastructure particulière à

quai (puissance de recharge importante) pour assurer une recharge rapide du navire [11]. L’ar-
chitecture électrique adoptée pour ce navire repose sur un bus continu (6) commun permettant
de connecter l’ensemble de ses systèmes électriques (Fig. III.3).
F IGURE III.3 : Schéma électrique global du ferry basé sur des supercondensateurs [11].
La recharge de l’unité de stockage d’énergie (8), faisant l’objet de notre étude, est effectuée
via le réseau électrique (1) de tension alternative présent sur le quai. Le réseau principal (1)
est alors connecté à la prise de recharge (3) par l’intermédiaire d’un transformateur abaisseur
de tension (2). Ensuite, la tension alternative venant du transformateur (2) est redressée par le
redresseur (5). Ce denier permet aussi de redresser la tension arrivant du groupe électrogène de
secours (4) en cas de panne sur la chaîne de conversion et de stockage d’énergie.
Une fois que les modules de supercondensateurs sont suffisamment chargés pour effectuer
une traversée, l’énergie emmagasinée est transmise aux moteurs de propulsion (10) à travers
l’onduleur (9), ainsi qu’aux différentes charges (12), en passant par l’onduleur (11).
TABLE III.1 : Caractéristiques de fonctionnement du navire électrique.

Nombre de traversées par jour Ntra jets 35 trajets/jour
Durée de recharge ∆trech 5 min
Durée du cycle Tc 30 min
Énergie utile pour une traversée Eutile 15 kWh
Durée de vie maximale des SCs max(τvie ) 20 ans
Température ambiante Ta 25 ◦ C
2. CAHIER DES CHARGES 103
2.2 Définition des objectifs

Aujourd’hui, les industriels visent à répondre à un certain nombre d’exigences concurren-
tielles et économiques pour rester compétitifs. L’application présentée dans ce chapitre est un
exemple typique de système de transport complexe nécessitant la prise en compte de plusieurs
facteurs pluridisciplinaires pour optimiser le dimensionnement de ses organes. En effet, il s’agit
de trouver le meilleur compromis technico-économique permettant de répondre aux attentes du
client.
Le système de stockage d’énergie du ferry électrique Ar Vag Tredan représente environ 20 %

de son coût global [12]. Pour cela, une attention particulière est accordée à la modélisation et
à la simulation du fonctionnement du stockeur en vue de l’optimisation de son dimensionne-
ment. Cette modélisation doit alors tenir compte de l’impact de la température et des variations
de la tension tout au long de la vie du stockeur. En effet, il s’agit de suivre la dégradation des
paramètres électriques Csc (capacité) et Rs (résistance série) sur une durée de 20 ans de fonc-
tionnement. De plus, un des objectifs fixés pour cette application est de surveiller sur toute la
durée de vie deux éléments d’une grande importance : l’élévation de la température qui est liée
aux pertes (puissance dissipée par effet Joule) et la profondeur de décharge qui augmente avec
le vieillissement pour garantir la même énergie utile pour une traversée. Le vecteur d’état du
problème est alors composé de 4 variables X = (uc , Tsc ,Csc , Rs )T , avec uc la tension aux bornes
du système de stockage, Tsc la température au coeur des modules de supercondensateurs, Csc la
capacité énergétique équivalente et Rs sa résistance série équivalente.
L’originalité de l’application présentée ici réside alors dans l’intégration du critère de la du-
rée de vie dans le processus d’optimisation. Or, la prise en compte du vieillissement en plus des
phénomènes électro-thermiques considérés ajoute une échelle temporelle supplémentaire qui
pénalise considérablement le temps de calcul (le rapport entre les dynamiques est supérieur à
106 ). Par conséquent, gérer simultanément toutes ces informations en effectuant des simulations
de plusieurs années à l’échelle de la seconde semble être un défi en terme d’efforts de calcul.
Pour cela, dans les prochaines sections, nous allons appliquer les méthodes et les outils présen-
tés dans le chapitre II pour simuler le système du navire électrique. Ainsi, le dimensionnement
de l’unité de stockage d’énergie du navire pourra être optimisé en réunissant l’ensemble des
paramètres impliquant différents domaines physiques.
Pour tester et valider les performances de notre méthode mutli-échelle de temps et multi-
couche, nous proposons deux scénarios, ayant des degrés de difficulté différents :
• Dans un premier temps, pour simplifier l’étude nous considérons que la température exté-
rieure des modules est la température ambiante (Ta = 25◦C) ainsi que les supercondensa-
teurs sont installés de manière à ce que la température soit homogène entre les différents
modules. Cela nous permettra d’observer le comportement général du stockeur à une
température ambiante constante durant son fonctionnement.
• Dans un deuxième temps, pour se rapprocher de l’application réelle, nous intégrons à

l’entrée du modèle thermique un cycle de température ambiante variable relatif aux condi-
tions climatiques du navire. Dans ce cas, cette nouvelle contrainte nous impose d’utiliser
une échelle de temps supplémentaire.
3 Modélisation de l’unité de stockage d’énergie du navire
3.1 Modèles multi-physiques

L’unité de stockage d’énergie électrique du navire, composée d’un ensemble de modules
de supercondensateurs (SCs), peut être décrite par des modèles multi-physiques prenant en
compte des phénomènes électriques, thermiques et de vieillissement. En effet, ces modèles
permettront d’étudier l’impact des variations de la température et de la tension, à l’échelle du
cycle d’une traversée, sur la dégradation des performances des SCs durant plusieurs années de
fonctionnement du navire. Dans cette section, nous présentons alors les modèles équivalents du
stockeur que nous avons formulés à partir d’équations différentielles, ainsi que leur couplage
multi-physique mettant en jeu les échanges de paramètres et de variables calculés.
Le modèle électrique choisi dans cette étude repose sur un modèle énergétique simplifié de
type RC [96,126,129]. Il est composé d’une capacité csc représentant l’énergie stockée et d’une
résistance série rs symbolisant les pertes de transfert au sein d’un module lors des échanges
d’énergie. Ce modèle correspond bien à un besoin de modélisation énergétique. Il est souvent
utilisé par les industriels vu la simplicité de sa mise en oeuvre et la facilité de l’identification
expérimentale de ses paramètres. Chaque module intègre un système d’équilibrage représenté
par une résistance parallèle r p .
Les modules de supercondensateurs sont assemblés en série et en parallèle pour satisfaire le
besoin énergétique et pour répondre aux contraintes imposées par l’architecture électrique du
navire (tension du bus continu, courant maximal,...). En effet, les Ns modules associés en série
forment une branche. L’unité de stockage d’énergie est obtenue alors par l’association de N p
branches en parallèle.
Dans notre étude, nous travaillons avec le module équivalent présenté dans la Figure III.4
constitué à partir de l’ensemble des modules de supercondensateurs. Notons que dans ce cas
nous supposons que tous les modules possèdent les mêmes caractéristiques électriques (capa-
cité et résistance interne).
3. MODÉLISATION DE L’UNITÉ DE STOCKAGE D’ÉNERGIE DU NAVIRE 105
Les paramètres du module équivalent, obtenus en utilisant les équations (III.1), sont notés :
• Csc : capacité énergétique globale équivalente.
• Rs : résistance série globale équivalente.
• R p : résistance d’équilibrage globale équivalente.
Np Ns Ns
Csc = csc ; Rs = rs ; Rp = rp (III.1)
Ns Np Np
isc
ic ip
Rs
usc Rp
uc Csc
F IGURE III.4 : Modèle électrique équivalent de l’ensemble des modules de supercondensateurs.
La puissance absorbée par l’unité de stockage d’énergie est définie par Psc = usc isc . Nous
avons exprimé cette équation en fonction de la variable d’état uc en utilisant les deux équations
différentielles ordinaires suivantes :
d uc usc
isc = Csc + (III.2)
dt Rp
d uc
usc = RsCsc + uc (III.3)
dt
Le produit de ces deux équations conduit à l’équation différentielle algébrique (III.4) per-
mettant de déterminer la variable d’état uc à partir d’un ensemble de paramètres et d’un profil
de puissance connu. Notons que les paramètres variables Csc et Rs sont les solutions obtenues à
partir des équations caractérisant le vieillissement des modules de supercondensateurs.

R2s 2 d uc 2 Rs d uc u2c
Psc = Rs + Csc + 1+2 Csc uc + (III.4)
Rp dt Rp dt Rp
Maintenant, connaissant le courant isc et la tension usc à l’entrée du stockeur, nous pouvons
estimer les pertes dans chacun des éléments Rs et R p . L’équation (III.5) décrit la somme des
pertes dans les modules de supercondensateurs.
u2sc
Φ pertes = Rs i2c + (III.5)
Rp
Ces pertes électriques produisent un phénomène d’auto-échauffement à l’intérieur des mo-
dules. L’élévation de la température a un impact très important sur la dégradation des perfor-
mances des supercondensateurs [130, 131]. Un modèle thermique (Fig. III.5) est donc adopté,
afin d’estimer l’évolution de la température Tsc à l’intérieur des modules.
Tsc Rcond Rconv
Φpertes Rth
PR s + PR p Cth Ta
F IGURE III.5 : Modèle thermique équivalent de l’unité de stockage d’énergie.
Ce modèle thermique décrit par l’équation différentielle (III.6) dépend essentiellement des
pertes, de la température ambiante et des propriétés thermiques du composant. Pour simplifier
le modèle thermique, nous avons considéré que la résistance de conduction Rcond et la résistance
de convection Rconv pouvaient être représentées par une résistance thermique Rth .

dTsc 1 Tsc − Ta
= Φ pertes − (III.6)
dt Cth Rth
La constante de temps thermique du modèle est donnée par :
τth = Cth Rth (III.7)
La tension et la température évaluées à l’aide des modèles présentés précédemment seront

utilisées pour calculer la dégradation des performances des modules de supercondensateurs en
fonction du temps. En effet, le vieillissement des modules se traduit par une dégradation des pa-
ramètres électriques (capacité énergétique et résistance série). Il intervient donc sur l’efficacité
et l’autonomie du système.
Le modèle de durée de vie choisi dans cette étude s’appuie sur les paramètres issus des essais
de vieillissement calendaire. La contribution de plusieurs travaux [13–16], révèle qu’un profil
moyen de dégradation de la capacité existe (Fig. III.6).. En se basant sur cette évolution géné-
rique du vieillissement de la capacité, il est intéressant de se rapprocher de notre fonctionnement
cyclique et le modéliser par une loi d’Arrhenius. Cette loi dépend principalement de la tension
vue pendant le cycle de charge-décharge et de la température au coeur des modules [132–135].
Ensuite, en partant de ce profil normalisé, il est possible d’utiliser l’asymptote à la courbe
réelle, afin d’effectuer une estimation de la valeur de la capacité. Notons que ce profil légère-
115
Briat et al., Microelectronics Reliability, 2010
Maxwell Tech., user guide, 2009
110
Kotz et al., Journal of Power Sources, 2010
El Brouji et al., IEEE Trans. Veh. Technol., 2009
105
Normalized capacitance (%)

100
95
90
85
80
75
0 20 40 60 80 100
Lifetime (%)
F IGURE III.6 : Représentation normalisée de l’évolution du vieillissement de la capacité [12–

16].
ment pessimiste qui est ramené à une simple droite, peut avoir des vitesses d’évolution variables
en fonction de la tension et de la température de fonctionnement des supercondensateurs 1 .
Finalement, le modèle proposé peut être traduit par les équations différentielles (III.8) et
(III.9) permettant d’estimer la variation de la capacité Csc et de la résistance série Rs dépendant
exponentiellement de la température et de la tension. Vu que seule la partie linéaire de la dégra-
dation est prise en compte, la capacité sera initialisée en début de vie à 90% de sa valeur initiale.
Notons que pour toute augmentation ∆U de la tension ou ∆T de la température, la durée de vie
du composant est divisée par 2.

dCsc usc (t) −U0 Tsc (t) − T0
= −KC0 .(0.9 ×Cso ). exp ln(2) . exp ln(2) (III.8)
dt ∆U ∆T

dRs usc (t) −U0 Tsc (t) − T0
= KR0 .Rso . exp ln(2) . exp ln(2) (III.9)
dt ∆U ∆T
En général, le critère de fin de vie classique d’un module de supercondensateurs peut être
défini par une perte de 20% de sa capacité initiale ou par une augmentation de 100% de sa
résistance série [136–138].
Enfin, pour regrouper les modèles décrits précédemment dans un schéma de connexion
multi-physique, il suffit de faire apparaitre les variables calculées et échangées entre les dif-
1. D’une manière générale, la loi d’Arrhenius permet d’exprimer un concept empirique utilisé pour la modéli-
sation de la vitesse des réactions chimiques. En effet, il a été démontré expérimentalement que cette loi permet de
décrire assez fidèlement la vitesse de dégradation de divers composants.
férents sous-systèmes. Le cycle de fonctionnement d’une traversée, exprimé pour une sollici-
tation en puissance Psc , agit comme une entrée au modèle multi-physique tel qu’illustré par
la Figure III.7. Le problème complet sera alors résolu comme un bloc monolithique selon la
période d’échantillonnage choisie.
Psc (t)
Modèle électrique
Csc (t), Rs (t) PRs (t) + PRp (t)

uc (t)
Modèles de vieillissement Modèle thermique
Tsc (t)
F IGURE III.7 : Graphe de liaison entre les modèles multi-physiques équivalents des SCs.
3.2 Implémentation des modèles dans un outil de simulation

Pour simuler le comportement du navire électrique, nous avons choisi la plateforme Simu-
link de Matlab en utilisant les bibliothèques Simscape et Stateflow. Les modèles mathématiques
présentés dans la section précédente sont alors implémentés en utilisant l’outil de modélisation
acausale Simscape. En effet, comme nous l’avons déjà évoqué auparavant, l’approche acau-
sale semble plus appropriée pour la modélisation et la simulation des systèmes multi-physiques
complexes. Ce choix s’explique par le fait qu’une description acausale d’un système représenté
par des équations différentielles non-linéaires ne présuppose pas de travail préliminaire de mise
en forme du problème. L’intérêt majeur de cette approche réside alors dans le gain du temps
d’implémentation des modèles et, par conséquent, la réduction des délais de conception des
systèmes complexes. Ainsi, les modèles sont intégrés dans l’outil de simulation en décrivant
uniquement les relations entre les variables sans aucune affectation de causalité. Le sens de
résolution du problème est défini implicitement par le solveur lors de la simulation.
Modèle électrique
Pour implémenter le modèle électrique représenté par la relation algébro-différentielle (III.4),

nous avons la possibilité de le décrire, soit par une interconnexion de composants physiques
élémentaires, soit en créant un nouveau composant dans lequel nous intégrons ses différentes
équations. Par conséquent, cette flexibilité facilitant la construction de modèles complexes ainsi
que la capacité des solveurs numériques à résoudre des problèmes raides contenant des DAEs
implicites constitue un avantage majeur de l’outil Simscape.
La Figure III.8 représente le modèle électrique construit à partir d’un ensemble de com-
posants physiques de la bibliothèque de Simscape. Ce modèle contient une capacité et une
résistance série variables qui sont mises à jour à partir des modèles de vieillissement.
F IGURE III.8 : Implémentation du modèle électrique sous Simscape.
Profil de puissance et stratégie de recharge
La stratégie de recharge adoptée dans cette étude est une stratégie classique qui consiste à
recharger à puissance constante les modules de supercondensateurs jusqu’à une tension maxi-
male fixe Umax . Une difficulté réside dans l’estimation de la valeur de Umax qui doit permettre de
garantir une énergie suffisante pour assurer une traversée et cela jusqu’à la fin de vie du stockeur
(à 80 %Cso ). Comme illustré sur la Figure III.9, l’énergie stockée est comprise entre la tension
de fin de charge Umax et la tension minimale de décharge Umin qui diminue au fur et à mesure,
pour compenser la dégradation de la capacité (Eq. III.10).
1 2 2
Estockee = Csc (Umax −Umin ) (III.10)
2
En fin de vie, la profondeur de décharge définie par Umin− f ne doit pas être en dessous d’une
valeur fixée par le cahier des charges (généralement entre 20 % et 30 % de la tension nominale
des modules). Par conséquent, la valeur de Umin− f peut être approchée par une anticipation de
la perte de capacité, c’est à dire, à 80 % de la valeur initiale de la capacité Cso . Cette approxi-
mation est faite par une extrapolation linéaire de la dégradation de la capacité jusqu’à la fin de
vie. Néanmoins, cette hypothèse n’est valable que dans des conditions d’utilisation particulières
(cycle de fonctionnement qui se répète identiquement, température ambiante constante...). De
plus, il faut aussi tenir compte des pertes en fin de vie dans l’estimation de l’énergie qui sont
principalement liées à la résistance série Rs qui augmente avec le vieillissement. Et par consé-
quent, la valeur de la résistance série Rs en fin de vie n’est pas évidente à approximer.
En fait, dans notre étude nous choisirons une valeur surestimée de Umax qui soit capable de
maintenir une énergie suffisante sur une durée de 20 ans de fonctionnement du navire. L’incon-
vénient majeur de cette stratégie est qu’elle entraine un vieillissement prématuré des modules
de supercondensateurs en appliquant des tensions inutilement élevées en début de vie. Nous
avons donc choisi de retenir cette stratégie pour la simplicité de sa mise en oeuvre, afin de ne
pas alourdir inutilement notre problème. Il est à noter que dans la thèse de Sony Trieste [11],
une stratégie d’exploitation à tension de recharge variable est proposée. Le lecteur pourra donc
se référer à ce travail pour plus de détails.
Le profil de puissance Psc à l’entrée du modèle est obtenu à l’aide d’une machine d’état
(l’outil Stateflow de Matlab) dédié à la conception de profils et de diagrammes de flux com-
plexes et dont l’organigramme est détaillé par l’annexe.B. L’intérêt d’utiliser une machine à
états dans notre application se justifie par le fait que la largeur du cycle de fonctionnement
n’est pas constante sur toute la durée de vie des supercondensateurs. En effet, la puissance de
décharge du cycle représentant un aller/retour est fixe et se répète identiquement tandis que la
durée de la phase de recharge est variable puisqu’elle dépend essentiellement de l’état de santé
et donc des pertes du stockeur.
F IGURE III.9 : Stratégie de recharge classique avec tension de fin de charge constante.
Modèle thermique
Les phénomènes thermiques représentés par le modèle (Fig. III.5) peuvent être décrits par
l’interconnexion d’un ensemble de composants thermiques de la bibliothèque multi-domaine de
Simscape. L’entrée du modèle thermique sera alors le flux des pertes Φ pertes (dans la résistance
série et la résistance parallèle) fourni par le modèle électrique et la sortie sera la température Tsc
du coeur du stockeur qui est injectée par la suite dans les modèles de vieillissement.
F IGURE III.10 : Implémentation du modèle thermique sous Simscape.
Modèles de vieillissement
Pour modéliser la dégradation de la capacité et de la résistance série des modules de super-

condensateurs nous avons créé deux nouveaux composants à l’aide d’une description acausale
sous Simscape. Ces composants sont décrits par un code Matlab (Fig. III.11) dans lequel nous
pouvons définir une ou plusieurs entrées, une ou plusieurs sorties, un ensemble de paramètres,
une ou plusieurs variables d’état et des équations différentielles décrivant le comportement du
composant.
L’avantage de l’utilisation de cette approche réside dans son aspect modulaire facilitant la
réutilisation de composants spécifiques et réutilisables, permettant ainsi de réduire le temps de
développement.
(a) Création des composants. (b) Code matlab du modèle de vieillissement de la capacité.
F IGURE III.11 : Implémentation des modèles de vieillissement sous Simscape.
Modèle multi-physique complet
Le modèle complet du système multi-physique décrit par la Figure III.12 regroupe les dif-
férents sous-systèmes développés précédemment. Ce modèle sera alors résolu comme un en-
semble monolithique d’équations différentielles en utilisant le même solveur numérique et avec
un pas de temps commun.
Comme nous l’avons déjà mentionné, l’implémentation des méthodes multi-échelles de

temps est effectuée sur des couches situées au dessus de la couche de base (couche 0) béné-
ficiant d’un solveur Matlab capable de résoudre des DAEs raides. Ainsi, la modélisation multi-
couche et les méthodes d’extrapolation que nous proposons dans cette étude traiteront l’aspect
multi-échelle de temps caractérisant les différents phénomènes physiques qui seront évalués par
des modèles moyens à l’échelle du cycle.
F IGURE III.12 : Schéma global des différents modèles sous Simscape.
Par ailleurs, il serait également possible d’aller plus loin dans la modélisation acausale en
créant un nouveau bloc multi-physique regroupant les différents modèles (Fig. III.13). Nous
évoquons cet exemple principalement dans le but montrer le potentiel et la flexibilité qu’offre
cette approche afin de réduire le temps de développement des modèles complexes. Le compo-
sant décrit par la Figure III.13 réunirait donc toutes les équations différentielles décrivant les
phénomènes électrique, thermique et de vieillissement. Il serait caractérisé par deux ports phy-
siques permettant son interconnexion avec d’autres composants électriques alors que les sorties
seraient utiles uniquement pour visualiser l’évolution des variables d’état. Les équations de la
thermique et de vieillissement seraient intégrées implicitement dans le but de prendre en compte
l’auto-échauffement et la dégradation des paramètres électriques du stockeur. Ce travail a été
réalisé dans le cadre de stage de thèse en cotutelle au sein du laboratoire IREENA et fera l’objet
d’un article de conférence (en cours de rédaction).
Ports physiques
d'interconnexion Variables
avec des de sortie
composants
électriques
Modèle multi-physique
F IGURE III.13 : Modèle multi-physique du supercondensateur créé sous Simscape.

3.3 Simulation du modèle complet sur une journée de fonctionnement

Après cette phase de développement et d’implémentation des modèles, nous allons mainte-
nant simuler le comportement du système multi-physique complet du stockeur du navire élec-
trique. Dans un premier temps, nous présentons le résultat de simulation du système pour une
journée de fonctionnement. Cela nous permet d’observer l’évolution des différentes variables
d’état, en début de vie des supercondensateurs, à l’échelle de la traversée, puis durant une jour-
née complète composée de 35 trajets et d’une phase de repos.
Le vecteur des variables à surveiller tout au long de la durée de vie du stockeur est représenté
par X = (usc , Tsc ,Csc , Rs )T , avec X0 = (Umax , Ta , 90 %.Cso , Rso )T le vecteur des conditions ini-
tiales. Le tableau III.2 décrit l’ensemble des paramètres utilisés dans cette étude pour le dimen-
sionnement et la simulation du ferry électrique. La chaine de stockage du navire est composée
de 99 modules de supercondensateurs de type Batscap M65V375F.
TABLE III.2 : Liste des paramètres utilisés pour la modélisation du ferry électrique.
Modèle électrique
Nombre de modules en série Ns 9
Nombre de branches en parallèle Np 11
Capacité initiale du module cso 375 F
Résistance série initiale du module rso 3 mΩ
Résistance d’équilibrage du module rp 2 kΩ
Tension nominale du module usc(mod) 65 V
Modèle thermique
Capacité thermique du module Cth 5 kJ.K−1
Résistance thermique du module Rth 1.7 K.W−1
Température ambiante Ta 25◦ C
Modèle de vieillissement
Taux de dégradation nominal de la capacité KC0 -1%/an
Taux de dégradation nominal de la résistance KR0 +10%/an
Température nominale T0 25 ◦ C
Tension nominale par cellule V0 2.5 V
Constante de variation de la température ∆T 10 ◦ C
Constante de variation de la tension ∆V 0.2 V
Paramètres généraux du système
Tension du bus continu VDC 600 V
Énergie utile pour une traversée Eutile 15 kWh
Le profil de puissance d’une journée de fonctionnement généré à l’aide de la machine à

états développée sous Simulink est présenté dans la Figure III.14. Une journée comporte 35
traversées (aller/retour) accompagnées d’une période de repos de 6,5 heures. Ce cycle d’une
journée se répète identiquement sur toute la durée de vie prévue du stockeur (20 ans). Encore
une fois, seulement la période de recharge des supercondensateurs va s’élargir au fur et à mesure
pour compenser la perte des performances due à la dégradation de leurs paramètres électriques.
F IGURE III.14 : Profil de puissance d’une journée de fonctionnement (35 trajets+pause).
Les résultats de simulation d’une journée de fonctionnement du navire sont présentés dans
la Figure III.15. Le solveur numérique utilisé pour la résolution du problème est un solveur à
pas variable ode15s avec une tolérance relative de 10−5 . En effet, le choix du solveur ode15s
est justifié par le fait qu’il est dédié à la résolution des DAEs raides.
(a) Évolution de la tension. (b) Évolution de la température.

-4 -3
x10 x10
(c) Évolution de la capacité. (d) Évolution de la résistance.
F IGURE III.15 : Résultats de simulation d’une journée de fonctionnement en début de vie.

Nous remarquons au travers des résultats présentés ci-dessous la disparité des échelles de
temps des modèles. Les phénomènes électriques sont caractérisés par une dynamique rapide
de l’ordre de la seconde (convertisseur idéal), tandis que la constante de temps du modèle
thermique est τth = 2, 3 heures. Concernant les modèles de vieillissement, l’évolution de la
capacité et de la résistance sont clairement beaucoup plus lentes.
La Figure III.16 illustre les résultats de simulation à l’échelle d’un cycle et en régime per-
manent thermique. La fin du cycle est définie par une tension de fin de recharge usc = 585 V qui
représente la valeur maximale fixée par le cahier des charges. Les pertes dans les résistances
série et parallèle sont calculées et utilisées pour évaluer la température et le vieillissement des
paramètres électriques. Il parait évident d’après les résultats obtenus que le vieillissement s’ac-
célère dans la première et la dernière parties du cycle, là où la tension et la température sont à
des valeurs élevées.
L’augmentation de la résistance Rs série conduit à une augmentation des pertes et par la
suite à une élévation de la température maximale. La diminution de la capacité Csc entraine une
baisse de la capacité énergétique de stockage impliquant une fin de décharge à des tensions de
plus en plus basses.
u sc = 585 V (100 %) max (Tsc)
u sc = 225 V (38.4 %)
(a) Évolution de la tension. (b) Évolution de la température.

x10-5 x10-4
(c) Évolution des pertes dans les résistances. (d) Évolution de la capacité et de la résistance.
F IGURE III.16 : Résultats de simulation d’un cycle en régime permanent.

4. MODÉLISATION MULTI-COUCHE DU FONCTIONNEMENT DU NAVIRE 117
Nous pouvons constater que les phénomènes physiques mis en jeu à différentes échelles de
temps interagissent les uns avec les autres avec un couplage fort entre les variables d’état. Cela
veut dire que la séparation des variables pour la parallélisation du calcul semble impossible.
C’est pour cette raison que nous partirons de ce cycle d’usage appliqué à l’ensemble des va-
riables d’état du problème pour construire les différentes couches de notre méthodologie. Par
analogie avec les poupées russes, ce cycle d’usage d’une traversée sera considéré comme la
poupée la plus petite qui est emboitée dans d’autres de tailles de plus en plus grandes. Dans la
section suivante nous détaillerons la structure de la modélisation multi-couche du fonctionne-
ment du navire sur toute la durée de vie prévue de son stockeur.
4 Modélisation multi-couche du fonctionnement du navire

Débute maintenant la dernière phase de la mise en oeuvre de la méthodologie : la modélisa-
tion multi-couche des cycles d’usage du navire. Dans cette application, le cycle d’une traversée
permet de construire une séquence de cycles de fonctionnement FfHn d’une durée de 1/2 heure
situés sur une première couche. Dans le cadre de cette première approche, pour simplifier nos
algorithmes, la séquence des cycles d’arrêt FarH est choisie de même durée que les cycles de
fonctionnement et sont situés sur la même couche (même échelle temporelle). Ces cycles d’ar-
rêt sont obtenus en considérant un profil de puissance Psc nul conduisant à une auto-décharge des
supercondensateurs. La simulation d’une journée de fonctionnement complète FfJn est formée
à partir d’une séquence de 35 cycles de fonctionnement FfHn et d’une séquence de 13 cycles de
repos ou d’arrêt FarH . Pour simuler le système sur une durée de vie de 20 ans de fonctionnement,
il faut concaténer 7300 cycles FfJn d’une journée (Fig. III.17).
20 ans : 7300 jours

FfJn FfJn FfJn FfJn FfJn FfJn ... FfJn FfJn FfJn FfJn
Couche 2 t
1 jour
1 jour : 48 cycles
FfHn FfHn FfHn FfHn FfHn FfHn . . . FfHn Far
H H
Far H
Far . . . Far
H
Couche 1 t
1/2 h
Fonctionnement Arrêt
xH
n
xH
n+1
ff n (x, t) xH
n
far (x, t)
xH
n+1
Psc (t) Psc (t) = 0

Couche 0 t t
1/2 h 1/2 h
F IGURE III.17 : Modélisation multi-couche du fonctionnement du navire électrique sur 20 ans.

L’intérêt principal de cette approche multi-couche est de pouvoir introduire sur chacune
d’entre elles une méthode d’extrapolation basée sur cycles dans le but de réduire les efforts
de calcul. En effet, accélérer la simulation sur une couche inférieure d’un facteur G1 et sur une
couche supérieure d’un facteur G2 conduit à un gain total valant à G1 ×G2 par rapport à la simu-
lation complète. Ces facteurs de réduction du temps de simulation dépendent essentiellement
du nombre d’évaluations par pas de temps, du nombre de pas rejetés et de la dynamique des
variables d’état. Par conséquent, il est alors important de souligner que le choix de la méthode
d’extrapolation pour chacune des couches et la tolérance relative adoptée auront un impact sur
le facteur d’accélération de la simulation.
Dans cette application, l’objectif principal est de conserver une bonne précision sur les indi-
cateurs de vieillissement Csc et Rs des supercondensateurs durant les 20 ans de fonctionnement.
Cela n’est possible qu’en effectuant un calcul suffisamment précis de l’évolution de la tension
et de la température qui sont les éléments clés qui influencent la vitesse de la dégradation des
performances.
5 Résultats de simulation de la méthode multi-échelle et multi-

couche
5.1 Validation des méthodes intégrées sur une journée de fonctionnement

Avant de présenter les résultats de simulation de l’approche multi-couche, il nous semble
pertinent d’éclaircir tout d’abord l’application mono-couche des méthodes d’extrapolation. Dans
cette partie (5.1), trois méthodes intégrées 2 différentes ont été implémentées pour l’extrapola-
tion des cycles d’aller-retour à l’échelle de la journée. Les résultats de simulation obtenus per-
mettent d’évaluer leur potentiel en termes de précision et de réduction des efforts de calcul. En
effet, l’application de ces méthodes sur une période de simulation courte, c’est à dire constituée
d’un nombre de cycles limité, doit être la plus efficace possible. La méthode intégrée la plus
efficace sera celle qui présentera le meilleur facteur G de réduction des efforts de calcul (III.11).
Nombre de cycles du calcul complet

G= (III.11)
Nombre de cycles évalués par la méthode
Pour mieux expliquer la démarche de simulation que nous avons adoptée, nous proposons
une illustration (Fig. III.18) montrant le principe de l’extrapolation de la méthode de Heun-
Euler, à titre d’exemple. Il s’agit d’initialiser au début de chaque pas le vecteur d’état xn par
2. Notons que les méthodes d’extrapolation basées sur cycles proposées pour cette application vérifient les
conditions de stabilité et de convergence.
5. RÉSULTATS DE SIMULATION DE LA MÉTHODE MULTI-ÉCHELLE 119
le résultat obtenu à la fin du pas précédent. Ensuite, la simulation est effectuée sur un pas de
largeur mT permettant de calculer un dernier point xn+m . Pour assurer une bonne gestion de la
mémoire, nous nous contentons d’enregistrer le vecteur d’état à la fin de chaque pas de temps.
Point enregistré
Point d’initialisation xn+m−1 xn+m
xn+1
xn
(m − 2) cycles extrapolés
mT
F IGURE III.18 : Illustration du principe de l’extrapolation (exemple méthode de Heun Euler).
Les trois méthodes intégrées basées sur cycle développées dans le chapitre 2 ont été testées
sur une journée de fonctionnement. Les résultats présentés dans le tableau III.3 montrent que
ces méthodes permettent d’atteindre un facteur de gain de 2 pour une tolérance Tol = 10−1 ,
sachant qu’une simulation d’une journée complète est constituée de 48 cycles.
TABLE III.3 : Résultats de simulation des différentes méthodes sur une journée (Tol = 10−1 ).
Méthode Total des cycles évalués Cycles rejetés Facteur de gain G
Calcul complet 48 - -
Heun Euler (2,1) 24 0 2
Point-milieu Euler (2,1) 26 0 1.84
RK3 Point-milieu (3,2) 33 3 1.45
Nous constatons que la méthode intégrée RK3 Point-milieu d’ordre 3 nécessite plus d’éva-
luations par pas de temps que celles d’ordre 2. Idéalement, plus l’ordre de la méthode intégrée
est élevé plus les extrapolations peuvent être importantes. Néanmoins, pour une courte période
de simulation présentant des variations à l’échelle de quelques cycles, la méthode est contrainte
de ralentir pour suivre l’évolution de la variable d’état.
La Figure III.19 montre les résultats de simulation des trois méthodes intégrées sur une
journée de fonctionnement comparées au calcul complet. La période de simulation est composée
de 35 cycles d’activité Ff n et de 13 cycles de repos Far . Nous remarquons au travers l’évolution
des 4 variables à surveiller (usc , Tsc ,Csc , Rs ) que les méthodes appliquées permettent d’obtenir
des résultats satisfaisants en termes de stabilité et de précision. En effet, l’adaptation des pas de
temps mT se fait en calculant une erreur locale pour chacune des variables d’état. Ce qui fait
que toutes les méthodes ralentissent au début de la période puis accélèrent pour adapter le pas à
la variation la plus contraignante, celle de la température Tsc .
Cycle Ffn Cycle Far
x10-4 x10
-3
F IGURE III.19 : Résultats de simulation mono-couche des méthodes d’extrapolation pour une
tolérance Tol = 10−1 .
La Figure III.20 montre l’évolution du nombre de cycles extrapolés (sans compter les cycles
évalués) en fonction du temps. Les trois méthodes intégrées débutent le calcul en partant d’une
condition initiale m0 = 2 (aucune extrapolation). Ensuite la progression de la taille du pas s’ef-
fectue en fonction de la tolérance choisie et de l’erreur locale relative à chacune des méthodes
calculée selon (III.12). Rappelons que m désigne le nombre de cycles par pas de temps, composé
des cycles évalués et des cycles extrapolés.
1
α.Tol p+1
mk+1 = mk (III.12)
εk
F IGURE III.20 : Evolution des pas d’extrapolation pour les trois méthodes.
Nous avons constaté au travers des différentes simulations réalisées que le contrôle du pas
peut être encore réglé par l’utilisateur en agissant sur le coefficient de sécurité α et le ratio
1 1
p+1 . En effet, pour ajuster les sauts de pas, il suffit de diminuer ou augmenter le ratio p+1 .
Néanmoins, l’adaptation du pas peut être mieux maitrisée en intégrant la notion de la régulation
PI présentée dans la section 4.2.2.3 du chapitre 2. Un petit réglage supplémentaire de α peut
être également utile pour éviter des dépassements non désirés.
5.2 Simulation multi-couche sur 20 ans de fonctionnement

Nous venons de voir dans la partie précédente l’application mono-couche des méthodes in-
tégrées sur une journée de simulation et les résultats obtenus en observant les variables de sortie
du système. Passons maintenant à la simulation multi-couche du fonctionnement du navire sur
toute la durée de vie de son stockeur (20 ans), en tenant compte des différents phénomènes
physiques modélisés. Pour ce faire, il s’agit d’abord de traduire la modélisation par cycles ins-
pirée du principe des poupées russes (Fig. III.21), en un formalisme algorithmique construit à
partir d’une fonction récursive. Tout l’enjeu de cette partie va consister au développement et
à l’implémentation des méthodes d’extrapolation à deux niveaux différents pour construire les
couches de cycles imbriqués.
20 ans : 7300 jours

Couche 2 t
TfJn
1 jour : 48 cycles
H H
Far H
Far . . . Far
H
Couche 1 t
H
TfHn Tar
F IGURE III.21 : Illustration de la structure multi-couche d’une simulation de 20 ans de fonc-

tionnement.
En effet, le concept de l’extrapolation est appliqué à des échelles de temps différentes dé-
finies par les cycles d’usages du système en question. Ainsi, le fonctionnement du navire sur
une durée de 20 ans est décrit par 2 couches composées chacune d’un ensemble de cycles et de
sous-cycles de natures différentes. Pour faciliter la compréhension de l’approche proposée, la
couche numérotée 2 est constituée de cycles d’une journée (notés "J") et la couche de dessous
numérotée 1 rassemble les sous-cycles d’une demi-heure (notés "H"). Notons que la couche de
base (couche 0) sera résolue par le solveur numérique intégré dans la plateforme de simulation
dont les résultats serviront ensuite dans le calcul des couches supérieures.
Nous simulons le système du navire sur une durée de 20 ans en choisissant une méthode de
Heun-Euler sur la couche 1 et en changeant le type de la méthode intégrée utilisée sur la couche
2. Le tableau III.4 présente les résultats obtenus avec les différentes méthodes et les tolérances
relatives suivantes : TolJ = 10−2 et TolH = 10−1 .
TABLE III.4 : Résultats de simulation obtenus en utilisant différentes méthodes d’extrapolation

sur la couche 2 et une méthode Heun-Euler sur la couche 1 (TolJ = 10−2 et TolH = 10−1 ).
Méthodes intégrées (couche 2) Cycles Cycles Total Total Facteur de
évalués rejetés cycles cycles gain global
(F J ) (F J ) évalués rejetés G
Heun-Euler (2,1) 12 (6 pas) 0 288 0 1216
Point milieu-Euler (2,1) 10 (5 pas) 0 240 0 1460
RK3-Point milieu (3,2) 12 (4 pas) 0 288 0 1216
Les résultats montrent qu’un facteur de gain d’environ 1200 par rapport à la simulation com-
plète est réalisé. Cela veut dire que si la simulation complète du modèle multi-physique sur 20
ans est obtenue au bout d’une période de 5 heures, le temps de simulation atteint par la méthode
multi-échelle et multi-couche proposée est de seulement 15 secondes. La Figure III.22 illustre
la comparaison des résultats obtenus par les différentes méthodes d’extrapolation utilisées avec
la simulation complète du système.
La dégradation de la capacité et de la résistance série des supercondensateurs sur la durée

de vie prévue (20 ans) est montrée par la Figure III.22. Avec le dimensionnement utilisé et les
hypothèses retenues, la résistance aura augmenté de 50 % et la capacité aura diminué d’environ
15 % (sachant que la condition initiale est égale à 90 %.Cso ).
Les figures de l’évolution de l’ensemble des variables à surveiller (usc , Tsc ,Csc , Rs ) montrent
que les méthodes d’extrapolation suivent correctement les variations des dynamiques en respec-
tant la tolérance fixée, aussi bien à l’échelle de la journée (figures à droite) qu’à l’échelle de la
durée de vie (figures à gauche).
-6x10⁻⁴ %
5.8x10⁻³ %
F IGURE III.22 : À gauche les résultats de simulation multi-couche des méthodes d’extrapolation
sur 20 ans de fonctionnement pour des tolérances TolJ = 10−2 et TolH = 10−1 ; à droite une
illustration du calcul au niveau de la couche 1 (à l’échelle de la journée) basée sur la méthode
de Heun-Euler.
Nous remarquons au travers des Figures III.22 et III.23 que l’évolution des pas extrapolés
pour les 3 méthodes s’adaptent à la dynamique des variables d’état à l’échelle de la durée de vie
permettant de fournir des résultats très satisfaisants. Néanmoins, dans ce cas de figure nous ne
pouvons pas réellement juger les performances de ces méthodes vu que les variations liées au
vieillissement des supercondensateurs sont quasi linéaires.
F IGURE III.23 : Evolution des pas d’extrapolation pour les trois méthodes au niveau de la
couche 2 sur 20 ans de simulation.
Aussi, pour pousser la comparaison plus loin, dans la partie suivante nous allons imposer
une nouvelle contrainte temporelle en ajoutant un cycle de température annuelle variable. Ainsi,
l’évolution du vieillissement à l’année sera influencée par le profil de la température ambiante
qui sera imposée.
5.3 Prise en compte d’une température environnementale variable

Pour s’approcher au plus prés des conditions de fonctionnement réelles, nous avons inté-
gré à l’entrée du modèle multi-physique un cycle de température annuel déduit à partir des
données climatiques enregistrées à Lorient (Fig. III.24). En effet, l’évolution du vieillissement
des supercondensateurs dépendant de la tension à ses bornes et de la température au coeur des
modules va être influencée par les variations annuelles de la température. De ce fait, les mé-
thodes intégrées doivent pouvoir traiter cette nouvelle contrainte temporelle et s’adapter à la
dynamique des variables d’état. Notons que les algorithmes de calcul multi-échelle de temps et
Cycles d’usage
Psc (t) ◦
C
20
Modèle électrique
Csc (t), Rs (t) PRs (t) + PRp (t) 5

uc (t)
Jan Juil Dec
Modèles de vieillissement Modèle thermique Cycle de température annuel

Ta
Tsc (t)
F IGURE III.24 : Modèle multi-phyique du système de stockage d’énergie du navire prenant en

compte un cycle d’usage d’une traversée et d’un profil de température annuel variable.
multi-couches développés lors de cette étude sont suffisamment génériques et modulaires pour
intégrer aisément différents cycles d’usage et de température, voire même pour modifier d’une
manière indépendante la méthode intégrée de chacune des couches.
5.3.1 Simulation à 2 couches en utilisant une méthode d’adaptation de pas standard
Pour évaluer les performances des méthodes d’extrapolation face à ce cas de figure qui
devient plus contraignant, nous avons simulé le système sur une durée d’une année de fonction-
nement. Comme dans le cas précédent, nous avons utilisé une méthode de Heun Euler sur la
couche 1 et nous avons fait varier les méthodes intégrées sur la couche 2 afin de comparer les
performances de chacune d’elles en termes de stabilité, de précision et de facteur de réduction
du temps de calcul.
Sur la couche 1, nous avons gardé les mêmes caractéristiques pour la méthode de Heun-
Euler (le même réglage du contrôle du pas, le même pas initial et la même tolérance TolH =
10−1 ) que dans le cas de figure précédent. Concernant la couche 2, le pas de temps de départ
choisi est de 10 jours pour toutes les méthodes intégrées utilisées en fixant une tolérance TolJ =
10−4 .
Les résultats de simulation illustrés par la Figure III.25 montrent que la température annuelle
variable influence la vitesse de dégradation des supercondensateurs. En effet, le vieillissement
s’accélère avec l’augmentation de la température et diminue avec les températures basses. Nous
F IGURE III.25 : Résultats de simulation multi-couche des méthodes intégrées dans le cas d’un
profil de température variable en utilisant différentes méthodes d’extrapolation sur la couche 2
et une méthode Heun-Euler sur la couche 1 pour des tolérances TolJ = 10−4 et TolH = 10−1 .
remarquons que les différentes méthodes intégrées utilisées permettent de fournir des résultats
satisfaisants en termes de précision et de stabilité.
Néanmoins, nous constatons d’après la Figure III.26 que le nombre de pas extrapolés a
chuté comparé au cas de figure précédent. Cela s’explique par le fait que la dynamique des
variables d’état (uc , Tsc ,Csc , Rs ) est devenue plus contraignante et que les méthodes d’extrapo-
lation doivent s’y adapter pour respecter la tolérance donnée par l’utilisateur.
F IGURE III.26 : Evolution des pas d’extrapolation pour les trois méthodes intégrées de la couche
2 sur 20 ans de simulation.
Le tableau III.5 présente les résultats détaillés concernant le nombre de cycles évalués et
rejetés ainsi que le gain global en temps de calcul. Nous remarquons que le facteur de réduction
du temps de simulation passe de 1200 dans le cas précédent à 13 dans le pire des cas en utilisant
la méthode intégrée Point-milieu Euler. La méthode intégrée de RK3-Point milieu permet de
réaliser le meilleur facteur de réduction du temps de calcul (G = 27) en gardant une bonne
stabilité et précision. Cependant, le nombre de pas rejetés pour ces méthodes représente environ
10 % à 16 % du nombre total de cycles évalués.
TABLE III.5 : Résultats de simulation sur 1 année de fonctionnement obtenus en tenant compte
d’une température variable et en utilisant différentes méthodes d’extrapolation sur la couche 2
et une méthode Heun-Euler sur la couche 1 (TolJ = 10−4 et TolH = 10−1 ).
(F H ) (F H )
Heun-Euler (2,1) 38 6 1178 186 15
Point milieu-Euler (2,1) 42 4 1302 124 13
RK3-Point milieu (3,2) 21 3 651 93 27
Afin de réduire le nombre de rejets des pas de temps et de mieux contrôler les sauts de
pas excessifs (passant de 10 à 85 pour la méthode RK3-Point milieu) nous allons intégrer une
méthode d’adaptation du pas basée sur un contrôle PI.
5.3.2 Simulation à 2 couches avec un contrôle de pas de type PI
Comme nous l’avons précédemment signalé, un contrôle PI pour l’adaptation des pas de
temps est implémenté dans toutes les méthodes intégrées utilisées. Les valeurs des paramètres
du correcteur PI sont obtenues en partant des conditions mentionnées dans la section (4.2.2.3)
du chapitre 2. Nous avons constaté qu’en faisant plusieurs essais en modifiant les valeurs des
paramètres nous obtenons de meilleurs résultats pour les trois méthodes intégrées en choisissant
KP = 0.05 et KI = 0.3. La Figure III.27 montre une progression plus lisse et équilibrée des pas
de temps extrapolés (en jours).
F IGURE III.27 : Evolution des pas d’extrapolation en utilisant un contrôle de pas PI pour les
trois méthodes au niveau de la couche 2 sur 20 ans de simulation.
Une amélioration est nettement réalisée en terme d’efficacité de la méthode (nombre de pas
rejetés) en observant les données du tableau III.6. Ainsi, le facteur de réduction du temps de
calcul est optimisé car le correcteur permet de trouver le nombre de pas temps nécessaire pour
satisfaire la tolérance exigée en faisant un minimum de rejets.
Cependant, malgré cette amélioration, le facteur de gain du temps de calcul reste insuffisant
par rapport aux objectifs fixés dans notre étude. Pour cela, pour exploiter au mieux les avantages
de l’approche multi-couche nous allons construire une nouvelle couche supérieure qui sera
constituée à partir de 20 cycles d’une année en prenant en compte l’existence d’un cycle de
température annuel répétitif.
TABLE III.6 : Résultats de simulation avec un contrôle PI sur 1 année de fonctionnement obtenus
en tenant compte d’une température variable et en utilisant différentes méthodes d’extrapolation
sur la couche 2 et une méthode Heun-Euler sur la couche 1 (TolJ = 10−4 et TolH = 10−1 ).
(F H ) (F H )
Heun-Euler (2,1) 32 2 992 62 18
Point milieu-Euler (2,1) 32 0 992 0 18
RK3-Point milieu (3,2) 21 0 651 0 27
5.3.3 Ajout d’une couche du cycle annuel : simulation à 3 couches
Nous présentons alors dans la Figure III.28 la nouvelle structure multi-couche décrivant le
fonctionnement par cycle du navire en considérant un profil annuel de la température. L’intérêt
principal de la création d’une nouvelle couche est de pouvoir extrapoler les variations moyennes
par cycle à un niveau supérieur dans le but d’atteindre la durée de vie de 20 ans, notamment
grâce à l’augmentation du facteur de réduction du temps de calcul.
20 ans
FfAn FfAn FfAn FfAn FfAn FfAn ... FfAn FfAn FfAn FfAn
Couche 3 t
1 an
1 an : 365 jours
Couche 2 t
1 jour
1 jour : 48 cycles
H H
Far H
Far . . . Far
H
Couche 1 t
1/2 h
Fonctionnement Arrêt
xH
n
xH
n+1
ff n (x, t) xH
n
far (x, t)
xH
n+1
Psc (t) Psc (t) = 0

Couche 0 t t
1/2 h 1/2 h
F IGURE III.28 : Modélisation multi-couche du fonctionnement du navire sur 20 ans considérant

un profil de température annuel variable.
Dans cette partie, nous choisissons les méthodes intégrées suivantes pour les différentes
couches :
• la couche 1 (aller-retour) : Heun-Euler avec TolH = 10−1 ;
• la couche 2 (journée de 35 traversées) : RK3-Point milieu (contrôle PI des pas de temps)

avec TolJ = 10−4 ;
• la couche 3 (année de fonctionnement) : Heun-Euler avec TolA = 10−1 .
Notre choix des méthodes se justifie par le fait que sur la couche 1 la méthode de Heun-
Euler a permis précédemment d’obtenir le meilleur facteur de gain G et de la même manière sur
la couche 2 la méthode RK3-Point milieu a été la plus efficace. Cependant, sur la couche 3 nous
avons constaté que les variations moyennes par cycle des variables d’état d’une année à une
autre peuvent être traitées aisément par une méthode intégrée d’ordre 2 (exemple la méthode de
Heun-Euler).
Le facteur global de réduction des efforts de calcul G est la combinaison des facteurs de
réduction Gi de chacune des couches. En effet, l’intérêt d’améliorer l’efficacité des méthodes
intégrées (exemple avec un contrôle PI des pas) est de limiter la propagation des cycles rejetés
pour chaque pas calculé sur les couches de dessus. À titre d’exemple, si 4 cycles F H sont rejetés
au niveau de la couche 1 sachant qu’un total de 40 cycles F J sont évalués sur la couche 2 ainsi
que 6 cycles F A sont évalués sur la couche 3, alors dans ce cas le nombre de cycles F H rejetés
en totalité sera de 960.
Le tableau III.7 montre les résultats de la simulation à 3 couches que nous avons obtenus.
Le nombre de cycles total F H rejetés est nul puisque aucun cycle n’est rejeté sur toutes les
couches supérieures. L’efficacité accomplie dans notre méthodologie dans sa globalité permet
d’atteindre un facteur de réduction des efforts de calcul de 90 et cela malgré la disparité des
constantes de temps présentes dans le système. En effet, ce facteur de gain global est le produit
des facteurs de réduction G1 = 1.5 , G2 = 18 et G3 = 3.3. Notons qu’une légère modification
du réglage du contrôle des pas de la couche 1 a été réalisée afin d’améliorer la précision du
calcul de la température maximale (G1 = 2 initialement). Cela permet d’éviter que les erreurs
de calcul se propagent sur les couches supérieures.
TABLE III.7 : Résultats de simulation à 3 couches sur 20 ans de fonctionnement obtenus en

tenant compte d’une température variable et en utilisant (couche 3 : Heun-Euler, TolA = 10−1 ) ;
(couche 2 : RK3-Point milieu, TolJ = 10−4 ) ; (couche 1 : Heun-Euler, TolH = 10−1 ).
(F A ) (F A ) évalués rejetés G
(F H ) (F H )
Heun-Euler (2,1) 6 0 3927 0 90
-7x10 ⁻⁴ %
6x10⁻³ %
F IGURE III.29 : Résultats de simulation à 3 couches sur 20 ans de fonctionnement obtenus en

tenant compte d’un profil de température variable avec les tolérances TolA = 10−1 , TolJ = 10−4
et TolH = 10−1 .
Nous avons représenté sur la Figure III.29 les résultats de simulation de l’ensemble des va-
riables de sortie (usc , Tsc ,Csc , Rs ) sur 20 ans de fonctionnement du navire. Le dimensionnement
du système de stockage utilisé dans cette application conduit à la fin de la période de fonction-
nement prévue à une diminution de 12 % de sa capacité initiale et une augmentation de 20 %
de sa résistance série équivalente. Cela est du à l’exposition des supercondensateurs à des tem-
pératures inférieures à 15◦C sur la moitié de l’année, ce qui ralentit relativement le processus
de vieillissement.
Les illustrations des pas de temps calculés au niveau de chaque couche représentées sur la Fi-
gure III.29 explique clairement les extrapolations effectuées à des niveaux différents, emboîtés
les uns dans les autres. Le nombre total de cycles F H évalués est égal à 3927. C’est l’équivalent
d’un calcul de 82 jours seulement sur 20 ans de simulation. Il est obtenu en évaluant 6 cycles
F A , 21 cycles F J et 31 cycles F H .
F IGURE III.30 : Evolution des pas d’extrapolation pour la méthode de Heun-Euler au niveau de
la couche 3 sur 20 ans de simulation.
Il est important de souligner que les résultats des valeurs finales de la capacité et de la
résistance série fournis par notre méthodologie présentent une erreur relative par rapport à la
simulation complète qui ne dépasse pas 0.25 %. La Figure III.30 montre l’évolution des pas
d’extrapolation reposant sur l’évaluation de cycles F A et obtenue en utilisant la méthode inté-
grée de Heun-Euler.
6 Conclusion
Dans ce chapitre, nous avons tout d’abord présenté un exemple détaillé de système multi-
physique complexe afin de mettre en évidence les difficultés de modélisation et de simulation
de tels problèmes. Ensuite, nous avons défini nos principaux enjeux en nous fondant sur deux
cas de figures selon deux niveaux de complexité différents. Ces cas de figures dépendent des
hypothèses adoptées concernant les modèles du système et les phénomènes pris en compte.
La démarche proposée permet de couvrir plusieurs aspects allant de la mise en équation du
problème et la description de son cycle d’usage par une structure multi-couche jusqu’à l’inté-
gration de nouvelles techniques de simulation permettant de traiter la disparité des constantes
de temps du système. À travers les exemples de scénarios présentés, l’efficacité des méthodes
d’extrapolation adaptées sur cycles a été prouvée même en présence des contraintes temporelles
très lourdes à simuler. De plus, l’approche multi-couche est extrêmement importante dans cette
méthodologie puisqu’elle montre que les facteurs de gain des efforts de calcul au niveau de
chaque couche sont cumulés conduisant à un facteur de gain global beaucoup plus élevé. Ainsi,
cette démarche originale de modélisation et de simulation s’appuyant sur un cadre générique et
modulaire apporte un élément de réponse aux défis de résolution des problèmes multi-échelles
de temps décrits par des cycles d’usage.
Synthèse du chapitre Application
• Validation de la méthodologie de simulation proposée à travers un exemple de sys-

tème multi-physique et multi-dynamique.
• Présentation d’une démarche expliquant les étapes de la mise en équation du pro-

blème et de la description de ses cycles d’usage par une approche de modélisation
multi-couche.
• Simulation de deux scénarios de fonctionnement différents dans le but de prouver

l’efficacité des méthodes d’extrapolation formulées sur cycles et leurs limites et
pour montrer l’intérêt de l’utilisation de la structure multi-couche dans la réduction
des efforts de calcul.
Conclusion générale et perspectives
Conclusions de la thèse
L’objectif principal de ce travail consistait à proposer des méthodes de calcul pour des sys-
tèmes multi-dynamiques en vue de leur intégration dans la simulation d’un système de conver-
sion et de stockage d’énergie électrique. Cet objectif a conduit à deux nécessités : trouver une
plateforme de simulation permettant le couplage multi-physique des modèles et savoir gérer les
aspects multi-échelle de temps pour réduire les efforts de calcul. La démarche présentée dans ce
mémoire vise à apporter des éléments de réponse à ces problèmes en proposant un formalisme
générique adapté à la simulation des systèmes décrits par des cycles d’usage.
L’étude bibliographique présentée dans le premier chapitre est constituée principalement de

deux parties distinctes. La première section nous a permis de comprendre le concept de la mo-
délisation par flux d’énergie et les différents formalismes et outils multi-domaines se basant sur
ce principe. À cette occasion, l’intérêt d’une représentation acausale des systèmes complexes
décrits par des équations différentielles et algébriques a été avancé. Un exemple de comparaison
entre deux langages de modélisation a permis de mettre en évidence les difficultés rencontrées
dans la phase d’implémentation de tels problèmes dans un langage de modélisation causal. En
effet, nous avons montré aussi à travers cet état de l’art que l’utilisation d’un outil acausal, tels
que Simscape et Modelica fondés sur le principe du Bond Graph, requiert des connaissances
sur les formalismes de modélisation multi-physique ainsi que sur les notions de causalité. La
deuxième section du chapitre bibliographique est orienté vers les aspects de simulation multi-
échelles de temps. Un état de l’art des stratégies et méthodes de simulation des problèmes
multi-dynamiques est présenté. Nous avons alors proposé des techniques de simulation néces-
sitant le découplage du problème selon les échelles de temps mises en jeu, ainsi que d’autres
qui traitent le problème comme un ensemble monolithique d’équations. L’étude de ces deux
catégories de méthodes a permis d’appréhender les notions de couplage fort et faible des mo-
dèles. Toutefois, nous avons constaté que toutes ces méthodes présentent des limites en terme
de facteur de réduction du temps de calcul, ce qui reste insuffisant pour lancer un algorithme
d’optimisation et obtenir des résultats en un temps raisonnable.
133
Le second chapitre est consacré à la présentation d’une nouvelle méthodologie de simu-

lation des systèmes multi-dynamiques capable de tenir compte des couplages forts entre mo-
dèles. Cette méthodologie a suivi deux axes de développement complémentaires : le formalisme
multi-couche et le concept d’extrapolation. L’idée générale de cette démarche est de combiner
plusieurs méthodes d’extrapolation à des niveaux différents afin de multiplier les facteurs de
gain de temps obtenus. En effet, les couches traduisant le cycle d’usage du système simulé sont
conçues de manière à prendre en compte les répétitivités situées à des échelles de temps dif-
férentes. Le principal avantage de cette approche est de pouvoir sélectionner pour chacune des
couches la méthode la mieux adaptée à l’échelle de temps considérée. La mise en abyme des
cycles ainsi que la nouvelle formulation des méthodes d’extrapolation sur la base d’un calcul
homogénéisé font l’originalité de notre approche.
Le dernier chapitre de cette thèse présente quant à lui une application détaillée d’un navire
tout-électrique alimenté uniquement par des supercondensateurs. L’optimisation du dimension-
nement de son système de stockage en prenant en compte des phénomènes de vieillissement sur
une durée de vie de plusieurs années constitue une tâche très lourde. La démarche de simulation
multi-échelles de temps et multi-couches, présentée dans le chapitre précédent, a été appliquée
à ce problème en adoptant une approche de modélisation acausale des modèles. Elle a permis de
réduire considérablement les efforts de calcul en obtenant un facteur de gain supérieur à 1000
pour un premier scénario de fonctionnement du navire (avec une hypothèse d’une température
ambiante constante).
Perspectives de la thèse
La résolution de problèmes multi-échelles de temps est un sujet vaste et complexe. Ces
travaux de thèse représentent une première étape qui ouvre de nombreuses perspectives.
La première d’entre elles concerne l’adaptation sur cycle de solveurs numériques implicites
ou semi-implicites. En effet, les méthodes d’intégration explicites que nous avons proposées
dans ce travail sont très efficaces tant que les pas d’extrapolation n’excèdent pas quelques cen-
taines de cycles. Au delà, des problèmes de stabilité apparaissent. Il devient alors nécessaire
de recourir à des méthodes ayant des marges de stabilité plus élevées. Or, ces méthodes sont
généralement plus complexes à mettre en œuvre, puisqu’elles nécessites en toute rigueur une es-
timation de la matrice Jacobienne du système et doivent réaliser un certain nombre d’itérations
pour converger vers la solution désirée avec une tolérance acceptable. Le gain sur l’effort de
calcul n’est ainsi pas forcément évident à apprécier, et seules des applications bien spécifiques
pourraient nécessiter le passage à ce type de méthode. Un compromis intéressant est proposé par
les méthodes dites semi-implicites. Ces dernières correspondent en effet à des approximations
6. CONCLUSION 135
des méthodes implicites, en proposant notamment de ne pas recalculer la matrice Jacobienne à

chaque pas de temps et en limitant le nombre d’itérations de convergence. Il se trouve que la
prise en compte des lois de commande rapprochée et de la modulation de largeur d’impulsion
(MLI) de l’étage de puissance pourraient trouver une réponse particulièrement efficace avec
l’utilisation de ces solveurs implicites. En effet, la période de découpage peut être interprétée
comme un cycle de fonctionnement opérant à une échelle de temps de quelques microsecondes.
Or, le passage au cycle supérieur, qui dans le cadre de notre application de navire correspond
à un aller-retour d’une demi-heure, nécessite plusieurs millions de calcul de ce cycle de MLI.
Aussi, dans ce cas particulier, l’utilisation d’un solveur implicite pourrait permettre de réduire
considérablement le nombre d’évaluations du système grâce à des pas d’extrapolation de taille
potentiellement illimitée.
La méthodologie de simulation proposée dans cette étude repose sur l’hypothèse d’un usage
pouvant être décrit par un ensemble de cycles déterministes, imposé par un cahier des charges.
Cependant, il s’est avéré qu’un certain nombre d’applications n’entrent pas dans ce cadre
d’usage et nécessitent la prise en compte de la nature stochastique du fonctionnement des sys-
tèmes. Nous pouvons citer l’exemple d’une installation de production à énergies renouvelables
(éolien, solaire,...) ou encore l’usage d’un véhicule automobile ayant des profils de mission très
variables dans le temps. Pouvoir intégrer cette nouvelle contrainte à notre démarche de modé-
lisation et de simulation représente donc un enjeu important, et plusieurs approches peuvent
être envisagées. Par exemple, certains travaux proposent de s’appuyer sur un profil équivalent,
capable de synthétiser les principales caractéristiques du cycle d’usage réel, pouvant être de
durée beaucoup plus grande et complexe. C’est cette approche qui est généralement utilisée
dans le dimensionnement d’installation de production d’énergie renouvelable, en utilisant un
jour ou un ensemble de jours types au lieu d’une année complète. Une autre méthode consis-
terait à s’inspirer des méthodes par intervalles pour tenir compte de la nature potentiellement
stochastique des cycles d’usage, permettant de propager une part d’incertitude dans les états
successifs du système. Associée à des outils évolués de traitement du signal, tels que l’auto-
correlation ou l’analyse temps fréquence, cette approche permettrait de redéfinir le problème
sous la forme d’un ensemble de pseudo-cycles et dont les état seraient définies en termes statis-
tiques [139–141].
Une troisième perspective envisagée pour ces travaux concerne la recherche d’un forma-
lisme unique pour représenter à la fois les domaines techniques et économiques. En effet, l’en-
semble des travaux portant sur les problématiques de dimensionnement optimisé des systèmes
traitent séparément ces deux domaines. Une simulation numérique est en général réalisée sur
la base des données et modèles techniques et ce n’est que dans un deuxième temps, ou pa-
rallèlement, que le problème économique est traité. Notre idée serait d’intégrer cette nouvelle
dimension au même plan que le problème technique, en représentant par exemple le domaine
économique comme un système dynamique exprimé à partir d’un ensemble de variables d’état.
Cela permettrait de simplifier le développement de modèles économiques plus complexes, te-

nant compte des coûts d’acquisition, d’exploitation et voir même des prévisions sur l’évolution
du prix des matériaux et des ressources énergétiques notamment quand il s’agit d’une applica-
tion de longue durée.
Enfin, une dernière perspective envisagée pour ces travaux concerne l’intégration de mo-
dèles de type éléments finis. En effet, ces méthodes nécessites généralement une discrétisation
en espace et en temps, qui améliore considérablement le niveau de granularité des modèles,
mais qui se traduit aussi par une augmentation significative des temps de résolution. La mé-
thodologie que nous proposons se trouve être particulièrement bien adaptée pour répondre à
ce problème de temps de calcul, et notamment lorsque l’on souhaite simuler simultanément sur
cycle l’ensemble des éléments de la chaine de conversion, du convertisseur de puissance jusqu’à
l’actionneur électromécanique. Les travaux développés dans la thèse d’Antoine Pierquin [83]
apportent d’ailleurs des éléments de réponses très intéressants sur lesquels nous pourrons nous
appuyer, tant dans la formulation du problème qui y est proposé que dans le choix des modèles
retenus. La méthodologie que nous proposons pourraient alors contribuer à réduire encore les
temps de résolution de tels systèmes multi-physiques et multi-échelles de temps.
A
Méthodes d’intégration implicites
Méthode d’Euler implicite

Pour illustrer le principe d’un schéma implicite, une simple méthode d’Euler implicite est
présentée par la relation de récurrence suivante :
xn+1 = xn + h. f (xn+1 ,tn+1 ) (A.1)
Le vecteur xn+1 qui est inconnu apparait des deux cotés de l’équation (A.1) à résoudre. Par
conséquent, un système d’équations algébriques non-linéaires (A.2) doit être résolu à chaque
pas de temps [67, 109, 142, 143].
F(xn+1 ) = xn+1 − xn − h. f (xn+1 ,tn+1 ) = 0 (A.2)
Pour résoudre ce système non-linéaire, il existe plusieurs méthodes itératives. Parmi ces
méthodes, nous trouvons la méthode de Newton-Raphson qui est la plus utilisée dans les sol-
veurs implicites. Cette méthode permet de trouver une solution à un problème non-linéaire en
effectuant un ensemble d’itérations successives à chaque pas de temps.
L’application de la méthode de Newton-Raphson itérative à un problème non-linéaire conduit
à résoudre l’équation suivante [144–146] :
−1
(i+1) (i) ∂F (i)
xn+1 = xn+1 − .F(xn+1 ) (A.3)
∂x
où i est le numéro de l’itération réalisée.
137
138 ANNEXE A
Le jacobien de F est défini par l’équation (A.4) qui est obtenue par la différentiation de
l’équation (A.2).
∂F ∂f
= I −h (A.4)
∂x xn+1 ∂x xn+1
Nous remplaçons maintenant dans l’équation (A.3) l’expression de F(xn+1 ) détaillée dans
(A.2) et celle de son jacobien que nous notons Jn+1 , ce qui conduit à l’équation suivante :
(i+1) (i) (i) (i)

xn+1 = xn+1 − (I − h.Jn+1 )−1 .(xn+1 − xn − h. f (xn+1 ,tn+1 )) (A.5)
Le système à résoudre par la méthode de Newton-Raphson itérative devient alors :


(i) (i) (i)

 (I − h.Jn+1 )∆xn+1 = −(xn+1 − xn − h. f (xn+1 ,tn+1 ))
(A.6)

 (i) (i+1) (i)
∆xn+1 = xn+1 − xn+1
(0)
La première itération de l’algorithme commence en partant d’une condition initiale : xn+1 = xn .
Ainsi, cet algorithme effectue un ensemble d’itérations par pas de temps pour résoudre le
(i)
système (A.6) décrit précédemment et nécessite l’évaluation d’une matrice jacobienne Jn+1 à
chaque itération. La condition de passage au pas de temps suivant est déterminée par une esti-
mation de l’erreur entre deux solutions approximées à des itérations i et i + 1 qui est comparée
ensuite à une tolérance spécifiée par l’utilisateur :
(i+1) (i)
|xn+1 − xn+1 | 6 T OLiteration (A.7)
Méthode d’Euler semi-implicite

Pour réduire la complexité d’implémentation de la méthode ainsi que le nombre d’évalua-
tions par pas de temps, certains travaux [147–149] proposent de linéariser le schéma implicite
par un développement limité d’ordre 1 de la fonction f . En effet, l’approximation linéaire de f
au voisinage de xn [150, 151] s’écrit :
∂f
f (xn+1 ,tn+1 ) ' f (xn ,tn ) + .(xn+1 − xn ) (A.8)
∂x xn
∂f
où ∂x x désigne la matrice jacobienne de la fonction f que nous notons Jn .
n
ANNEXE A 139
En remplaçant cette dernière dans l’équation implicite suivante :
xn+1 = xn + h. f (xn+1 ,tn+1 ) (A.9)
nous obtenons
xn+1 = xn + h. [ f (xn ,tn ) + Jn .(xn+1 − xn )] (A.10)
(xn+1 − xn ) = h. f (xn ,tn ) + Jn .h.(xn+1 − xn ) (A.11)
(xn+1 − xn ) − Jn .h.(xn+1 − xn ) = h. f (xn ,tn ) (A.12)
(xn+1 − xn )[I − h.Jn ] = h. f (xn ,tn ) (A.13)
xn+1 = xn + h.[I − h.Jn ]−1 . f (xn ,tn ) (A.14)
La méthode d’Euler implicite linéarisée peut alors être décrite par l’équation de récurrence
suivante :
xn+1 = xn + h.[I − h.Jn ]−1 . f (xn ,tn ) (A.15)
Les méthodes implicites résolues par linéarisation sont appelées des méthodes semi-implicites.
Les méthodes semi-implicites sont aussi appelées méthodes de Rosenbrock [152]. La résolution
de l’équation implicite (A.9) est effectuée en utilisant l’équation (A.15), et cela par une seule
itération de la méthode de Newton-Raphson pour chaque pas de temps [142]. Ainsi, le calcul
supplémentaire par rapport à une méthode explicite est l’inversion d’une matrice et le calcul
d’un jacobien pour chaque pas de temps.
Notons que la stabilité n’est pas totalement garantie en utilisant une méthode semi-implicite.
Néanmoins, elle reste toujours intéressante comparée à une méthode explicite. En effet, elle
assure un excellent rapport stabilité et précision, ainsi qu’un temps de calcul réduit (par rapport
à un schéma implicite).
B
Construction d’un profil d’usage à l’aide
de l’outil Stateflow
Cette annexe vise à donner quelques éléments sur la construction du profil de puissance
d’une journée de fonctionnement du navire Ar Vag Tredan. En effet, la première étape de la
conception commence par la traduction des différents cycles en un ensemble d’états et de tran-
sitions. Les états modélisent les actions à exécuter tandis que les transitions représentent les
conditions de passage d’un état à un autre.
La Figure B.1 représente un cycle complet d’une traversée contenant une phase de décharge
relative au trajet effectué (un aller/retour) et une phase de recharge. Ce ferry réalise 35 tra-
versées par jour d’une durée de 30 minutes dont 5 minutes sont réservées pour recharger son
Psc (kW)
200
0 2 8 10 15 17 23 25 30
−10.7 R t (min)
−21.5 A
2 2 2 2
−64.5
1 1
Ttrip
F IGURE B.1 : Cycle de puisance d’une traversée du navire électrique Ar Vag Tredan.
141
142
stockeur. Ainsi, 35 cycles de décharge (aller/retour) sont effectués chaque jour. La phase de
repos commence à la fin des 35 cycles réalisés en imposant au modèle électrique une puissance
Psc = 0 W . Le temps de repos quotidien du navire Trepos est estimé à 6.5 heures. La recharge
des supercondensateurs se fait à puissance constante jusqu’à atteindre une tension de recharge
maximale Umax . L’organigramme B.2 détaille les différentes phases de fonctionnement du na-
vire sur une journée complète. Dans l’organigramme, un compteur appelé count est utilisé pour
le comptage des cycles.
Phase d'initialisation
Phase de recharge
Psc = 200 kW
Cycle de décharge
(aller/ retour)
Non
Oui
Phase de repos
Psc = 0 kW
count = 0
F IGURE B.2 : Organigramme du fonctionnement journalier du navire électrique Ar Vag Tredan.

L’organigramme décrit précédemment est simplement converti en une machine à état (Fig.
B.3) grâce à l’outil Stateflow de MathWorks. Les différentes phases du cycle déjà représentées
par la Figure B.1 sont introduites en précisant le numéro de la phase {1, 2, A, R} et puis avec un
second chiffre indiquant le nombre de fois que la phase se répète.
F IGURE B.3 : Modélisation du profil de puissance Psc pour une journée de fonctionnement à
l’aide d’une machine à états sous Simulink.
Liste des symboles
α Facteur de sécurité de la méthode d’adaptation de pas -
∆T Constante de variation de la température des supercondensateurs ◦C
∆trech Durée de recharge du stockeur min
∆V Constante de variation de la tension des supercondensateurs V
ẋ Dérivée du vecteur d’état -
µ Paramètre de l’oscillateur de Van der Pol -
Ωm Vitesse angulaire du moteur à courant continu rad.s−1
Φ Fonction d’approximation correspondant à un schéma d’intégration numérique -
Φ Fonction d’approximation d’un schéma d’intégration numérique d’ordre p + 1 -
Φy Fonction donnée de l’exemple de l’équation différentielle raide -
Φ pertes Pertes dans les modules de supercondensateurs W
τth Constante de temps thermique du modèle équivalent des supercondensateurs s
τvie Durée de vie du stockeur ans
θ Coefficient définissant les positions des points évalués de la méthode de RK2 -
εn Erreur locale estimée au pas de temps n -
b
Φ Fonction d’approximation d’un schéma d’intégration numérique d’ordre p -
xbn Vecteur d’état approximé à un instant n par une méthode d’intégration -
A Symbole définissant la couche de l’année -
ar Indice définissant un mode d’arrêt -
C Élément de stockage potentiel -
143
144
Cm Couple du moteur à courant continu N.m
Cr Couple résistant de l’arbre du moteur à courant continu N.m
Csc Capacité du modèle équivalent des supercondensateurs F
csc Capacité d’un module de supercondensateurs Ω
cso Capacité initiale d’un module de supercondensateurs F
Cth Capacité thermique du modèle équivalent des supercondensateurs J.K −1
De Détecteur d’effort -
Df Détecteur de flux -
e Force électromotrice (f.é.m.) V
Estockee Énergie emmagasinée dans le stockeur Wh
Eutile Énergie utile pour une traversée Wh
f Fonction donnée d’une équation différentielle -
ff Fonction donnée représentant une dynamique rapide -
fr Coefficient de frottement de l’arbre du moteur à courant continu -
fs Fonction donnée représentant une dynamique lente -
Fi−cycle Variation moyenne par cycle du vecteur d’état -
fi−cycle Fonction décrivant un cycle élémentaire d’un problème discrétisé -
fn Indice définissant un mode de fonctionnement -
G Facteur de réduction des efforts de calcul -
g Fonction donnée d’une équation algébrique -
GY Élément gyrateur en Bond Graph -
H Symbole définissant la couche de l’heure -
h Pas de temps d’une méthode d’intégration numérique -
I Élément de stockage inertiel -
i Courant A
LISTE DES SYMBOLES 145
ic Courant traversant la capacité Csc du modèle équivalent des supercondensateurs A
iind Courant dans l’induit du moteur à courant continu A
ip Courant traversant la résistance d’équilibrage R p A
isc Courant à l’entrée du modèle équivalent des supercondensateurs A
J Symbole définissant la couche de la journée -
Jm Moment d’inertie du modèle du moteur à courant continu kg.m2
kΦ Constante de couple du modèle du moteur à courant continu -
KI Gain intégral de la méthode d’adaptation des pas -
KP Gain proportionnel de la méthode d’adaptation des pas -
ky Constante positive de l’exemple de l’équation différentielle raide -
KC0 Taux de dégradation nominal de la capacité des supercondensateurs %/an
KR0 Taux de dégradation nominal de la résistance série des supercondensateurs %/an
Lind Inductance de l’induit du moteur à courant continu H
m Nombre de cycles consécutifs constituant un pas de temps -
n Numéro du cycle calculé -
Np Nombre de branches de modules de supercondensateurs associées en parallèle -
Ns Nombre de modules de supercondensateurs associés en série -
Ntra jets Nombre de traversées par jour du ferry tra jets/ jour
P Puissance échangée entre deux sous-systèmes W
p Ordre de la méthode d’intégration numérique -
pr Paramètres de l’équation différentielle -
PR p Pertes dans la résistance parallèle du modèle équivalent des supercondensateurs W
PRs Pertes dans la résistance série du modèle équivalent des supercondensateurs W
Psc Profil de puissance modélisant un cycle de fonctionnement donné W
R Élément de dissipation d’énergie -

146
Rind Résistance de l’induit du moteur à courant continu Ω
Rp Résistance d’équilibrage du modèle équivalent des supercondensateurs Ω
rp Résistance d’équilibrage d’un module de supercondensateurs Ω
rso Résistance série initiale d’un module de supercondensateurs Ω
Rs Résistance série du modèle équivalent des supercondensateurs Ω
rs Résistance série d’un module de supercondensateurs Ω
Rth Résistance thermique du modèle équivalent des supercondensateurs K.W −1
S Symbole définissant la couche de la semaine -
Se Source d’effort d’énergie -
Sf Source de flux d’énergie -
t Variable de temps -
T0 Température nominale des supercondensateurs ◦C
tn Variable temporelle d’un problème discrétisé -
Ta Température ambiante ◦C
Tc Durée du cycle complet du ferry (un aller/retour avec une période de recharge) min
Ti−cycle Largeur du cycle élémentaire d’un problème discrétisé -
Tsc Température interne du stockeur ◦C
TF Élément transformateur en Bond Graph -
Tol Tolérance désirée par pas de temps -
ue Vecteur des signaux d’entrée -
uL Tension aux bornes de l’inductance V
uR Tension aux bornes de la résistance R V
uc Tension aux bornes de la capacité Csc V
uDC Source de tension du moteur à courant continu V
Umax Tension maximale de recharge des modules de supercondensateurs V

LISTE DES SYMBOLES 147
Umin Tension minimale de décharge des modules de supercondensateurs V
usc(mod) Tension nominale d’un module de supercondensateurs V
usc Tension aux bornes du modèle équivalent des supercondensateurs V
V0 Tension nominale d’une cellule de supercondensateurs V
VDC Tension du bus continu V
x Vecteur d’état -
x0 Conditions initiales du vecteur d’état -
xf Variable d’état représentant une dynamique rapide -
xn Variable d’état d’un problème discrétisé -
xs Variable d’état représentant une dynamique lente -
y Vecteur de sorties -
i − cycle Indice décrivant un cycle élémentaire -

Liste des publications
Revues internationales avec actes et comité de lecture

1. S. Trieste, S. Hmam, J.-C. Olivier, S. Bourguet, L. Loron. Techno-economic optimization
of a supercapacitor-based energy storage unit chain : Application on the first quick charge
plug-in ferry. Applied Energy, 2015, vol. 153, p. 3-14.
2. S. Hmam, J.-C. Olivier, S. Bourguet and L. Loron. A cycle-based and multirate approach
for power system simulation application to the ageing estimation of a supercapacitor-
based ferry. Journal of Energy Storage, publiée le 22/08/2016.
3. S. Hmam, J.-C. Olivier, S. Bourguet and L. Loron. Efficient multirate simulation tech-
niques for multi-physics systems with different time scales : Application on an all-electric
ferry design. IET Electrical Systems in Transportation, publiée le 21/11/2016.
Revues nationales avec actes et comité de lecture
4. S. Hmam, J.-C. Olivier, S. Bourguet, L. Loron. Modélisation et Simulation d’un Système

Multi-physique Application à un stockeur d’énergie d’un ferry tout électrique. La revue
3EI, 2015, no 82, p. 49.
Congrès internationaux avec actes et comité de lecture
5. S. Hmam, J.-C. Olivier, S. Bourguet, L. Loron. A Multirate Simulation Method for Large
Timescale Systems Applied for Lifetime Simulations. IEEE-VPPC’15, Montréal, 2015.
6. J.-C. Olivier, G. Wasselynck, S. Chevalier, S. Hmam, C. Josset, B. Auvity, G. Squadrito,

D. Trichet, N. Bernard. Multiphysics Modeling and Driving Strategy Optimization of an
Urban-Concept Vehicle. IEEE-VPPC’15, Montréal, 2015.
149
150 LISTE DES PUBLICATIONS
Congrès nationaux avec actes et comité de lecture
7. S. Hmam, J.-C. Olivier, S. Bourguet, L. Loron. Modélisation et Simulation d’un Système

Multi-physique : Application à un stockeur d’énergie d’un ferry tout électrique. JCGE’15,
Cherbourg, 2015. (Prix de meilleur article à caractère industriel)
Communications orales sans actes dans un congrès international
8. S. Hmam, J.-C. Olivier, S. Bourguet, L. Loron, N. Bernard. Multirate Simulation Method

Adapted to Large Time-Scale Multi-physics Systems : Application on an All-Electric
Ferry Design. InGEC & EMHyTeC, Tunis, 2016.
Bibliographie
[1] L. Boulon, “Modélisation multiphysique des éléments de stockage et de conversion

d’énergie pour les véhicules électriques hybrides. Approche systémique pour la gestion
d’énergie,” Ph.D. dissertation, Université de Franche-Comté, 2009. 11, 38, 39, 40, 41
[2] L. Walter, “Gestion d’énergie de véhicules électriques hybrides basée sur la Représenta-
tion Énergétique Macroscopique,” Ph.D. dissertation, Université des Sciences et Techno-
logies de Lille, 2007. 11, 29, 38, 40
[3] K. S. Agbli, “Modélisation multiphysique des flux énergétiques d’un couplage

photovoltaïque-électrolyseur PEM-pile à combustible PEM en vue d’une application
stationnaire,” Ph.D. dissertation, Université de Franche-Comté ; Université de Cocody-
Abidjan, Côte d’Ivoire, 2012. 11, 40
[4] P. Fritzson and P. Bunus, “Modelica - A General Object-Oriented language for conti-
nuous and discrete-event system modeling and simulation,” Proceedings 35th Annual
Simulation Symposium. SS 2002, pp. 365–380, 2002. 13, 27
[5] M. Otter and H. Elmqvist, “Modelica Language, Libraries, Tools and Conferences,” Si-
mulation News Europe, no. June 2001, pp. 3–8, 2002. 13, 44
[6] C. Mohtadi, “Design and Verify Control Systems using Simulink,” Mathworks, 2009.
[Online]. Available : http://www.bath.ac.uk/learningandteaching/rdu/guides/matlab2.pdf
13, 46
[7] E. Hairer and G. Wanner, “Stiff differential equations solved by Radau methods,” Journal
of Computational and Applied Mathematics, vol. 111, no. 1, pp. 93–111, 1999. 13, 52
[8] B. Thiele, M. Otter, and S. E. Mattsson, “Modular Multi-Rate and Multi-Method Real-
Time Simulation,” In Proc. 10th International Modelica Conference, pp. 381–393, 2014.
13, 56, 57
[9] S. D. Pekarek, O. Wasynczuk, E. a. Walters, J. V. Jatskevich, C. E. Lucas, N. Wu, and

P. T. Lamm, “An Efficient Multirate Simulation Technique for Power-Electronic-Based
Systems,” IEEE Transactions on Power Systems, vol. 19, no. 1, pp. 399–409, 2004. 13,
58, 59, 63
151
152 BIBLIOGRAPHIE
[10] A. Perquin, T. Henneron, S. Brisset, and S. Clenet, “Multirate coupling of controlled

rectifier and non-linear finite element model based on Waveform Relaxation Method,”
IEEE Transactions on Magnetics, vol. 9464, 2015. 13, 61, 62
[11] S. Trieste, “Modélisation et optimisation technicoéconomique d’une chaîne de conver-

sion et de stockage d’énergie d’un navire électrique zéro émission,” Ph.D. dissertation,
Université de Nantes, 2013. 14, 18, 68, 101, 102, 110
[12] S. Trieste, S. Hmam, J. Olivier, S. Bourguet, and L. Loron, “Techno-economic optimiza-

tion of a supercapacitor-based energy storage unit chain : Application on the first quick
charge plug-in ferry,” Applied Energy, 2015. 14, 64, 103, 107
[13] Maxwell Technologies, Product Guide – Maxwell Technologies BOOSTCAP Ultracapa-

citors, 2009. 14, 106, 107
[14] R. Kötz, P. Ruch, and D. Cericola, “Aging and failure mode of electrochemical double
layer capacitors during accelerated constant load tests,” Journal of power sources, vol.
195, no. 3, pp. 923–928, 2010. 14, 106, 107
[15] O. Briat, J.-M. Vinassa, N. Bertrand, H. El Brouji, J. Y. Deletage, and E. Woirgard,

“Contribution of calendar ageing modes in the performances degradation of supercapa-
citors during power cycling,” Microelectronics Reliability, vol. 50, no. 9, pp. 1796–1803,
2010. 14, 106, 107
[16] E. H. El Brouji, O. Briat, J. M. Vinassa, N. Bertrand, and E. Woirgard, “Impact of ca-

lendar life and cycling ageing on supercapacitor performance,” IEEE Transactions on
Vehicular Technology, vol. 58, no. 8, pp. 3917–3929, 2009. 14, 106, 107
[17] X. Roboam, Integrated design by optimization of electrical energy systems. John Wiley
& Sons, 2012. 24
[18] B. Sareni, A. Abdelli, X. Roboam, and D.-H. Tran, “Model simplification and optimiza-
tion of a passive wind turbine generator,” Renewable Energy, vol. 34, no. 12, pp. 2640–
2650, 2009. 24
[19] K. Soetaert, F. Meysman, and T. Petzoldt, “Solving differential equations in R,” in The R
Journal, vol. 2, 2010. 25, 51
[20] W. Blajer, “Index of differential-algebraic equations governing the dynamics of constrai-

ned mechanical systems,” Applied mathematical modelling, vol. 16, no. 2, pp. 70–77,
1992. 25
[21] C. W. Gear, “Differential algebraic equations, indices, and integral algebraic equations,”
SIAM Journal on Numerical Analysis, vol. 27, no. 6, pp. 1527–1534, 1990. 26
BIBLIOGRAPHIE 153
[22] K. E. Brenan, S. L. V. Campbell, and L. R. Petzold, Numerical solution of initial-value

problems in differential-algebraic equations. Siam, 1996. 26
[23] A. Geletu, “Introduction to Differential Algebraic Equations,” 2011. [On-

line]. Available : Online<http://www.tuilmenau.de/fileadmin/media/simulation/Lehre/
div/Lec{_}Slides4.pdf 26
[24] A. Jardin, “Contribution à une méthodologie de dimensionnement des systèmes mécatro-

niques : analyse structurelle et couplage à l’optimisation dynamique,” Ph.D. dissertation,
INSA de Lyon, 2010. 26, 28
[25] S. Furic, “Hybrid acausal modeling using Modelica : Presentation of Modelica,” in Jour-
nées "Outils", INSA Lyon, 2007. 27
[26] A. Jardin, W. Marquis-favre, D. Thomasset, and F. Guillemard, “Study of a sizing me-

thodology and a modelica code generator for the bond graph tool ms1,” Proceedings of
the 6th International Modelica Conference, p. 125, 2008. 27
[27] J. Kofránek, M. Mateják, P. Privitzer, and M. Tribula, “Causal or acausal modelling :

Labour for humans or labour for machines,” Technical Computing Prague, pp. 1–16,
2008. 27
[28] H. Elmqvist, “A structured model language for large continuous systems,” Ph.D. disser-
tation, Lund Institute of Technology, 1978. 27
[29] H. Elmqvist and S. E. Mattsson, “MODELICA-the next generation modeling language-

an international design effort,” Proceedings of First World Congress of System Simula-
tion, pp. 1–3, 1997. 27, 41, 43, 44
[30] H. M. Paynter, “An epistemic prehistory of bond graphs,” Bond graphs for engineers, pp.
3–17, 1992. 29
[31] P. J. Gawthrop and G. P. Bevan, “Bond-graph modelling : A tutorial introduction for

control engineers,” Ieee Control Systems Magazine, vol. 27, no. 2, pp. 24–45, 2007. 29,
41
[32] B. Ould Bouamama and G. Dauphin-Tanguy, “Modélisation par bond graph : Éléments
de base pour l’énergétique,” Techniques de l’ingénieur. Génie énergétique, no. BE8280,
2006. 29
[33] W. Borutzky, “Bond Graph Based Physical Systems Modelling,” Bond Graph Metho-
dology : Development and Analysis of Multidisciplinary Dynamic System Models, pp.
17–88, 2010. 29
154 BIBLIOGRAPHIE
[34] G. Dauphin-tanguy, “Les bond graphs et leur application en mecatronique,” Techniques

de l’ingénieur, vol. S1, no. S7222, pp. 1–24, 1999. 31
[35] W. Marquis-favre and A. Jardin, “Bond graph pour la conception de systèmes mécatro-
niques,” Techniques de l’ingenieur, vol. 33, no. 0, pp. 0–24, 2011. 31, 33
[36] M. Verge and D. Jaume, “Modélisation structurée des systèmes avec les Bond Graphs,”
Editions Technip, vol. 12, 2004. 32
[37] P. Fichou, “Bond graphs : une méthode pluridisciplinaire,” Technologie magazine, pp.
37–46, 2004. 33
[38] J. F. Broenink, “Introduction to Physical Systems Modelling with Bond Graphs,” SiE
Whitebook on Simulation Methodologies, pp. 1–31, 1999. 34
[39] J. Faucher and M. Grandpierre, “Les graphes informationnels de causalité - Application

à la simulation des systèmes électriques,” Journées du Club EEA, Paris, 1992. 35
[40] J.-P. Hautier and J.-P. Caron, “Convertisseurs statiques : méthodologie causale de modé-
lisation et de commande,” Editions Technip, vol. 10, 1999. 35
[41] J.-P. Hautier, J. Faucher, and J.-P. Caron, “Le Graphe Informationnel Causal , un outil
pour analyser, comprendre, représenter,” Journées 3EI, Cachan, p. 308, 1999. 35, 36
[42] X. Roboam, “Conception systémique pour la conversion d’énergie électrique 1 : Gestion,

analyse et synthèse,” Lavoisier, pp. 117–149, 2012. 35, 39
[43] A. Bouscayrol, X. Guillaud, J. Hautier, and P. Delarue, “Macro-modélisation pour les

conversions électromécaniques : application à la commande des machines électriques,”
Revue Internationale de Génie Electrique, vol. 3, no. 2, pp. 257–282, 2000. 37
[44] A. Bouscayrol, P. Delarue, and E. Semail, “Application de la Représentation Energétique

Macroscopique à un système de traction multimachines,” Revue Internationale de Génie
Electrique, vol. 5, 2002. 37
[45] A. Bouscayrol, “Formalismes de représentation et de commande appliqués aus systèmes

électromécaniques multimachines multiconvertisseurs,” Ph.D. dissertation, HDR : Uni-
versité des Sciences et Technologie de Lille, 2003. 38
[46] D. Chrenko, M.-c. Péra, and D. Hissel, “Fuel Cell System Modeling and Control with
Energetic Macroscopic Representation,” In : Industrial Electronics, 2007. ISIE 2007.
IEEE International Symposium on. IEEE, vol. 2, no. 1, pp. 169–174, 2007. 38
BIBLIOGRAPHIE 155
[47] T. Bossmann, A. Bouscayrol, P. Barrade, and S. Lemoufouet, “Energetic Macroscopic

Representation of a hybrid storage system based on supercapacitors and compressed air,”
2007 IEEE International Symposium on Industrial Electronics, 2007. 38
[48] G. Cristina, K. Agbossou, and A. Cardenas, “Energetic Macroscopic Representation of

an Electrically Heated Building with Electric Thermal Storage and Heating Control for
Peak Shaving,” Energy and Power Engineering, vol. 7, no. 4, p. 144, 2015. 38
[49] W. Lhomme, P. Delarue, A. Bouscayrol, and P. Barrade, “La REM, formalisme multi-
physique de commande de systèmes énergétiques,” Techniques de l’Ingénieur, 2014. 38,
39
[50] M. Tiller, “Introduction to physical modeling with Modelica.” Springer Science & Busi-
ness Media, pp. 255–264, 2001. 41
[51] P. Fichou, “La modélisation multiphysique,” Technologie magazine, pp. 36–48, 2013. 41
[52] S. Hmam, J.-C. Olivier, S. Bourguet, and L. Loron, “Modélisation et Simulation d’un
Système Multi-physique Application à un stockeur d’énergie d’un ferry tout électrique,”
La revue 3EI, vol. 82, p. 49, 2015. 42, 43, 64
[53] Mathworks, “Introduction to Simulink,” in Matlab Simulink User’s Guide R2014b, 2014,
pp. 1–69. 43
[54] L. Liu, F. Felgner, and G. Frey, “Comparison of 4 numerical solvers for stiff and hybrid
systems simulation,” Proceedings of the 15th IEEE International Conference on Emer-
ging Technologies and Factory Automation, ETFA 2010, pp. 1–8, 2010. 44
[55] A. Elsheikh, E. Widl, and P. Palensky, “Simulating complex energy systems with mode-
lica : A primary evaluation,” Digital Ecosystems Technologies (DEST), 2012 6th IEEE
International Conference on. IEEE, pp. 1–6, 2012. 44
[56] P. Fritzson, “Modelica - A cyber-physical modeling language and the OpenModelica

environment,” 2011 7th International Wireless Communications and Mobile Computing
Conference, pp. 1648–1653, 2011. 44
[57] “OpenModelica User’s Guide Release v1.9.4,” Open Source Modelica Consortium, 2015.
44
[58] “Dymola Dynamic Modeling Laboratory Dymola Release Notes,” Dymola, 2016. 45
[59] P. Fritzson, “MathModelica-a new modeling and simulation environment,” Third Inter-
national Mathematica Symposium 1999, RISC, Linz, Austria, pp. 1–27, 1999. 45
156 BIBLIOGRAPHIE
[60] T. Ernst, A. Nordwig, C. Nytsch-Geusen, P. Schneider, P. Schwarz, M. Vetter, C. Witt-

wer, A. Holm, T. Nouidui, J. Leopold, G. Schmidt, U. Doll, and A. Mattes, “MOSILAB :
Developmnet of a modelica based generic simulation tool supporting modal structural dy-
namics,” Proceedings of the 4th International Modelica Conference, pp. 527–534, 2005.
45
[61] T. J. Hassell, W. W. Weaver, and A. M. Oliveira, “Using Matlab’s Simscape modeling

environment as a simulation tool in power electronics and electrical machines courses,”
2013 IEEE Frontiers in Education Conference (FIE), pp. 477–483, 2013. 45
[62] S. Miller, “Modeling Physical Systems as Physical Networks with the Simscape Lan-
guage,” The MathWorks, In : 6th Vienna International Conference on Mathematical Mo-
delling (MATHMOD 2009), Vienna, Austria, 2009. 45
[63] M. MOKHTARI and N. MARTAJ, Electronique Appliquée, Electromécanique sous Sim-

scape & SimPowerSystems (Matlab/Simulink), springer s ed., 2012. 50
[64] C. B. MOLER, “Ordinary Differential Equations, chapter 7,” in Numerical Computing

with MATLAB, 2013, vol. 930, pp. 475–498. 51
[65] C. F. Curtiss and J. O. Hirschfelder, “Integration of Stiff Equations.” Proceedings of the

National Academy of Sciences of the United States of America, vol. 38, no. 1950, pp.
235–243, 1952. 51
[66] E. Hairer and G. Wanner, Solving Ordinary Differential Equations II-Stiff and
Differential-Algebraic Problems. Springer-Verlag, 1991. 51, 75
[67] U. M. Ascher and L. R. Petzold, Computer methods for ordinary differential equations
and differential-algebraic equations. Society for Industrial and Applied Mathematics,
1998. 51, 56, 75, 80, 81, 137
[68] E. Hairer and G. Wanner, “Intégration numérique des équations différentielles raides,”
Techniques de l’ingenieur, 2007. 51
[69] J. Sanchez-Gasca, R. D’Aquila, W. Price, and J. Paserba, “Variable time step, implicit
integration for extended-term power system dynamic simulation,” Power Industry Com-
puter Application Conference, 1995. Conference Proceedings, IEEE, pp. 183–189, 1995.
54
[70] R. Holsapple, R. Iyer, and D. Doman, “Variable step-size selection methods for implicit
integration schemes for ODES,” International Journal of Numerical Analysis and Mode-
ling, vol. 4, no. 2, pp. 210–240, 2007. 54
BIBLIOGRAPHIE 157
[71] M. Crow and J. Chen, “The multirate method for simulation of power system dynamics,”
IEEE Transactions on Power Systems, vol. 9, no. 3, pp. 1684–1690, 1994. 54, 55
[72] C. W. Gear, “Multirate methods for ordinary differential equations,” Ph.D. dissertation,
Illinois Univ., Urbana (USA). Dept. of Computer Science, 1974. 54
[73] M. Crow and J. Chen, “The multirate simulation of facts devices in power system dyna-
mics,” IEEE Transactions on Power Systems, vol. 11, no. 1, pp. 376–382, 1996. 55, 56,
59
[74] R. E. Crosbie, J. J. Zenor, R. Bednar, D. Word, and N. G. Hingorani, “Multi-rate simula-

tion techniques for electric ship design,” 2007 IEEE Electric Ship Technologies Sympo-
sium, pp. 384–389, 2007. 55
[75] J. Chen and M. Crow, “A variable partitioning strategy for the multirate method in power
systems,” IEEE Transactions on Power Systems, vol. 23, no. 2, pp. 259–266, 2008. 56
[76] D. Yang and T. Jin, “A decoupled dynamical simulation method via modal partition,”
2007 IEEE Power Engineering Society General Meeting, PES, pp. 1–2, 2007. 56
[77] D. Yang, S. Member, V. Ajjarapu, and S. Member, “A Decoupled Time-Domain Simu-

lation Method via Invariant Subspace Partition for Power System Analysis,” IEEE Tran-
sactions on Power Systems, vol. 21, no. 1, pp. 11–18, 2006. 56
[78] M. Günther and P. Rentrop, “Partitioning and Multirate Strategies in Latent Electric Cir-
cuits,” Mathematical Modelling and Simulation of Electrical Circuits and Semiconductor
Devices : Proceedings of a Conference Held at the Mathematisches Forschungsinstitut,
Oberwolfach, vol. 117, pp. 33–60, 1994. 56
[79] E. Lelarasmee, A. E. Ruehli, and Alberto L. Sangiovanni-Vincentelli, “The waveform

relaxation method for time-domain analysis of large scale integrated circuits,” Computer-
Aided Design of Integrated Circuits and Systems, IEEE Transactions on, vol. 1, no. 3, pp.
131–145, 1982. 59, 60
[80] M. Crow and M. Ilic, “The parallel implementation of the waveform relaxation method
for transient stability simulations,” Power Systems, IEEE Transactions on, vol. 5, no. 3,
pp. 922–932, 1990. 59, 60, 61
[81] M. L. Crow, M. D. Ilic, and J. K. White, “Convergence properties of the waveform re-
laxation method as applied to electric power systems,” IEEE International Symposium
on Circuits and Systems, vol. 3, pp. 1863–1866, 1989. 59, 60
158 BIBLIOGRAPHIE
[82] M. L. Crow and M. D. Ilić, “The Waveform Relaxation Method for Systems of Differen-
tial / Algebraic Equations,” Decision and Control, 1990., Proceedings of the 29th IEEE
Conference on. IEEE, pp. 453–458, 1990. 59, 60
[83] A. Pierquin, “Conception de systèmes électriques multidynamiques par optimisation

multigranularité,” Ph.D. dissertation, Ecole Centrale de Lille, 2014. 60, 136
[84] J. Bastian, C. Clauss, S. Wolf, and P. Schneider, “Master for Co-Simulation Using FMI,”
8th International Modelica Conference, Dresden, 2011. 62
[85] D. Dvorak, B. Thomas, C. Rathberger, and A. Lichtenberger, “Thermal Vehicle-Concept

Study using Co-Simulation for Optimizing Driving Range,” 2015 IEEE Vehicle Power
and Propulsion Conference, VPPC, 2015. 62
[86] T. Chiocchio, R. Leonard, Y. Work, R. Fang, M. Steurer, and A. Monti, “A Co-Simulation

Approach for Real-Time Transient Analysis of Electro-Thermal System Interactions on
Board of Future All-Electric Ships,” Proceedings of the 2007 summer computer simula-
tion conference, University of South Carolina, Columbia, USA, 2007. 62
[87] R. Fang, W. Jiang, J. Khan, and D. Roger, “System-level thermal modeling and co-
simulation with hybrid power system for future All Electric Ship,” IEEE Electric Ship
Technologies Symposium, pp. 547–553, 2009. 62
[88] H. Lin, S. Sambamoorthy, S. Shukla, J. Thorp, and L. Mili, “Power system and com-
munication network co-simulation for smart grid applications,” Innovative Smart Grid
Technologies (ISGT), 2011 IEEE PES. IEEE, pp. 1–6, 2011. 62
[89] F. González, M. Á. Naya, A. Luaces, and M. González, “On the effect of multirate co-
simulation techniques in the efficiency and accuracy of multibody system dynamics,”
Multibody System Dynamics, vol. 25, no. 4, pp. 461–483, 2010. 62
[90] A. BenKhaled, M. BenGaid, N. Pernet, and D. Simon, “Fast multi-core co-simulation of

Cyber-Physical Systems : application to internal combustion engines,” Simulation Mo-
delling Practice and Theory, vol. 47, pp. 79–91, 2014. 62
[91] T. Schierz, M. Arnold, and C. Clauß, “Co-simulation with communication step size
control in an FMI compatible master algorithm,” 9th Int. Modelica Conf., Munich, Ger-
many, no. 2, pp. 205–214, 2012. 62
[92] D. Guibert, “Analyse de méthodes de résolution parallèles d’EDO/EDA raides,” Ph.D.

dissertation, Université Claude Bernard-Lyon I, 2009. 64
BIBLIOGRAPHIE 159
[93] O. Bohlen, J. Kowal, and Dirk Uwe Sauer, “Ageing behaviour of electrochemical double
layer capacitors Part II. Lifetime simulation model for dynamic applications,” Journal of
Power Sources, vol. 173, pp. 626–632, 2007. 68
[94] K. Paul, M. Christian, V. Pascal, C. Guy, R. Gerard, and Z. Younes, “Constant power cy-
cling for accelerated ageing of supercapacitors,” in Power Electronics and Applications,
2009. EPE’09. 13th European Conference on. IEEE, 2009, pp. 1–10. 68
[95] M. Uno and K. Tanaka, “Accelerated ageing testing and cycle life prediction of superca-
pacitors for alternative battery applications,” in Telecommunications Energy Conference
(INTELEC), 2011 IEEE 33rd International. IEEE, 2011, pp. 1–6. 68
[96] T. Mesbahi, “Influence des stratégies de gestion d’une source hybride de véhicule élec-
trique sur son dimensionnement et sa durée de vie par intégration d’un modèle multi-
physique,” Ph.D. dissertation, École Centrale Lille, 2016. 68, 104
[97] R. Middlebrook and S. Cuk, “A general unified approach to modelling switching-

converter power stages,” in Power Electronics Specialists Conference, 1976 IEEE.
IEEE, 1976, pp. 18–34. 71
[98] V. A. Caliskan, O. Verghese, and A. M. Stankovic, “Multifrequency averaging of dc/dc

converters,” IEEE Transactions on Power Electronics, vol. 14, no. 1, pp. 124–133, 1999.
71
[99] D. Maksimović, A. M. Stanković, V. J. Thottuvelil, and G. C. Verghese, “Modeling and

simulation of power electronic converters,” Proceedings of the IEEE, vol. 89, no. 6, pp.
898–912, 2001. 71
[100] C. K. Tse and M. D. Bernardo, “Complex behavior in switching power converters,” Pro-
ceedings of the IEEE, vol. 90, no. 5, pp. 768–781, 2002. 71
[101] S. Banerjee and G. C. Verghese, “Nonlinear phenomena in power electronics : Bifurca-

tions, chaos, control, and applications,” 2001. 71
[102] C. W. Gear and L. R. Petzold, “Ode methods for the solution of differential/algebraic
systems,” SIAM Journal on Numerical Analysis, vol. 21, no. 4, pp. 716–728, 1984. 72
[103] J. Stoer and R. Bulirsch, Introduction to numerical analysis. 3eme Edition, Texts in
Applied Mathematics, Springer-Verlag, 2002, vol. 12. 72, 81, 89
[104] E. Goncalvès Da Silva, “Méthodes et Analyse Numériques,” Oct. 2007, lecture.

[Online]. Available : https://cel.archives-ouvertes.fr/cel-00556967 74
160 BIBLIOGRAPHIE
[105] J. C. Butcher, Numerical Methods for Ordinary Differential Equations, Second Edition.
John Wiley and Sons Ltd, 2008. 74, 76, 80
[106] D. Griffiths and D. J. Higham, Numerical Methods for Ordinary Differential Equations :
Initial Value Problems. Springer Science and Business Media, 2010. 74
[107] E. Hairer, S. P. Norsett, and G. Wanner, “Solving ordinary differential equation i : nonstiff
problems,” Springer Ser. in Comput. Math, vol. 8, 1987. 75
[108] J. C. Butcher, The numerical analysis of ordinary differential equations : Runge-Kutta

and general linear methods. Wiley-Interscience, 1987. 75, 76
[109] E. Hairer and C. Lubich, “Numerical solution of ordinary differential equations,” In :

The Princeton Companion to Applied Mathematics, ed. N. J. Higham et. al. Princeton
University Press, vol. 8, pp. 293–305, 2015. 80, 137
[110] T. Kato, K. Inoue, and Y. Fujiwara, “Multirate analysis method for a power electronic
system by multi-domain partitioning,” in Control and Modeling for Power Electronics
(COMPEL), 2010 IEEE 12th Workshop on. IEEE, 2010, pp. 1–8. 81
[111] T. Kato, K. Inoue, and J. Ogoshi, “Efficient multi-rate steady-state analysis of a power
electronic system by the envelope following method,” in Power Electronics Specialists
Conference, 2007. PESC 2007. IEEE. IEEE, 2007, pp. 888–893. 81
[112] P. Kaps, S. W. Poon, and T. Bui, “Rosenbrock methods for stiff odes : A comparison
of richardson extrapolation and embedding technique,” Computing, vol. 34, no. 1, pp.
17–40, 1985. 81, 89
[113] P. Bogacki and L. F. Shampine, “A 3 (2) pair of runge-kutta formulas,” Applied Mathe-
matics Letters, vol. 2, no. 4, pp. 321–325, 1989. 81
[114] M. Calvo, J. Montijano, and L. Rández, “A new embedded pair of runge-kutta formulas
of orders 5 and 6,” Computers & Mathematics with Applications, vol. 20, no. 1, pp. 15–
24, 1990. 81
[115] T. Bui, A. Oppenheim, and D. Pratt, “Recent advances in methods for numerical solu-
tion of ode initial value problems,” Journal of computational and applied mathematics,
vol. 11, no. 3, pp. 283–296, 1984. 82
[116] K. Burrage, P. Burrage, and T. Mitsui, “Numerical solutions of stochastic differential

equations–implementation and stability issues,” Journal of Computational and Applied
Mathematics, vol. 125, no. 1, pp. 171–182, 2000. 90
BIBLIOGRAPHIE 161
[117] P. Kaps and P. Rentrop, “Generalized runge-kutta methods of order four with stepsize
control for stiff ordinary differential equations,” Numerische Mathematik, vol. 33, no. 1,
pp. 55–68, 1979. 90
[118] S. Ilie, K. R. Jackson, and W. H. Enright, “Adaptive time-stepping for the strong nume-
rical solution of stochastic differential equations,” Numerical Algorithms, vol. 68, no. 4,
pp. 791–812, 2015. 90
[119] K. Gustafsson, M. Lundh, and G. Söderlind, “A pi stepsize control for the numerical
solution of ordinary differential equations,” BIT Numerical Mathematics, vol. 28, no. 2,
pp. 270–287, 1988. 90
[120] P. Burrage, R. Herdiana, and K. Burrage, “Adaptive stepsize based on control theory for
stochastic differential equations,” Journal of Computational and Applied Mathematics,
vol. 170, no. 2, pp. 317–336, 2004. 90
[121] G. Söderlind, “The automatic control of numerical integration,” CWI Quarterly, vol. 11,
no. 1, pp. 55–74, 1998. 90, 91
[122] S. Hmam, J.-C. Olivier, S. Bourguet, and L. Loron, “A cycle-based and multirate
approach for power system simulation application to the ageing estimation of a
supercapacitor-based ferry,” Journal of Energy Storage, 2016. 91
[123] L. Pelkmans, D. De Keukeleere, H. Bruneel, and G. Lenaers, “Influence of vehicle test

cycle characteristics on fuel consumption and emissions of city buses,” SAE TRANSAC-
TIONS, vol. 110, no. 4, pp. 1388–1398, 2001. 92
[124] A. F. Burke, “Batteries and ultracapacitors for electric, hybrid, and fuel cell vehicles,”
Proceedings of the IEEE, vol. 95, no. 4, pp. 806–820, 2007. 92
[125] A. Folkesson, C. Andersson, P. Alvfors, M. Alaküla, and L. Overgaard, “Real life testing
of a hybrid pem fuel cell bus,” Journal of Power Sources, vol. 118, no. 1, pp. 349–357,
2003. 92
[126] N. Rizoug, “Modélisation électrique et énergétique des supercondensateurs et méthodes

de caractérisation : Application au cyclage d’un module de supercondensateurs basse ten-
sion en grande puissance,” Ph.D. dissertation, Thèse de doctorat, Université des Sciences
et Technologie de Lille-Lille I, 2006. 101, 104
[127] A. Rufer, “Le supercondensateur et la batterie se marient pour fournir de l’énergie,” Elec-
tronique, vol. 100, pp. 81–84, 2000. 101
162 BIBLIOGRAPHIE
[128] A. Marquet, C. Levillain, A. Davriu, S. Laurent, and P. JAUD, “Stockage d’électricité

dans les systèmes électriques,” Techniques de l’ingénieur. Génie électrique, vol. 8, no.
D4030, pp. D4030–1, 1998. 101
[129] A. Allegre, “Méthodologies de modélisation et de gestion de l’énergie de systèmes de

stockage mixtes pour véhicules électriques et hybrides,” Ph.D. dissertation, Université
des Sciences et Technologies de Lille, 2010. 104
[130] M. Al Sakka, H. Gualous, J. Van Mierlo, and H. Culcu, “Thermal modeling and heat ma-
nagement of supercapacitor modules for vehicle applications,” Journal of Power Sources,
vol. 194, no. 2, pp. 581–587, 2009. 106
[131] P. Kreczanik, P. Venet, A. Hijazi, and G. Clerc, “Study of supercapacitor aging and life-
time estimation according to voltage, temperature, and RMS current,” IEEE Transactions
on Industrial Electronics, vol. 61, no. 9, pp. 4895–4902, 2014. 106
[132] O. Bohlen, J. Kowal, and D. U. Sauer, “Ageing behaviour of electrochemical double layer
capacitors. Part I. Experimental study and ageing model,” Journal of Power Sources, vol.
172, pp. 468–475, 2007. 106
[133] K. Paul, M. Christian, V. Pascal, C. Guy, R. Gerard, and Z. Younes, “Constant power cy-
cling for accelerated ageing of supercapacitors,” in Power Electronics and Applications,
2009. EPE’09. 13th European Conference on. IEEE, 2009, pp. 1–10. 106
[134] M. Ayadi, O. Briat, R. Lallemand, G. Coquery, and J.-M. Vinassa, “Influence of thermal
cycling on supercapacitor performance fading during ageing test at constant voltage,” in
2014 IEEE 23rd International Symposium on Industrial Electronics (ISIE). IEEE, 2014,
pp. 1823–1828. 106
[135] D. B. Murray and J. G. Hayes, “Cycle testing of supercapacitors for long-life robust
applications,” IEEE Transactions on Power Electronics, vol. 30, no. 5, pp. 2505–2516,
2015. 106
[136] W. Lajnef, “Modélisation des supercondensateurs et évaluation de leur vieillissement

en cyclage actif à forts niveaux de courant pour des applications véhicules électriques
et hybrides,” Ph.D. dissertation, Université Sciences et Technologies-Bordeaux I, 2006.
107
[137] Y. Diab, “Etude et modélisation des supercondensateurs : applications aux systèmes de

puissance,” Ph.D. dissertation, Université Claude Bernard Lyon 1, 2009. 107
[138] P. Kreczanik, “Étude de la fiabilité et du vieillissement d’un système de stockage par

supercondensateurs pour l’alimentation partielle et ponctuelle d’un trolleybus grâce à la
BIBLIOGRAPHIE 163
récupération de l’énergie de freinage : approche du composant au système de stockage,”

Ph.D. dissertation, Université Claude Bernard Lyon 1, 2011. 107
[139] M. Belouda, A. Jaafar, B. Sareni, X. Roboam, and J. Belhadj, “Integrated optimal de-
sign and sensitivity analysis of a stand alone wind turbine system with storage for rural
electrification,” Renewable and Sustainable Energy Reviews, vol. 28, pp. 616–624, 2013.
135
[140] M. Belouda, J. Belhadj, B. Sareni, and X. Roboam, “Battery sizing for a stand alone
passive wind system using statistical techniques,” in Systems, Signals and Devices (SSD),
2011 8th International Multi-Conference on. IEEE, 2011, pp. 1–7. 135
[141] A. Jaafar, M. Belouda, B. Sareni, X. Roboam, and J. Belhadj, “Synthesis of compact wind
profiles using evolutionary algorithms,” Inverse Problems in Science and Engineering,
vol. 22, no. 5, pp. 746–764, 2014. 135
[142] P. Deuflhard, “Recent progress in extrapolation methods for ordinary differential equa-
tions,” SIAM review, vol. 27, no. 4, pp. 505–535, 1985. 137, 139
[143] G. K. Gupta, R. Sacks-Davis, and P. E. Tescher, “A review of recent developments in

solving odes,” ACM Computing Surveys (CSUR), vol. 17, no. 1, pp. 5–47, 1985. 137
[144] J. Verbeke and R. Cools, “The newton-raphson method,” International Journal of Ma-
thematical Education in Science and Technology, vol. 26, no. 2, pp. 177–193, 1995. 137
[145] I. J. L. Awange, I. E. W. Grafarend, B. Paláncz, and P. Zaletnyik, “Extended newton-

raphson method,” pp. 101–110, 2010. 137
[146] T. J. Ypma, “Historical development of the newton-raphson method,” SIAM review,

vol. 37, no. 4, pp. 531–551, 1995. 137
[147] P. Deuflhard, E. Hairer, and J. Zugck, “One-step and extrapolation methods for
differential-algebraic systems,” Numerische Mathematik, vol. 51, no. 5, pp. 501–516,
1987. 138
[148] E. Hairer and C. Lubich, “Extrapolation at stiff differential equations,” Numerische Ma-
thematik, vol. 52, no. 4, pp. 377–400, 1988. 138
[149] M. Schlegel, W. Marquardt, R. Ehrig, and U. Nowak, “Sensitivity analysis of linearly-

implicit differential–algebraic systems by one-step extrapolation,” Applied Numerical
Mathematics, vol. 48, no. 1, pp. 83–102, 2004. 138
[150] F. Cottet-Emard, Analyse 2 : Calcul différentiel, intégrales multiples, séries de Fourier.

De Boeck Supérieur, 2006, vol. 2. 138
164 BIBLIOGRAPHIE
[151] F. Laudenbach, Calcul différentiel et intégral. Éditions École Polytechnique, 2000. 138
[152] W. H. Press, Numerical recipes 3rd edition : The art of scientific computing. Cambridge
university press, 2007. 139
Thèse de Doctorat
Sadok H MAM
Méthodologie de conception optimale de chaines de conversion et de stockage de

l’énergie électrique
Optimal design methodology of electrical energy conversion and storage chains
Résumé Abstract
L’optimisation de la conception des systèmes énergétiques The design optimization of energy systems requires the
nécessite la prise en compte de multiples phénomènes consideration of multiple physical phenomena of different
physiques de natures différentes. La difficulté pour simuler kinds. The difficulty to simulate such problems lies in the fact
de tels problèmes réside dans le fait que les modèles sont that there is high mutual dependency between the coupled
couplés et interdépendants avec des constantes de temps models with a wide range of time scales and thus penalize
éloignées. Ceci est donc très pénalisant pour le temps de the computation time. Therefore our objective is to reduce
calcul. L’objectif est alors de réduire les efforts de calcul afin computation efforts to make possible the optimization of
de rendre possible l’optimisation de ces architectures these complex architectures.
complexes. The present thesis describes a methodology for designing
La présente étude décrit une méthodologie de conception de complex multi-physical systems that are characterized by
systèmes multi-physiques complexes qui sont caractérisés very different dynamics. This methodology relies on a
par des dynamiques très variées. Cette méthodologie generic and modular formalism reflecting the operation of
repose sur un formalisme générique et modulaire traduisant the system by a set of cycles and sub-cycles. Nesting
le fonctionnement du système par un ensemble de cycles et cycles, relying on the principle of Russian dolls, allows to
de sous-cycles. La mise en abyme des cycles, inspirée du create a structure called multi-layer apportioned according
principe des poupées russes, permet de créer une structure to the time scales considered. To reduce the computation
dite multi-couche répartie selon les échelles temporelles time, cycle-based extrapolation methods with variable steps
prises en compte. Pour réduire le coût de simulation global, have been developed and implemented on each layer. The
des méthodes d’extrapolation à pas variables basées sur approximation results obtained in a lower layer are then
cycle ont été développées et implémentées sur chacune de used to perform extrapolations on an upper layer. This
ces couches. Les résultats des approximations obtenus à original approach significantly reduces the simulation time
une couche inférieure sont ensuite utilisés pour effectuer by reaching a gain factor greater than 1000, even in the
des extrapolations sur une couche supérieure. Cette presence of a wide disparity of time constants of the system.
approche permet de réduire considérablement le temps de The proposed methodology has been validated by the
simulation en atteignant un facteur de gain supérieur à 1000, design study of an all-electric ship and it can also be used in
même en présence d’une grande disparité de constantes de many transportation and power generation applications.
temps du système. La méthodologie proposée a été validée
sur l’étude de dimensionnement d’un navire tout-électrique
et elle peut également être utilisée dans de nombreuses
applications de transport et de production d’électricité.
Mots clés Key Words

Système complexe, conversion et stockage d’énergie, Complex system, energy conversion and storage,
modélisation multi-physique, simulation multi-échelle de multi-physical modelling, multirate simulation, integration
temps, méthodes d’intégration, approche multi-couche. methods, multi-layer approach.
L’UNIVERSITÉ NANTES ANGERS LE MANS

HMAM

Transféré par

Droits d'auteur :

Formats disponibles

HMAM

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

HMAM

Transféré par

Droits d'auteur :

Formats disponibles

Thèse de Doctorat

École doctorale : ED503 STIM

Discipline : Électronique et Génie électrique, section CNU 63

Soutenue le 07 Novembre 2016

Méthodologie de conception optimale de chaines de

Président : M. Xavier R OBOAM, Directeur de Recherche CNRS, ENSEEIHT de Toulouse

J’exprime ma profonde gratitude à mes encadrants : M. Jean-Christophe Olivier et M. Salvy

Je remercie aussi chaleureusement tous les membres de l’IREENA : le directeur du labora-

“Lorsqu’une porte se ferme, il y en a une qui s’ouvre. Malheureusement, nous

Alexander Graham Bell

I État de l’art des systèmes complexes 23

3.2.2 Simulation multi-méthodes (multi-method schemes) . . . . . 56

II Méthodologie de simulation multi-échelle de temps et multi-couche 67

III Application : Simulation d’un navire électrique à supercondensateurs Ar Vag Tre-

Conclusion générale et perspectives 133

A Méthodes d’intégration implicites 137

B Construction d’un profil d’usage à l’aide de l’outil Stateflow 141

Liste des publications 149

I.1 Variables généralisées pour différents domaines physiques. . . . . . . . . . . . 32

II.1 Tableau de Butcher de la famille de méthode Runge-Kutta explicites à 2 étages. 76

III.1 Caractéristiques de fonctionnement du navire électrique. . . . . . . . . . . . . 102

III.7 Résultats de simulation à 3 couches sur 20 ans de fonctionnement obtenus en

1 Modélisation multi-physique et exemples de domaines intervenant. . . . . . . . 17

I.1 Modèle causal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

I.28 Structure d’un environnement de co-simulation avec une synchronisation pério-

II.1 Structure de modélisation par cycle d’un système complexe. . . . . . . . . . . 70

III.1 Ferry électrique à passagers Ar Vag Tredan. . . . . . . . . . . . . . . . . . . . 100

III.19Résultats de simulation mono-couche des méthodes d’extrapolation pour une

L’optimisation de la conception des systèmes de conversion et de stockage d’énergie élec-

F IGURE 1 : Modélisation multi-physique et exemples de domaines intervenant.

F IGURE 2 : Cycle de puissance d’une traversée du navire électrique.

F IGURE 3 : Schéma de couplage de modèles multi-physiques.

Objectifs de la thèse et organisation du mémoire

2 Modélisation des systèmes multi-physiques

2.1 Approches de modélisation des systèmes multi-physiques

2.1.1 Types des équations différentielles d’un système physique

L’association d’un système d’équations différentielles ordinaires avec un ensemble de con-

f (t, x, ẋ, pr ) = 0 (I.4)

2.1.2 Approche de modélisation causale

F IGURE I.1 : Modèle causal.

2.1.3 Approche de modélisation acausale

Le modèle acausal est un modèle « non-orienté » composé de variables et de relations entre

F IGURE I.2 : Comparaison de structures du modèle causal et acausal [4].

En général, les relations mathématiques décrivent l’influence mutuelle de plusieurs va-

La résistance peut être déterminée par la relation suivante :

2.2 Formalismes de représentation des systèmes multi-physiques

2.2.1 Principe de la modélisation par flux d’énergie

F IGURE I.3 : Principe de la modélisation par un flux d’énergie.

2.2.2 Le langage Bond Graph (BG)

F IGURE I.4 : Informations fournies par une représentation Bond Graph.

F IGURE I.5 : Éléments de base d’une représentation Bond Graph.

La modélisation avec l’outil Bond Graph respecte la conservation de l’énergie et la conti-

• Approche qualitative : une description non-numérique (par des moyens qualitatifs)

• A applique un effort «e» à B qui réagit en renvoyant à A un flux «f».

• A envoie un flux «f» à B qui réagit par un effort «e».

F IGURE I.6 : Causalités en Bond Graph.

TABLE I.1 : Variables généralisées pour différents domaines physiques.

Domaine Effort e Flux f Moment

Électrique Tension u Courant i Flux magnétique λ Charge q

Mécanique Force F Vitesse v Quantité de Déplacement x