Le contexte écologique et économique actuel incite les autorités et le public à la réduction des émissions de CO2 et les dépendances vis-à-vis des hydrocarbures. Le transport représente 23 % des émissions de polluants dans le monde, et ce chiffre passe à 39 % pour la France. L’adoption de nouvelles solutions de transport est primordiale pour la réduction de ces émissions. L’électromobilité représente une alternative viable aux véhicules thermiques conventionnels. Si les véhicules électriques permettent une mobilité avec zéro émission, certaines de leurs caractéristiques empêchent leur développement. Les principaux freins à l’adoption de ce type de véhicules sont l’autonomie limitée, le faible déploiement des stations de recharge en milieu urbain (et extra urbain) ainsi que les temps de recharge importants. Aussi, afin de promouvoir l’usage de ce type de mobilité, il incombe de développer des outils visant à optimiser la consommation électrique tenant compte des caractéristiques liées à ce type de mobilité. C’est l’objectif de ce travail de thèse qui se focalise sur le développement d’outils permettant d’optimiser l’usage de véhicules électriques. Pour ce faire, trois grands axes sont définis : la modélisation des véhicules électriques, l’affectation des stations de recharge et le choix d’éco-itinéraires. La première partie de cette thèse s’intéresse à l’estimation de la consommation des véhicules électriques ainsi qu’à la présentation de la librairie de modèles dynamiques VEHLIB d’estimation de la consommation de ce type de véhicules. La seconde partie est consacrée à l’affectation optimale des stations de recharge. Une méthodologie de déploiement d’infrastructures de recharge est proposée pour la ville de Lyon avec prise en compte de la demande de mobilité issue des enquêtes ménages déplacements. La troisième partie de la thèse s’intéresse à la thématique du choix d’éco-itinéraire (green routing). Celle-ci aboutit à la proposition d’une méthodologie multi-objectif de recherche de stations de recharge afin de déterminer des itinéraires optimaux avec déviation vers ces stations lorsque l’état de charge de la batterie du véhicule ne permet pas de terminer le trajet. Pour finir, une expérimentation a été réalisée à l’aide d’un véhicule électrique équipé de capteurs de position et de consommation pour d’une part valider les méthodologies proposées et d’autre part analyser les facteurs exogènes qui influent sur la consommation des véhicules électriques. / The current ecological and economic context encourages the authorities and the public to reduce CO2 emissions and oil dependence. The transportation is responsible for 23% of pollutants emissions in the world, and this proportion increases up to 37% in France/ The adoption of new transport solutions is primordial to reduce these emissions. Electro mobility is a viable alternative to conventional vehicles. While electric vehicles offer mobility with zero emissions, some of their characteristicds impede their development. The main obtacle to the adoption of these vehicles is the limited autonomy, a sparse distribution of charging stations in urban areas as well as a significant charging time. Also, to promote the use of this type of mobility, it is primordial to develop tools that optimize the energy consumption and take in to account the characteristics associated with this type of mobility. To achieve this, three areas are difined: modeling of electric vehicles, optimized charging station deployment and eco routing. The first part of this theis focuses on the consumption estimation of the electric vehicles and the presentation of the dynamic model library VEHLIB. The second part is dedicated to optimal allocation of charging stations; A methodology for the deployment of electric vehicle charging infrastructures is proposed for the urban area o fthe city of Lyon, taking into account the mobility demand derived from the household travel surveys.The third part of the thesis deals with the eco-routing (green routing). A multi-objective methodology for eco routing with recharge en-route is proposed. The solutions take into account battery state does not permit to finish the trip.Finally, an experiment was carried out using an electric vehicle equipped with position and consumption sensors in order to validate the proposed methodologies and analyze exogenous factor that impact the electric vehicle consumption.

La forte dépendance du pétrole et les contraintes écologiques et environnementales obligent de nombreux constructeurs automobiles à développer des programmes de recherche importants dans le développement des véhicules électriques (VEs) et des infrastructures associées. Les batteries embarquées dans les VEs peuvent être rechargées par le réseau électrique ou par une autre source d'énergie renouvelable. Dans ce contexte, cette thèse a pour but d'étudier un système de recharge de VEs à partir de l'énergie solaire. Pour ce faire, une étude de dimensionnement du système a été proposée afin d'évaluer les besoins énergétiques des VEs et déterminer les quantités d'énergie nécessaires pour les propulser. Les éléments principaux du système ont été dimensionnés. Il s'agit de panneaux photovoltaïques, de la batterie de stockage (au plomb), et de la batterie de traction (Li-ion). A partir de cette étude de dimensionnement, nous avons pu déterminer la puissance et la quantité d'énergienécessaire pour propulser un VE compte tenu de ses caractéristiques. Pour étudier le comportement des différents éléments du système et analyser leur adéquation avec le processus de recharge, une étude de modélisation a été réalisée, et chaque élément est représenté par un modèle mathématique. L'analyse et la comparaison des résultats obtenus (résultats de simulation et résultats expérimentaux) ont permis de valider les modèles proposés. De même, cette étude de modélisation a permis de valider le choix des composants du système de recharge. Dans le but de gérer efficacement les processus et les planifications de recharge, une étude d'optimisation d'affectation de VEs aux stations de recharge a été effectuée. Pour ce faire, le problème a été formalisé par un programme linéaire avec un objectif à atteindre et des contraintes, liées aux caractéristiques des VEs, des stations de recharge et des conditions de circulation, à satisfaire. Cette approche a permis d'affecter, de manière adéquate et optimale, les VEs aux stations de recharge. / The strong dependence on oil and ecological and environmental constraints force many car manufacturers to develop new research programs for the promotion of electric vehicles (EVs) and associated infrastructures. The embedded batteries into the EVs can be charged by the electrical network or by another source of renewable energy. In this context, the work presented in this thesis aims to study a system of EVs charging using solar energy through photovoltaic panels. To do so, a sizing study of the system has been proposed in order to evaluate the energy needs for an EV and determine the quantity of required energy for its propel. The key elements of the system have been sized: photovoltaic panels, storage battery (Lead-acid) and traction battery (Li-ion). From this sizing study and considering the EV characteristics, we determined the energy quantity required for itspropel. With the aim to study the behavior of each system component and analyze its adequacy with the charging process, a modeling study was conducted, and each element is represented by a mathematical model. The performed analysis and comparison of obtained results (simulation results and experimental results) allowed us to validate the developed models. In addition, this modeling study, allowed the validation of the choice of all components of charging system. In fact, the problem was formalized by a linear program with the aim to assign each EV to an adequate charging station. The assignment takes into account various constraints and characteristics of EVs, as well as those of charging stations, traffic conditions, interest points of drivers, etc. The proposed approach allowed to assign adequately and optimally EVs to charging stations while satisfying all constraints.

Dans des régions avec beaucoup d'électricité renouvelable, comme le Québec, une augmentation du nombre de Véhicules Électriques (VE) peut réduire les gaz à effet de serre. Par contre, l'autonomie réduite des VE et la présence limitée d'infrastructure publique pour recharger les véhicules peuvent contribuer à un phénomène nommé anxiété de l'autonomie, où les usagers n'achètent pas des VE par peur qu'ils tombent en panne. On peut alors planifier l'emplacement de l'infrastructure publique de recharge de manière stratégique pour combattre cet effet, menant alors à un taux d'adoption plus élevé pour les VE. En utilisant des modèles de choix discret, nous incorporons des modèles économétriques de demande avancés capturant les préférences hétérogènes des usagers à l'intérieur de l'optimisation. En particulier, comme nous le démontrerons, ceci permet l'inclusion de nouveaux facteurs importants, tels qu'une disponibilité de la recharge à domicile et des effets de distance plus granulaire. Par contre, la méthodologie existante pour ce processus crée un modèle de programmation linéaire mixte en nombres entiers qui ne peut pas être résolue, même pour des instances de taille modeste. Nous développons alors une reformulation efficace en problème de couverture maximum qui, comme nous le démontrerons, permet une amélioration de plusieurs ordres de magnitude pour le temps de calcul. Bien que cette reformulation dans un problème de couverture maximum améliore grandement la capacité à résoudre le modèle, celui-ci demeure difficile à résoudre pour des problèmes de grandes tailles, nécessitant des heuristiques pour obtenir des solutions de haute qualité. Nous développons alors deux méthodes de décomposition de Benders spécialisées pour cette application. La première est une méthode de décomposition de Benders accélérée, qui se spécialise à réduire l'écart d'optimalité et à la résolution de problèmes de petite taille ou de taille modeste. La deuxième approche rajoute un branchement local à la méthode de décomposition de Benders accélérée, qui sacrifie de l'efficacité lors de la résolution de problèmes de plus petite taille pour une capacité augmentée afin d'obtenir des solutions réalisables de haute qualité. Finalement, nous présentons une méthode pour dériver des valeurs de paramètres autrement difficiles à obtenir pour le modèle de choix discrets dans le modèle d'optimisation. Ces paramètres dictent les effets de l'infrastructure publique de recharge sur l'adoption des VE. Pour ce processus, nous regardons les facteurs qui encouragent les usagers courants des VE à utiliser l'infrastructure existante. De manière plus précise, nous utilisons des données de recharge réelles de la ville de Montréal (Québec) pour estimer les impacts des caractéristiques des stations, tels que la distance des usagers, le nombre de bornes de recharge, et les installations à proximité. Différents types d'infrastructure sont considérés, de manière parallèle avec des modèles de choix discrets qui peuvent tenir compte de plusieurs observations pour chaque individu. Les contributions de cette thèse sont plus générales que simplement l'adoption de VE, étant applicable, par exemple, au problème de capture maximum, au problème de couverture maximum à multiples périodes, et à la prédiction de la station de recharge choisie par les conducteurs de VE. / In areas with large amounts of clean renewable electricity, such as Quebec, an increase to the number of electric vehicles (EVs) can reduce greenhouse gas emissions. However, the reduced range of EVs and the limited public charging infrastructure can contribute to a phenomenon known as range anxiety, where users do not purchase EVs out of concern they run out of charge while driving. We can strategically optimise the placement of public EV charging infrastructure to combat this effect, thus leading to increased EV adoption. By utilising discrete choice models, we incorporate advanced econometric demand models capturing heterogeneous user preferences within the optimisation framework. In particular, as we demonstrate, this allows for the inclusion of new, important attributes, such as a more granular home charging availability and a continuous degradation of quality based on the distance. However, existing methodologies for this optimisation framework result in a mixed-integer linear program which cannot be solved for even moderately sized instances. We thus develop an efficient reformulation into a maximum covering location problem which, as we show experimentally, allows for multiple orders of magnitude of improved solving time. While the reformulation into a maximum covering location problem greatly improves the solving capabilities for the model, it remains intractable for large-scale instances, relying on heuristics to obtain high-quality solutions. As such, we then develop two specialised Benders decomposition methods for this application. The first is an accelerated branch-and-Benders-cut method, which excels at solving small or medium-scale instances and at decreasing the optimality gap. The second approach incorporates a local branching scheme to the accelerated branch-and-Benders-cut method, which sacrifices some efficiency in solving smaller instances for an increased ability to obtain high-quality feasible solutions. Finally, we discuss a method for deriving difficult-to-obtain parameter values of the discrete choice model in the optimisation framework. These parameter values dictate the effects of the public charging infrastructure on EV adoption and, as such, play a crucial role in the optimisation model. For this process, we investigate the attributes that encourage current EV owners to utilise existing infrastructure. More specifically, we use real charging session data from the city of Montreal (Quebec) to determine the impacts of station characteristics such as the distance to the users, the number of outlets, and the nearby amenities. Different types of charging infrastructure are considered alongside discrete choice models which take into account multiple observations from individual users. The contributions of this thesis lie more broadly than simply EV adoption, being applicable to, e.g., the maximum capture problem, the multi-period maximum covering location problem, and the prediction of the charging station selected by EV drivers.