Abstract: Lithium-ion batteries are widely used due to their attractive features. They have emerged as the primary storage system for electric cars, solar power, and marine vehicles. Consequently, their internal health state estimation has attracted extensive attention. An accurate health assessment results in a safer and more efficient battery management system (BMS), which estimates the battery's state and predicts premature failure. Recurrent neural network (RNN) has been extensively utilized to diagnose and prognosis lithium-ion batteries, as it has demonstrated superior performance. Improving the proficiency of Machine Learning (ML) algorithms has always been a subject of research. Among these attempts, various studies have proposed the combination of RNN and the convolutional neural network (CNN). In this paper, the CNN is combined with the long short-term memory (LSTM) network for the state of health estimation and remaining useful life assessment of lithium-ion batteries. To facilitate the features exploitation procedure for the ML algorithm, a K-means clustering algorithm is proposed for data classification. A comparative study of LSTM and the hybrid CNN-LSTM method is conducted to show the superiority of the proposed method.

Abstract: Cette thèse explore la manière dont l'intelligence artificielle peut diminuer l'énergie consommée dans les Data Center. L'intelligence artificielle est un vaste domaine de recherche très populaire. Ce domaine est souvent idéalisé, mais comment les nouveautés de la recherche peuvent-elles être appliquées à des cas d'utilisation réels ? Entre considérations physiques, théories mathématiques et technologies informatiques, cette thèse met en application différents domaines pour aider à déployer et améliorer les technologies récentes afin de répondre aux défis énergétiques actuels. La première partie de la thèse évalue les problèmes énergétiques et les technologies déployées dans les centres de données et les bâtiments de télécommunications. Les infrastructures d'information et de communication sont de gros consommateurs d'énergie et nécessitent des systèmes de climatisation spécifiques en raison des conditions de travail du matériel informatique. L'optimisation des systèmes de climatisation et de leur consommation est une préoccupation majeure dans la réduction de la consommation d'énergie. La deuxième partie de la thèse explore l'apprentissage statistique et probabiliste pour optimiser la consommation d'énergie. Elle se concentre principalement sur les modèles d'apprentissage par renforcement profond (Deep Reinforcement Learning) pour une prise de décisions automatisées basées sur les données. L'apprentissage profond est flexible dans la modélisation et peut s'adapter à de nombreux problèmes, ce qui est pratique lorsqu'une méthode doit être généralisée et industrialisée. La dernière partie décrit la mise en œuvre et l'application dans des environnements simples afin de soulever et de traiter les problèmes courants et de discuter de la manière d'adapter le modèle à la réalité. On sait qu'un grand nombre de projets de science des données sont très prometteurs mais ne sont pas mis en œuvre à cause des difficultés pratiques. Ce travail vise à faire un pas en avant dans l'introduction de l'IA dans des environnements sensibles tels que les centres de données.