M@CSEE

Microéléctronique Composants Systèmes efficacité énergétique

Thème de recherche :

Conversion d’énergie pour capteurs : PV en intérieur

Le développement des applications de l’Internet des objets (IoT) ou des réseaux de capteurs sans fil (WSN) connaît une croissance importante. Atteindre l’autonomie énergétique des capteurs associés reste un défi. D’une part, beaucoup est fait pour réduire leur consommation d’énergie, et d’autre part, une communauté croissante de chercheurs travaille sur l’amélioration des technologies capables de récolter suffisamment d’énergie dans l’environnement proche pour fournir de l’énergie électrique à ces dispositifs. L’une des technologies les plus utilisées, en intérieur, est la technologie photovoltaïque.

Étant donné que la lumière intérieure, généralement composée de plusieurs sources lumineuses différentes (artificielles et naturelles, directes et par réflexion), n’a pas encore de normes, établir le niveau d’énergie potentiellement exploitable dans ces conditions intérieures est encore très difficile. Dans ce contexte, nous avons développé plusieurs outils basés sur des photodiodes commerciales à très bas coût et sur l’apprentissage automatique supervisé pour estimer l’énergie potentiellement exploitable dans des environnements réels.
Il y a différents challenges :

  • La luminosité en lux n’est pas une quantification fiable de la puissance incidente récoltable. En effet, la FIG 1A montre les spectres obtenus à 1000 lux pour la lumière naturelle à travers une fenêtre, une lampe fluorescente compacte (CFL), et une diode électroluminescente (LED). Pour une même valeur de lux, elle donne 3 niveaux d’irradiance très différents.

  • La lumière intérieure est un mélange variable dans le temps de multiples sources naturelles et artificielles directes, réfléchissantes et diffusées. On peut le voir dans la vidéo de la FIG 1B, où les spectres sont capturés au cours de la journée.

  • Pour une application réelle, nous devons toujours faire face à des dispositifs non idéaux connectés à un dispositif de stockage électrique non idéal via un circuit intégré de gestion de l’énergie (PMIC) non idéal. Cela signifie que l’énergie électrique reçue par le dispositif consommateur final dépend de la technologie et est loin des prédictions du modèle théorique standard de la limite de Shockley-Queisser (SQ) (Shockley et Queisser, 1961). À titre d’exemple, la figure 1C montre le rendement théorique qui devrait être obtenu pour une cellule solaire à mono-jonction pour différentes mono-sources de lumière et le rendement réel mesuré de certaines cellules solaires commerciales. Cet écart entre la théorie et la réalité doit être pris en compte dans les modèles.

Dans ce contexte, nous développons 2 types d’objets :

  • Prototypes de collecteurs d’énergie PV d’intérieur simples et instrumentés pour fournir suffisamment d’énergie à des capteurs ou des dispositifs électroniques commerciaux de consommation moyenne (10 mW).

  • Méthodes et modèles pour estimer l’énergie potentielle récoltable en tout lieu d’un environnement intérieur, basés sur des spectromètres classiques ou sur des systèmes extrêmement économiques de capteurs de lumière (FIG 3) associés à un système d’apprentissage automatique. Cette dernière méthode permet de déployer à plus grande échelle le balayage de la récolte d’énergie lumineuse d’un bâtiment dans de nombreux endroits à la fois, sur une longue période d’étude, sans assistance.

Outre la conception et la fabrication de moissonneurs d’énergie, notre objectif principal est d’optimiser les outils et les modèles qui permettent de dimensionner correctement, avec la technologie appropriée, tout moissonneur PV intérieur dans n’importe quel endroit. Grâce aux prototypes de capteurs PV instrumentés que nous avons développés, nous pouvons comparer l’estimation de l’énergie récoltable de notre modèle et l’énergie réelle récoltée.
Ce résultat, publié dans Solar Energy [1], a été obtenu à l’aide de spectromètres « simples », tandis que les mêmes résultats obtenus avec le capteur de lumière à très faible coût associé à des algorithmes d’apprentissage automatique (voir FIG.5 pour le concept) peuvent être vus dans le manuscrit de B. Politi [2] qui a soutenu sa thèse de doctorat en mars 2021.

Références :

[1]       B. Politi et al., “Practical PV energy harvesting under real indoor lighting conditions,” Sol. Energy, vol. 224, pp. 3–9, Aug. 2021, doi: 10.1016/j.solener.2021.05.084.

[2]       B. Politi, “Systèmes d’analyse de la récupération d’énergie lumineuse en intérieur pour l’alimentation d’objets connectés.,” https://tel.archives-ouvertes.fr/tel-03414940, Mar. 2021.