Stage- Développement de méthodes numériques pour l’optimisation du réglage des algorithmes de protection des réseaux ferroviaires à courant continu- H/F

Contexte général

Au cours des premières étapes du développement des systèmes ferroviaires, l’adoption de la technologie à courant continu (CC) a facilité la mise en service de locomotives de traction légères et performantes. À cette époque, les systèmes à CC présentaient des avantages considérables par rapport aux systèmes à courant alternatif (CA), notamment en matière de simplicité de commande du couple moteur et grâce à l’absence de transformateurs abaisseurs et de ponts redresseurs lourds embarqués dans les locomotives. Par ailleurs, le raccordement en parallèle des sous-stations le long de la ligne ferroviaire permettait de maintenir une tension stable sur la ligne de contact, contribuant ainsi à une grande fiabilité de l’alimentation électrique et à une meilleure répartition de la charge sur le réseau électrique CA.

Cependant, la protection des systèmes ferroviaires à CC contre les courts-circuits présente des difficultés importantes, notamment en raison des changements possibles de configuration du réseau et de l’amplitude des courants de court-circuit, qui peut être comparable au courant nominal d’une sous-station. Bien que les systèmes de protection conventionnels permettent d’éliminer efficacement les défauts, ils peuvent détecter à tort des défauts lors de phénomènes transitoires importants qui ne sont pas liés à des défauts réels, entraînant ainsi des déclenchements intempestifs des protections. Ces systèmes de protection reposant sur des technologies éprouvées, leurs performances ont atteint leurs limites pratiques, ce qui souligne la nécessité d’étudier de nouvelles stratégies de protection afin d’améliorer les performances globales du système.

L’algorithme avancé de détection des défauts (Fault Detection Algorithm, FDA), proposé par SuperGrid Institute, constitue une approche prometteuse pour remédier aux limitations des systèmes de protection conventionnels actuellement déployés dans les réseaux ferroviaires à courant continu [1]. Toutefois, sa mise en œuvre efficace nécessite un réglage approfondi reposant sur un grand nombre de simulations couvrant une large variété de situations de fonctionnement.

Ces scénarios incluent notamment des défauts survenant sur une section ferroviaire avec zéro, un ou plusieurs trains, à différentes positions et niveaux de puissance. Ils doivent également prendre en compte les différentes configurations du réseau, en fonction de l’état des disjoncteurs des sous-stations de traction et des postes de mise en parallèle, ainsi que les situations où une sous-station est indisponible pour maintenance.

Le réglage de l’algorithme requiert ainsi l’exécution d’un très grand nombre de simulations pour une seule section ferroviaire. Il est donc nécessaire d’étudier des méthodes numériques permettant d’accélérer ce processus de réglage tout en préservant la fiabilité et l’efficacité de la stratégie de protection obtenue.

Missions

1. Comprendre le système de protection existant :

• Étudier les principes de fonctionnement et les limites des systèmes de protection conventionnels des réseaux ferroviaires à courant continu (CC).

• Analyser l’algorithme avancé de détection des défauts (Fault Detection Algorithm, FDA) et identifier ses principaux paramètres de réglage ainsi que ses critères de performance.

2. Définir des scénarios représentatifs de fonctionnement du réseau ferroviaire :

• Identifier les scénarios pertinents de défauts par court-circuit dans différentes conditions de fonctionnement du réseau ferroviaire.

• Prendre en compte les variations du nombre de trains, de leur position et de leur consommation de puissance au sein d’une section ferroviaire.

• Considérer différentes configurations du réseau, selon les états et la position des disjoncteurs et l’indisponibilité de certaines sous-stations pour des opérations de maintenance.

3. Développer et exécuter des campagnes de simulation :

• Mettre en place ou adapter des modèles de simulation permettant de reproduire des conditions représentatives de fonctionnement du réseau ferroviaire et différents événements de défaut.

• Automatiser la génération et l’exécution des simulations pour différentes configurations du réseau et différents scénarios de fonctionnement.

• Analyser les résultats des simulations afin d’évaluer les performances de détection des défauts de l’algorithme.

4. Étudier des méthodes numériques permettant de réduire le temps de calcul :

• Étudier et évaluer des techniques d’optimisation numérique ainsi que d’autres approches permettant d’améliorer l’efficacité des calculs.

• Identifier des méthodes permettant de réduire le nombre de simulations nécessaires au réglage de l’algorithme.

• Explorer, lorsque cela est pertinent, des stratégies telles que l’analyse de sensibilité et la sélection intelligente de scénarios représentatifs.

Reference:

[1] D. Lanzarotto, F. Wallart, G. Blaszczyk, P. Verrax, A. Bertinato and L. Leclere, "New Model-Based Algorithm for Fault Detection and Identification in DC Railway Systems," 2023 IEEE International Conference on Electrical Systems for Aircraft, Railway, Ship Propulsion and Road Vehicles & International Transportation Electrification Conference (ESARS-ITEC), Venice, Italy, 2023, pp. 1-7, doi: 10.1109/ESARS-ITEC57127.2023.10114876.

Élève ingénieur ou étudiant en Master 2, spécialisé en génie électrique, électronique de puissance, électronique embarquée ou systèmes électriques.

Merci de joindre vos relevés de notes en études supérieures

Date de démarrage : Février/mars 2027

Durée du stage : 6 mois

Soft skills

• Capacités d’analyse, de synthèse et interprétation de résultats expérimentaux

• Travail en équipe

• Autonomie et goût pour le développement expérimental

• Rigueur

• Capacités d’organisation

• Curiosité et créativité

Ce que nous pouvons vous offrir :

• Vous intégrez un institut pour la transition énergétique, un domaine d’activité porteur et stimulant,

• Participation aux frais de repas (restaurant d’entreprise),

• Activités entre collègues au sein de l’entreprise (foot, course à pied, chorale…),

• CSE,

• Habilitations électriques prise en charge,

• Vélos en libre-service.

Autres informations

En rejoignant SuperGrid Institute, vous intégrez un environnement de travail dynamique. Chez SuperGrid Institute, nous respectons et valorisons la diversité de nos collaborateurs, leurs parcours et leurs expériences dans un objectif d’égalité des chances pour tous.

La diversité est au cœur de notre fonctionnement et nous nous engageons à proscrire toute discrimination de notre gestion des ressources humaines. SuperGrid Institute rend accessible l'ensemble de ses postes aux personnes en situation de handicap et s’engage de dans le cadre de son plan d’action pour l’égalité professionnelle à maintenir une attention particulière aux candidatures féminines pour respecter un équilibre de répartition globale des effectifs.

Certaines étapes du processus de recrutement chez SuperGrid Institute peuvent s’appuyer sur des outils d'IA pour faciliter l’analyse des candidatures. Toutes les décisions de recrutement sont toutefois prises par nos équipes, avec intervention humaine systématique

Créée en 2014, SuperGrid Institute est une société privée indépendante, acteur de la transition énergétique en France et dans toute l’Europe, regroupant plus de 150 collaborateurs et plus de 20 nationalités différentes. Spécialiste des systèmes électriques innovants à courant continu en haute et moyenne tension (HVDC et MVDC). SuperGrid Institute participe également au développement de nouvelles technologies pour l’intégration des énergies renouvelables dans les réseaux électriques du futur.

SuperGrid Institute est classée sur le podium et le top 10 de l’INPI depuis 2018.

Pour plus d’infos, visitez notre site : www.supergrid-institute.com

Mots clés: Réseaux ferroviaires à courant continu, algorithme basé sur un modèle, détection des défauts, défauts ferroviaires, optimisation.