Détection d’anomalies et de pannes de chargeurs pour les systèmes de recharge de véhicules électriques utilisant OCPP

L’adoption généralisée des véhicules électriques dépend du déploiement d’une infrastructure de recharge robuste, sécurisée et fiable. À mesure que le réseau de bornes de recharge pour véhicules électriques s’étend, il devient de plus en plus vulnérable aux cybermenaces sophistiquées et aux pannes matérielles opérationnelles. Actuellement, l’industrie s’appuie fortement sur des stratégies de maintenance réactive et des systèmes de détection d’intrusion supervisés, qui peinent à identifier les attaques « zero-day » et la dégradation latente des équipements. Ce mémoire aborde ces limitations en proposant un cadre unifié pour la détection proactive d’anomalies exploitant le protocole standard Protocole de Point de Recharge Ouvert (OCPP : Open Charge Point Protocol). La recherche est divisée en deux études complémentaires axées sur la cybersécurité et la fiabilité matérielle. Premièrement, nous abordons le défi de la détection des cyberintrusions dans des environnements où les données d’attaque étiquetées sont rares. En utilisant le jeu de données CICEVSE2024, nous évaluons l’efficacité des techniques d’apprentissage non supervisé et semi-supervisé. En combinant des auto-encodeurs Mémoire à court terme (LSTM : Long Short-Term Memory) avec des algorithmes de regroupement (KMoyens, KMoyens par Mini-Lots et modèles de mélange gaussien), nous démontrons qu’une approche semi-supervisée surpasse significativement les méthodes purement non supervisées. Deuxièmement, nous étudions la maintenance prédictive pour les chargeurs rapides à courant continu, en ciblant spécifiquement les défaillances du système de refroidissement. Nous explorons l’utilité du traitement du signal sur les valeurs des compteurs standards d’OCPP. Bien que l’analyse fréquentielle soit limitée par la faible résolution d’échantillonnage, l’analyse temporelle a permis d’identifier un motif morphologique distinct précédant la panne, nommé topologie en aileron de requin. Nous avons formalisé un modèle de détection basé sur le ratio de durée du plateau (Rp), qui identifie avec succès les événements d’étranglement thermique avant qu’une panne catastrophique ne survienne.