Infrastructures intelligentes

L'entretien et le renouvellement de notre infrastructure vont demander un investissement considérable dans les prochaines décennies. Des changements majeurs sont nécessaires pour nos systèmes de transport ou énergétiques, afin de faire face notamment aux défis environnementaux. En même temps, les progrès des technologies de l'information donnent l'occasion aux membres du GERAD de travailler à améliorer les capacités, l'efficacité et la fiabilité de notre infrastructure au lieu de simplement la réparer.

Plus de données disponibles

Les infrastructures intelligentes visent à améliorer – souvent en temps réel – un service fourni à une population d'usagers, en utilisant diverses données disponibles sur leur propre état ainsi que sur ces usagers eux-mêmes. Par exemple, la gestion d'un réseau de transport en commun ou d'un parc de taxis peut s'appuyer sur le positionnement précis des véhicules, sur le signalement rapide d'incidents, ainsi que sur des prédictions de l'évolution du trafic et de la demande rendues plus fiables par les données de localisation transmises par les téléphones cellulaires des usagers. Plus généralement, avec le développement de l'Internet des objets, on observe dans de nombreux domaines une prolifération des capteurs et des sources de données disponibles. Le GERAD rassemble plusieurs chercheurs et chercheuses qui travaillent à transformer et à fusionner ces données brutes en modèles statistiques qui peuvent ensuite être utilisés à des fins décisionnelles. Ces données peuvent aussi servir à la planification à plus long terme de l'évolution de l'infrastructure.

Dimensions sociales et éthiques

Il y a toutefois des inquiétudes justifiées liées aux pratiques d'utilisation des données personnelles, qui sont un pilier de la notion d'infrastructure intelligente, mais dont la diffusion peut porter atteinte au respect de la vie privée. De nombreuses villes ont développé des programmes de « données ouvertes », mais n'appliquent pas nécessairement les méthodes de pointe nécessaires pour protéger les données personnelles. Par exemple, il est bien documenté que les jeux de données qui enregistrent les mouvements d'individus au cours du temps sont particulièrement difficiles à anonymiser, et pourtant on peut fréquemment retrouver de tels jeux de données en libre accès. Le groupe du professeur Jérôme Le Ny s'intéresse au développement de méthodes d'estimation et de prise de décision qui peuvent utiliser des données personnelles agrégées, tout en fournissant des garanties mathématiques formelles sur la protection de la confidentialité des données (garanties dites de « confidentialité différentielle »). Il s'agit notamment de mettre au point des systèmes qui ne récoltent les données que dans des buts bien définis, et qui appliquent ensuite des méthodes de protection (agrégation, brouillage, etc.) en les adaptant précisément à ces objectifs afin de limiter l'impact sur la précision des statistiques produites. Les applications sont nombreuses, et ces travaux contribueront à renforcer la confiance des usagers dans les infrastructures intelligentes et leur consentement à fournir les données nécessaires.

Exemples de publications :

• Le Ny, J., Differential Privacy for Dynamic Data. SpringerBriefs in Control, Automation and Robotics, Springer, 2020.

• Le Ny, J., Privacy in Network Systems. In Encyclopedia of Systems and Control, J. Baillieul, T. Samad, Editors, Springer, 2021.

• Pelletier, M., Saunier, N., Le Ny, J., Differentially Private Analysis of Transportation Data. In Privacy in Dynamical Systems, F. Farokhi, Editor, pp. 131-155, Springer, 2020.

Planification des opérations en transport public

Toutes les grandes villes possèdent un réseau de transport urbain qui comprend, entre autres, un service d'autobus. Cette infrastructure offre à la population la possibilité de se déplacer entre les différents quartiers de la ville de façon économique et écoresponsable. Les sociétés de transport public étant, en grande majorité, subventionnées par les gouvernements, elles se doivent d'offrir un service de bonne qualité tout en évitant des coûts de fonctionnement excessifs. Ainsi, afin d'optimiser la planification de leurs opérations, elles font appel à des logiciels de prise de décision.

Étant donné la complexité de la tâche (par exemple, la Société de transport de Montréal offre plus de 17 000 voyages d'autobus par jour répartis sur 225 lignes), la planification d'un réseau d'autobus se fait généralement par étapes. Elle comprend la détermination des : i) lignes d'autobus; ii) horaires des voyages pour chaque ligne; iii) horaires d'autobus indiquant la suite des voyages à effectuer pour chaque autobus; iv) journées de travail spécifiant les suites des voyages à couvrir par des chauffeurs anonymes; et v) horaires des chauffeurs affectant des journées de travail et des jours de congé à chaque chauffeur pour le prochain mois. Les problèmes des étapes i) et ii) sont de niveau stratégique/tactique, et visent à maximiser la qualité du service tout en respectant certaines contraintes globales sur les ressources disponibles. Les problèmes des étapes iii) à v), quant à eux, sont de niveau opérationnel et cherchent à offrir à moindre coût le service déterminé dans les étapes précédentes, tout en prenant en compte de nombreuses contraintes pratiques telles que celles issues de la convention collective des chauffeurs.

Depuis quelques décennies, des membres du GERAD ont réalisé des travaux de recherche sur les problèmes opérationnels des étapes iii) à v). La plupart de ces travaux ont été faits en collaboration avec l'entreprise GIRO qui est le leader mondial dans la commercialisation de logiciels d'optimisation pour le transport public. Pour résoudre le problème de création des journées de travail des chauffeurs, François Soumis et Jacques Desrosiers ont développé à la fin des années 1980 un algorithme de génération de colonnes, nommé Gencol, qui permet de sélectionner le meilleur ensemble de journées de travail à opérer parmi un nombre astronomique de journées de travail possibles sans avoir à toutes les énumérer. Cet algorithme, qui est toujours utilisé par GIRO, a été enrichi au fil des ans par de nouvelles avancées réalisées au GERAD, notamment la technique d'agrégation dynamique de contraintes conçue par Issmail El Hallaoui, François Soumis et Guy Desaulniers. Plus récemment, GIRO a décidé d'employer aussi la génération de colonnes pour résoudre le problème de création d'horaires des autobus afin de prendre en compte les contraintes de recharge des autobus électriques. À cet effet, une nouvelle collaboration avec Guy Desaulniers a permis d'étudier différentes variantes de ce problème, notamment celle considérant la possibilité de modifier très légèrement les heures de début des voyages. Finalement, Guy Desaulniers, Andrea Lodi et François Soumis font équipe pour intégrer des méthodes statistiques et d'apprentissage automatique dans les algorithmes d'optimisation pour le transport public.

Développer les services d'échange de batteries dans les villes

L'électrification des transports urbains est au cœur des transformations et de l'essor de la ville intelligente. Fonctionnant sur batteries et moteurs électriques, les véhicules électriques sont porteurs de promesses telles que la réduction des émissions de carbone. Ces avantages attendus ont poussé les gouvernements du monde entier à encourager de manière agressive l'adoption de véhicules électriques. Par exemple, le Royaume-Uni et la France prévoient d'interdire respectivement d'ici 2035 et 2040 – la vente de nouveaux véhicules à combustion interne. Les mégalopoles chinoises rationnent davantage les ventes de véhicules électriques que les ventes de voitures à combustibles fossiles en plafonnant le nombre de plaques d'immatriculation délivrées. Compte tenu de ces tendances, plus de 500 millions de véhicules de tourisme en circulation, soit 30 % de l'ensemble du parc automobile, devraient être électriques d'ici 2040.

Au fur et à mesure que les véhicules électriques prospèrent, l'échange de batteries reprend vie. Solution de rechange au branchement des voitures pour recharger la batterie, l'échange de batterie fait référence au mode de ravitaillement d'un véhicule électrique en remplaçant la batterie déchargée à bord par une batterie chargée. Le renouveau de cette approche est motivé par ses trois avantages par rapport à la charge par « plug-in » : 1) rapidité : le processus d'échange ne prend que 3 à 5 minutes, alors que même l'utilisation du compresseur de Tesla prend plus de 30 minutes pour charger une batterie à 80 %; 2) compacité : la courte durée de service permet à une station d'échange d'occuper beaucoup moins d'espace qu'une borne de recharge enfichable pour atteindre le même niveau de service; 3) sécurité : par rapport aux propriétaires de véhicules, les fournisseurs de services sont en mesure de charger et d'entretenir plus correctement les batteries. Par conséquent, on pense généralement que l'échange de batteries prévaut, en particulier dans les grandes villes.

Néanmoins, les entreprises de véhicules électriques et les municipalités sont désormais confrontées à des défis majeurs lorsqu'elles tentent d'étendre les services d'échange de batteries dans les villes :

• Incertitude de la demande et proximité du service : le déploiement de l'infrastructure doit être dense afin que les demandes d'échange aléatoires puissent accéder à une station d'échange sans trop de détours. Les réseaux de stations d'échange urbaines qui en résultent sont très décentralisés et donc difficiles à exploiter.
• Disponibilité des batteries : les stations d'échange doivent également assurer une haute disponibilité des batteries chargées en stock pour satisfaire les demandes d'échange et éviter les files d'attente. Ce défi opérationnel est exacerbé par la disposition décentralisée des stations d'échange, car les demandes d'échange sont plus variables lorsqu'elles sont désagrégées que lorsqu'elles sont mises en commun. Par conséquent, le prestataire doit constituer des stocks massifs de batteries, coûteuses et néfastes pour l'environnement.
• Accessibilité au réseau : enfin, le chargement de batteries épuisées dans les stations d'échange peut surcharger, voire déstabiliser les réseaux locaux de distribution d'électricité basse tension. Ces réseaux du « dernier kilomètre » ont souvent été construits sans allouer une capacité suffisante pour la recharge des véhicules électriques. La mise à niveau des réseaux de distribution existants serait prohibitive, voire irréalisable.

Depuis des années, des membres du GERAD travaillent sur des problèmes de recherche opérationnelle concernant le verdissement de nos systèmes de transport urbain dans l'incertitude. Par exemple, le professeur Wei Qi et ses collaborateurs – au sein et en dehors du GERAD – se sont efforcés de mieux comprendre comment étendre les services d'échange de batteries à l'échelle de la ville pour faire face aux défis susmentionnés. Ces derniers examinent, entre autres, une configuration de réseau « échanger localement, charger de manière centralisée », où les batteries sont échangées localement dans des stations d'échange décentralisées, et transportées et chargées dans des stations de recharge plus centralisées qui sont connectées aux réseaux de capacité suffisante (qui sont généralement de niveau de tension plus élevé ou à proximité d'une sous-station). Ils ont construit des modèles qui caractérisent analytiquement les opérations entrelacées et stochastiques de stockage, d'échange, de charge et de circulation des batteries entre une station de charge centralisée et des stations d'échange décentralisées. Ils ont également développé un nouveau cadre algorithmique combinant des techniques de génération de contraintes et de recherche de paramètres pour résoudre des problèmes complexes de planification et d'exploitation d'infrastructures conjointes.

Référence :

• Qi, W., Zhang, Y., Zhang, N., Scaling Up Battery Swapping Services in Cities (19 juin 2020).

Le cas de l'infrastructure de télécommunication

Alors que le monde devient « intelligent », avec des « villes intelligentes », des « réseaux intelligents », des « bâtiments intelligents », etc., il devient également de plus en plus dépendant de son infrastructure de télécommunication. Pour répondre aux besoins des applications intelligentes, l'infrastructure sous-jacente doit être extrêmement fiable, durable et hautement adaptable aux conditions changeantes du système. Les systèmes intelligents actuels et à venir nécessitent de plus en plus des réseaux de télécommunication omniprésents, hautement performants et transparents pour les utilisateurs. Cette fluidité de fonctionnement du réseau nécessite une infrastructure de télécommunication complexe, à grande échelle et très hétérogène. Sans fil, optique, satellite, aérien; les technologies de calcul et de stockage doivent fonctionner efficacement ensemble pour fournir la disponibilité et le temps de réponse requis par les applications intelligentes. Les réseaux doivent réorganiser leur offre de ressources en un rien de temps, et cela n'est possible qu'avec l'utilisation croissante de la virtualisation pour définir les fonctions réseau, parallèlement à une forme d'intelligence réseau centralisée provoquée par le concept de réseau défini par logiciel (SDN). Ainsi, l'infrastructure de télécommunication elle-même doit être la plus intelligente, pour que tous les autres systèmes intelligents fonctionnent correctement en temps réel.

Un exemple d'une telle infrastructure est actuellement fourni par le déploiement de la 5G dans les grandes villes qui peuvent mettre en place des réseaux virtuels, appelés « slices », vers différents systèmes intelligents, tels que les transports, les véhicules connectés ou la télémédecine, chacun avec des applications ayant des exigences de performances différentes en temps réel. L'enjeu pour les opérateurs est de s'assurer que ces systèmes sont toujours disponibles et que le temps de réponse fourni par l'infrastructure est adapté à chaque application intelligente. Pour aider dans cette tâche, un simulateur 4G/5G à l'échelle de la ville a été développé au GERAD par le groupe du professeur Brunilde Sansò. Le simulateur d'événements discrets à grande échelle recrée des spécifications d'équipement normalisées par les entités définissant les standards de télécommunication. Il utilise également des données réelles de télécommunication et d'infrastructures urbaines pour évaluer le temps de réponse des applications clés et détecter les problèmes dans le réseau. L'un des principaux défis relevés par le groupe de recherche est la modélisation à grande échelle du système qui peut contenir des centaines de stations de base fonctionnant au niveau de la milliseconde dans un mode de mise en réseau à l'échelle de la ville. Un autre défi est la cartographie de l'application à l'échelle de la ville dans l'infrastructure simulée. Du point de vue de l'échelle de temps, la cartographie implique d'évaluer les performances de l'application – en minutes ou en heures – tout en simulant des millisecondes, ce qui implique une modélisation statistique et par apprentissage automatique avancée. Un autre défi se pose avec les applications de mobilité, tels que V2V ou ITS qui, dans leur cheminement vers leur destination, utilisent différents équipements de télécommunication. Ainsi, le mappage nécessite des algorithmes avancés pour les calculs distribués. Enfin, des méthodes d'apprentissage automatique sont mises en place pour évaluer les performances des applications et identifier les problèmes de réseau, tels que les cellules dormantes ou les attaques par déni de service. Une version en ligne du simulateur est accessible ici.

Une dernière réflexion sur la prise de décision en temps réel et les infrastructures de télécommunication est que l'intelligence, la fiabilité et la haute disponibilité de ces infrastructures ont un prix caché : une consommation d'énergie et un impact environnemental accrus des centres de données et des composants de réseau. Depuis des années, le groupe du professeur Brunilde Sansò s'intéresse aux moyens de garantir la fiabilité et la disponibilité du réseau, tout en réduisant la consommation d'énergie et l'impact environnemental (p. ex. : exploitation intelligente en temps réel des centres de données, conception et exploitation d'accès sans fil avec contraintes énergétiques, étude de réseaux alimentés par l'énergie solaire). La prochaine extension au simulateur qui est en cours de développement consiste à intégrer des sources d'énergie peu fiables pour assurer une réponse en temps réel des applications intelligentes, même dans des conditions difficiles et catastrophiques.

Références :

• Manzanilla-Salazar, O.G., Malandra, F., Mellah, H., Wette, C., Sansò, B., A Machine Learning Framework for Sleeping Cell Detection in a Smart-City IoT Telecommunications Infrastructure. IEEE Access, 8, 61213-61225, 2020.

• Seyedi, Y., Karimi, H., Wette, C., Sansò, B., A New Approach to Reliability Assessment and Improvement of Synchrophasor Communications in Smart Grids. IEEE Transactions on Smart Grid, 11(5), 4415-4426, 2020.

• D'Amours, M., Girard, A., Sansò, B., Planning Solar in Energy-managed Cellular Networks. IEEE Access, 6, 65212-65226, 2018.

• Malandra, F., Chiquette, L.O., Lafontaine-Bedard, L.P., Sansò, B., Traffic characterization and LTE performance analysis for M2M communications in smart cities. Pervasive and Mobile Computing, 48, 59-68, 2018.

• Larumbe, F., Sansò, B., A Tabu Search Algorithm for the Location of Data Centers and Software Components in Green Cloud Computing Networks. IEEE Transactions of Cloud Computing, 1(1), 22-35, 2013.

• Boiardi, S., Capone, A., Sansò, B., Radio planning of energy-aware cellular networks. Computer Networks, 57(13), 2564-2577, 2013.