Wifi FR

Thèse de doctorat
Université de Limoges
École Doctorale Sciences et Ingénierie pour l'Information,
Mathématiques (ED 521)
XLIM, UMR CNRS 7252
Thèse pour obtenir le grade de

Docteur de l’Université de Limoges
Sciences et Ingénierie pour l'Information
Présentée et soutenue par

Frank ITOUA ENGOTI
Le 12 mars 2018
Réalisation d'une plate-forme pour l'optimisation de réseaux de

capteurs sans fil appliqués au bâtiment intelligent
Thèse dirigée par Raymond Quéré, Michèle Lalande, Fabien Courrèges
JURY :
Président du jury
M. Christian PERSON, Professeur, IMT Atlantique
Rapporteurs
Mme Marion BERBINEAU, Directrice de Recherche, IFSTTAR Lille
M. Christian PERSON, Professeur, IMT Atlantique
Examinateurs
M. Florin HUTU MCF CitiLab Lyon
M. Jacques SOMBRIN, Ingénieur TESA Toulouse
M. Rodolphe VAUZELLE Professeur, XLIM, Université de Poitiers
M. Fabien COURREGES, MCF XLIM
M. Raymond QUERE, Professeur émérite XLIM
Invitée
Mme Michèle LALANDE, Professeur, XLIM
Dédicace
Frank ITOUA ENGOTI | Thèse de doctorat | Université de Limoges | 2018 2

Rien n’est jamais perdu tant qu’il reste quelque chose à trouver
Pierre Dac
Remerciements
Ce projet a été développé au sein de l'IUT du limousin, site de Brive-la-Gaillarde dans le

bâtiment GEII, au sein du laboratoire Xlim (XLIM - CCSNL, UMR CNRS 7252).
Plus précisément, ma thèse a été réalisée au sein des Axes Système RF et SRI (Systèmes de
Réseau Intelligent).
Elle a été dirigée par le Professeur Raymond QUERE, Michèle LALANDE, Fabien
COURREGES que je remercie vivement pour leur accueil au sein du laboratoire. Ils ont su
me conseiller, me recadrer et partager leur expertise scientifique au moment opportun.
J'adresse également mes remerciements à l'ensemble de ma famille qui m'a soutenu et

encouragé dans les moments les plus difficiles.
Droits d'auteurs
Cette création est mise à disposition selon le Contrat :

« Attribution-Pas d'Utilisation Commerciale-Pas de modification 3.0 France »
disponible en ligne : http://creativecommons.org/licenses/by-nc-nd/3.0/fr/
Table des matières
Table des figures....................................................................................................................................7

Liste des tableaux.................................................................................................................................11
Liste des acronymes.............................................................................................................................12
Chapitre I. Généralités sur les réseaux de capteurs..............................................................................20
I.1. Introduction...............................................................................................................................20
I.2. Caractéristiques principales des réseaux de capteurs.................................................................20
I.3. Description d’un réseau de capteurs....................................................................................23
I.4. Conclusion................................................................................................................................46
Chapitre II. L’optimisation d’un réseau de capteurs sans fil.........................................................48
II.1. Introduction..............................................................................................................................48
II.2. Description du nœud de capteur sans Fil dans le contexte d’une optimisation
énergétique.......................................................................................................................................48
II.3. Optimisation de la durée de vie d’un réseau de capteurs sans fil...................................56
II.4. Mis en place d’un RCSF pour la modélisation de l’amphithéâtre....................................73
II.5. Conclusion...............................................................................................................................87
Chapitre III. Déploiement d’une plate-forme d’expérimentation de RCSF sur campus Brive-la-
Gaillarde..............................................................................................................................................88
III.1. Introduction.............................................................................................................................88
III.2. Architecture du système SMART GRID.................................................................................88
III.3. Installation du réseau MEDYBAT..........................................................................................91
III.4. Optimisation des nœuds du réseau MEDYBAT.............................................................100
III.5. Les avantages du système SMART GRID............................................................................114
III.6. Conclusion............................................................................................................................117
Chapitre IV. Optimisation de la couche application via le Compressive sensing...............................119
IV.1. Introduction..........................................................................................................................119
IV.2. Compressive sensing............................................................................................................119
IV.3. Application du CS pour l’acquisition des données des capteurs du réseau..............130
IV.4. Application du CS sur les nœuds de capteurs du réseau.............................................143
IV.5. CS spatio-temporel...............................................................................................................149
IV.6. Conclusion............................................................................................................................156
Conclusion.........................................................................................................................................157
Références bibliographiques..............................................................................................................159
Publications et communications relatives à ce travail........................................................................168
Table des figures
Figure 1 Les domaines d’applications des RCSF............................................................................6
Figure 2 Smart grid campus Brive-la-Gaillarde.....................................................................................7
Figure I-1 Les catégories de réseaux sans fil........................................................................................20
Figure I-2 La topologie étoile..............................................................................................................25
Figure I-3 La topologie arborescente ou hiérarchique..........................................................................26
Figure I-4 La topologie maillée............................................................................................................27
Figure I-5 Organisation du groupe 802................................................................................................28
Figure I-6 La pile protocolaire de la norme 802.15.4...........................................................................30
Figure I-7 Chaine de transmission entre deux nœuds..................................................................32
Figure I-8 Méthode accès au canal de la couche MAC........................................................................36
Figure I-9 Algorithme de CSMA/CA non-slotté de la norme IEEE 802.15.4......................................38
Figure I-10 Echange de trame en CSMA/CA non slotté......................................................................38
Figure I-11 Structure de la super-trame [31]........................................................................................40
Figure I-12 Vue schématique de la trame beacon [17]........................................................................41
Figure I-13 Vue schématique de la trame de données [17].................................................................42
Figure I-14 Vue schématique de la trame ACK [17]...........................................................................42
Figure I-15 Vue schématique de la trame de commande [17].............................................................43
Figure I-16 La pile protocolaire du Zigbee..........................................................................................44
Figure II-1 Architecture nœud de capteur.......................................................................................49
Figure II-2 Différents nœuds de capteurs.......................................................................................50
Figure II-3 Transducteur analogique....................................................................................................50
Figure II-4 Capteurs passifs.................................................................................................................51
Figure II-5 Capteurs actifs...................................................................................................................52
Figure II-6 Capteur analogique MCP9700A........................................................................................52
Figure II-7 Capteur numérique.............................................................................................................53
Figure II-8 Technique de réduction d’énergie................................................................................56
Figure II-9 Mesure de la récupération d’énergie............................................................................60
Figure II-10 Module bq25504..............................................................................................................61
Figure II-11 Banc de mesure de la récupération d’énergie..........................................................61
Figure II-12 Niveau de courant récupéré..............................................................................................62
Figure II-13 a) La luminosité dans une pièce éclairée b) La luminosité naturelle dans une pièce........63
Figure II-14 RECTENA.......................................................................................................................63
Figure II-15 Le niveau de champs à la position A................................................................................65
Figure II-16 Le niveau de champs à la position B................................................................................65
Figure II-17 Le niveau de champs à la position C................................................................................66
Figure II-18 Optimisation inter-couches...............................................................................................66
Figure II-19 Blocs fonctionnels transmission/réception.......................................................................68
Figure II-20 Capteur a) DHT 22 b) SHT 75.........................................................................................68
Figure II-21 Canaux utilisable par le WIFI et le 802.15.4....................................................................71
Figure II-22 Interférence des canaux entre WIFI / 802.15.4.................................................................71
Figure II-23 Transmission en réseau étoile...........................................................................................72
Figure II-24 Situation schématique de l’amphithéâtre : données d’entrées
mesurées/prévisibles et grandeurs de sortie mesurées [Source : Laboratoire GEMH]..........................74
Figure II-25 Calibration en température...............................................................................................76
Figure II-26 Calibration en humidité....................................................................................................77
Figure II-27 Capteur de débit thermique sans fil..................................................................................78
Figure II-28 Capteur de débit thermique (FS5)....................................................................................79
Figure II-29 Décalage de tension DC...................................................................................................80
Figure II-30 Conversion DC / DC........................................................................................................80
Figure II-31 Condition de mesure de Flux d'air....................................................................................81
Figure II-32 Banc de mesure pour la calibration du capteur de flux d’air....................................82
Figure II-33 Linéarité constatée entre vitesse débitante / vitesse mesurée............................................83
Figure II-34 Extraction de l’équation de calcul du flux...................................................................84
Figure II-35 Mesure de débit d'air avec capteur sans fil à faible coût...................................................84
Figure II-36 Mesure de la consommation du nœud.......................................................................85
Figure II-37 Comparaisons entre résultats de simulation et mesures....................................................86
Figure III-1 Architecture informatique bâtiment intelligent.................................................................89
Figure III-2 Le réseau « RAMCES »...................................................................................................90
Figure III-3 Réseau de capteurs dans le bâtiment GEII........................................................................91
Figure III-4 Module Waspmote V1.2 a) Vu de face b) Vu de dos.......................................................92
Figure III-5 Module Xbee pro S1.........................................................................................................94
Figure III-6 Niveau de puissance de Xbee pro S1................................................................................95
Figure III-7 Canaux de transmission Xbee pro S1................................................................................95
Figure III-8 Meshlium..........................................................................................................................96
Figure III-9 Occupation spectrale de la bande 2.4 GHz........................................................................97
Figure III-10 a) Position nœuds tests b) Niveau du RSSI des nœuds tests..............................98
Figure III-11 Programme des nœuds synchrones.........................................................................99
Figure III-12 Programme des nœuds asynchrones....................................................................100
Figure III-13 Banc de mesure de la consommation............................................................................100
Figure III-14 Consommation nœud synchrone............................................................................101
Figure III-15 Consommation du nœud avant optimisation.........................................................103
Figure III-16 Consommation du nœud avec la Co-conception hardware / software...................104
Figure III-17 Décharge de la batterie en fonction du temps (capacité: 6,6Ah)...................................105
Figure III-18 Consommation du nœud avec un nouveau transducteur....................................106
Figure III-19 Paquets reçus en 16 et 64 Bits......................................................................................107
Figure III-20 La mesure des transmissions 16 et 64 Bits...................................................................108
Figure III-21 Transmission du module Xbee pro S1..........................................................................109
Figure III-22 Retransmission trame avec BE=0.................................................................................110
Figure III-26 Niveaux de transmissions par rapport aux BE..............................................................114
Figure III-27 Vue graphique du bâtiment intelligent..........................................................................115
Figure III-28 Actionneur ou alarme visuelle......................................................................................115
Figure III-29 Consommation électrique du Campus de Brive............................................................116
Figure III-30 Gestion des données du système..................................................................................116
Figure IV-1 Méthode de compression................................................................................................120
Figure IV-2 Les étapes du CS............................................................................................................121
Figure IV-3 Représentation d’un signal creux dans le domaine de la transformation W.......123
Figure IV-4 Arbre d'ondelettes..........................................................................................................125
Figure IV-5 Résolution du problème min𝑥𝑥𝑝 𝑠o𝑢𝑠 𝑙𝑎 𝑐o𝑛𝑡𝑟𝑎i𝑛𝑡e 𝐴 · 𝑥 = 𝑏 dans les différentes
normes L0, L1, et L2................................................................................................................................................................................................ 128
Figure IV-6 Processus du CS.............................................................................................................131
Figure IV-7 Signal température d’un capteur...............................................................................132
Figure IV-8 Reconstruction du signal capteur1 a) en DCT / b) en DFT............................................132
Figure IV-9 Représentation du PRD en fonction du CF....................................................................133
Figure IV-10 Coefficient de la corrélation.........................................................................................134
Figure IV-11 a) Signal d’origine (Bleu) et signal échantillonné (Rouge), b) Répartition
fréquentielle des échantillons.............................................................................................................136
Figure IV-12 Echantillonnage aléatoire.............................................................................................136
Figure IV-13 a) Signal d’origine (Bleu) et signal échantillonné (Rouge), b) Répartition
fréquentielle des échantillons.............................................................................................................137
Figure IV-14 Etapes de reconstruction de xi...................................................................................................................................... 137
Figure IV-15 Signal de température...................................................................................................138
Figure IV-16 Reconstruction du signal avec un CF=2.......................................................................139
Figure IV-20 Exécution du code CS dans les Nœuds................................................................144
Figure IV-21 Signal d’origine (Bleu) et signal échantillonné (Rouge).......................................145
Figure IV-22 Reconstruction du signal avec un CF=4,03..................................................................146
Figure IV-23 Niveau de batterie........................................................................................................147
Figure IV-24 Reconstruction prédictive.............................................................................................148
Figure IV-25 Reconstruction temporelle des mesures au niveau d’un nœud avec L= 4 et
N= 13.................................................................................................................................................151
Figure IV-26 : Ensemble des mesures des capteurs placés au 3 ème étage entre le 20/09/2016 à 0h00 et le
21/09/2016 à 23h59...........................................................................................................................152
Figure IV-27 : Spectre du vecteur champ spatio-temporel obtenu par la transformation W . On
retrouve N ilots de fréquences spatio-temporelles qui correspondent aux N valeurs singulières de la
transformation SVD. Le nombre de composantes dont la valeur est supérieure à 1% de la valeur
maximum est de 323 dans ce cas.......................................................................................................153
Figure IV-28 Comparaison des signaux initiaux et reconstruits avec un facteur de compression de 5
...........................................................................................................................................................154
Figure IV-29 Comparaison des signaux initiaux et reconstruits avec un facteur de compression de 10
...........................................................................................................................................................155
Liste des tableaux
Tableau I-1 Bandes de fréquences utilisables pour le 802.15.4............................................................21
Tableau I-2 Comparaison des normes WI-FI.......................................................................................22
Tableau I-3 Les performances comparées entre le Bluetooth classique et BLE...................................29
Tableau I-4 Comparaison PHY entre 802.15.4-2003 et 802.15.4-2006...............................................34
Tableau II-1 Résultats des mesures de récupération d’énergie...................................................60
Tableau II-2 Comparatif entre DHT 22 et SHT 75...............................................................................69
Tableau II-3 Comparatif entre SensorTag TI et Waspmote..................................................................69
Tableau III-1 Caractéristiques carte Waspmote...................................................................................93
Tableau III-2 Consommation des différents modes de fonctionnement...............................................93
Tableau III-3 Niveau tension/courant du Waspmote............................................................................94
Tableau III-4 Caractéristiques du module Xbee pro S1.......................................................................94
Tableau III-5 Résultats d’analyses des canaux..............................................................................97
Tableau III-6 Fonctionnement du nœud synchrone.....................................................................102
Tableau IV-1 Qualité de reconstruction.............................................................................................130
Tableau IV-2 Les résultats de reconstructions...................................................................................143
Liste des acronymes
ACK : Acknowledgment
ACL : Access Control List
AES : Advanced Encryption Standard
AODV : Ad Hoc On-Demand Distance Vector Routing
API : Application Programming Interface
ASK : Amplitude shift keying
BE : Backoff Exponent
BLE : Bluetooth Low Energy
BPSK : Binary phase-shift keying
BR : Bluetooth classique
BSN : beacon sequence number
CAP : Contention Access Period
CCA : Clear channel assessment
CFP : Contention Free Period CO2
: Dioxyde de carbone
CRC : Code de Redondance Cyclique
CSMA-CA : Carrier Sense Multiple Access with Collision Avoidance, : Carrier Sense
Multiple Access with Collision Avoidance, : Carrier Sense Multiple Access with Collision
Avoidance, : Carrier Sense Multiple Access with Collision Avoidance
dB : Décibel
DSR : Dynamic Source Routing
DSSS : Direct-sequence spread spectrum ED :
Energy detection
FCS : frame check sequence
FFD : Full Function Device
FHSS : Frequency Hopping Spread Spectrum
GFSK : Gaussian Frequency Shift Keying GPRS
: General Packet Radio Service
GSM : Global System for Mobile Communication
GTS : Guaranteed Time Slot
HiperLAN : High Performance Local Area Network
HSDPA : High Speed Downlink Packet Access IEEE
: Institute of Electric and Electronics Engineers LAN
: Local Area Network
LLC : Logical Link Control
LOS : Line Of Sight
LQI : Link quality indicator
LRWPAN : Low Rate Wireless Personal Area Network
MAC : Media Access Control
MAN : Metropolitan Area Network
MEDYBAT : Modélisation Energétique DYnamique d’un BATiment
MFR : MAC footer
MHR : MAC header
MPDU : MAC protocol data unit
MSDU : MAC Service Data Unit
NB : Number of Backoffs
NLOS : Non line of sight
OLSR : Optimized Link State Routing
OQPSK : Offset quadrature phase-shift keying OSI
: Open Systems Interconnection
PD-SAP : Physical Data - Service Access Point
PLME : Physical Layer Management Entity
PLME-SAP : Physical Layer Management Entity - Service Access Point
PPDU : PHY protocol data unit
PSDU : PHY service data unit
PSSS : Parallel Sequence Spread Spectrum QDS :
Qualité De Service
RAMCES : Réseau Avancé de Mesure de Consommation Energétique et supervision
RCSF : Réseaux de Capteurs Sans Fil
RF : Radio-fréquence
RFD : Reduced Function Device
RSSI : Received Signal Strength Indication
SAP : Service Access Point
SCADA : Supervisory Control And Data Acquisition
SFD : Start-of-frame delimiter
SHR : Synchronization header
SNR : Signal to Noise Ratio SSP
: Security Service Provider TEB :
Taux d’Erreur Bit
TEP : Taux d'Erreur Paquet UHF :
Ultra hautes fréquences
UMTS : Universal Mobile Telecommunication System
VHF : Supra hautes fréquences
Wi-Fi : Wireless-Fidelity
Wimax : Worldwide interoperability for Microwave Access
WLAN : Wireless Local Area Network
WMAN : Wireless metropolitan area network
WPAN : Wireless Personal Area Network
WWAN : wireless wide area network
Introduction
De nombreuses applications nécessitent de prendre en compte les paramètres

environnementaux et plus précisément de mesurer des phénomènes physiques pour prendre
une décision, comme par exemple pour les applications [1] de supervision de volcan, de
séisme et
[2] de tsunami. Toutes ces applications nécessitent des réseaux de capteurs sans fil qui doivent
être fiables pour assurer la sécurité des personnes. Connaissant l'importance cruciale des
applications de surveillance environnementale, le réseau doit pouvoir fournir rapidement, sans
interruption et sans intervention humaine, les informations sur les phénomènes physiques se
produisant dans son environnement.
Par exemple, la grande barrière de corail, l'un des systèmes environnementaux les plus
précieux et sensibles, s'est vu dotée d'une nouvelle infrastructure technologique pour un
contrôle efficace de l'environnement du milieu marin. Le projet mené par deux équipes de
chercheurs Italiens et Australiens [3] est basé sur la technologie de « réseau de capteurs sans
fil». Dans ce RCSF un ensemble de nœuds de surveillance (insérés dans des bouées) se
configure automatiquement grâce à un nœud central qui est le coordinateur du réseau. Cette
unité fait un traitement local des informations puis transmet les informations traitées à une
station distante pour le stockage, le traitement ultérieur des données et l'interprétation. Dans
ce RCSF, tous les problèmes liés à l'acquisition de données, des protocoles de
communication, le stockage des données en temps réel, la visualisation de grands volumes de
données, la tolérance de panne et de robustesse de chaque nœud et au niveau du réseau, la
consommation d'énergie et la gestion de l'énergie ont été abordés et améliorés. Un système
d'alimentation nouveau basé sur les mécanismes de récupération d'énergie solaire efficaces a
été intégré dans les nœuds ; de plus, une gestion logicielle optimale a été intégrée dans la
programmation des nœuds. Cette technologie peut aller bien au-delà du contrôle de la grande
barrière de corail comme l'illustre la figure 1, pouvant couvrir un grand spectre d'applications
de surveillance civile et de l'environnement (par exemple, des ponts, des tunnels, des routes et
des infrastructures civiles, la surveillance de la distribution d'alimentation, la protection civile
et la sécurité intérieure, la gestion des urgences, etc.).
Figure 1. Les domaines d'applications des RCSF
Aussi Vana Jelicic et al. [4] ont développé un réseau de capteurs sans fil pour surveiller la
qualité de l'air intérieur. Cette surveillance de la qualité de l'air est cruciale pour le confort, la
santé et la sécurité des personnes, car on passe un grand pourcentage de temps dans des
environnements intérieurs. La grande préoccupation dans ce réseau est l'efficacité énergétique
étant donné le caractère énergivore des capteurs de gaz pour les mesures. Le nœud de capteurs
doit fonctionner sans cesse pendant plusieurs années sur une alimentation de batterie. La plus
grande contrainte sur tous les réseaux de capteurs sans fil est son autonomie énergétique et
c'est sur ce point que les travaux de la thèse porteront.
Les réseaux de capteurs sans fil (RCSF) sont des réseaux ad hoc 1 constitués des dispositifs
électroniques appelés nœuds de capteurs pouvant communiquer entre eux par liaison radio ou
optique [5]. Le domaine de la recherche scientifique porte un grand intérêt à cette technologie
très prometteuse notamment pour l'amélioration de sa partie logicielle (couches OSI,
protocole, routage,…) et matérielle (capacité de traitement, stockage des données,…) et de ses
performances énergétiques.
Cette contrainte énergétique influe directement sur la durée de vie du réseau, ainsi elle devient
une préoccupation majeure, en particulier si les capteurs sont placés sur des zones de
surveillance inaccessibles. Il est possible d'associer des organes de récupérations d'énergie
(solaire, thermique, mécanique,…) aux nœuds pour pallier cette contrainte. Cependant il
existe des zones de surveillances avec des contraintes environnementales particulières qui ne
permettent pas d'installer des récupérateurs d'énergies pour recharger les batteries. Il se pose
donc une problématique de préservation énergétique, particulièrement si l'application doit
fonctionner longtemps tout en ayant un mode de fonctionnement temps-réel.
1
Les réseaux ad hoc sont des réseaux sans fil ne bénéficie d'aucune infrastructure définie
préalablement.
Dans les RCSF, le choix de la topologie est très important car celle-ci peut engendrer de
grandes latences et par la suite un faible niveau de qualité de service (QDS)2. Plus la charge
ou la densité du réseau est grande, plus un nœud mettra de temps à accéder au canal pour
transmettre ses données, entrainant ainsi des pertes de paquets. Toutes ces contraintes qui
peuvent s'accumuler doivent être prises en compte avant le déploiement éventuel du réseau de
capteurs sans fil.
Dans ce contexte particulier, pour apporter des solutions à cette contrainte énergétique des
réseaux de capteurs, nous avons déployé une plate-forme de réseau de capteurs sans fil dédié
aux bâtiments intelligents et nous présentons dans cette thèse les moyens d'optimisations de
cette plate-forme. L'objectif est d'instrumenter un bâtiment existant pour faire un diagnostic
énergétique, des économies et la gestion de production autonome d'énergie. Cette
instrumentation d'un bâtiment tertiaire existant est composée, d'une part d'un RCSF de mesure
de différents paramètres d'environnement interne/externe et également des mesures de la
consommation énergétique. Cela passe par un réseau hybride qui associe plusieurs protocoles
de communication tout en centralisant les données au niveau d'un point central s'appuyant sur
un système SCADA comme le montre la figure 2.
Figure 2. Smart grid campus Brive-la-Gaillarde

Le synoptique de la figure 2 montre les différentes parties du système qui a été déployé dans
le bâtiment. Il est composé d'un logiciel de centralisation et de gestion de données (SCADA),
d'un réseau de capteurs (MEDYBAT), d'un réseau de mesure d'énergie (RAMCES) et des
actionneurs.
Aujourd'hui, le bâtiment est le secteur le plus consommateur d'énergie en France. Face à la

perspective d'un épuisement inéluctable des ressources fossiles et à la contrainte de réduction
des émissions de CO2, optimiser ces consommations est devenu une nécessité. Pour mieux
2
La qualité de service (QDS) ou quality of service (QoS) permet de qualifier la performance d’un réseau de
données en termes de disponibilité, débit, délais de transmission, taux de perte de paquets, pour un type de trafic
donné.
maîtriser et gérer les consommations énergétiques, diverses solutions sont à l'étude ou d'ores
et déjà expérimentées. Dans les bâtiments existants, des aménagements et des travaux de
réhabilitation, encouragés par des incitations financières, viennent compléter la diffusion des
bonnes pratiques. Si le défaut d'isolation des logements est énergivore, les usages des
occupants le sont également. Du côté des écoquartiers3, la vision multi-énergie et smart grids4
permettent notamment une meilleure maîtrise de ces consommations.
Maîtriser et gérer les consommations énergétiques par des smart grids est la solution que nous
avons choisie. Ce système de gestion centralisée appelé « SMART GRID CAMPUS BRIVE »
(figure 2) doit permettre l'évaluation des performances du bâtiment dans un premier temps. Le
terme de performance pour un bâtiment englobe généralement 3 types de performances :
• Le confort (thermique, acoustique, visuel, ...)
• La consommation d'énergie (électricité, gaz, énergie renouvelable, …)
• Les impacts environnementaux (rejets, gestion des déchets, transports, ...)
Ici le système ne prendra pas en compte le troisième point cité. A l'heure actuelle, les
méthodes qui permettent d'évaluer ces performances énergétiques sont la plupart du temps
basées sur des modèles théoriques [6] en considérant de nouveaux matériaux de construction,
une implémentation idéale, des phénomènes physiques simplifiés, ou encore des méthodes
d'approximation numérique... D'autres méthodes sont basées sur des analyses expérimentales
obtenues dans des conditions réelles mais souvent de courte durée et/ou limitées à certains
aspects (analyse des consommations électriques, recherche des déperditions de chaleur par
thermographie ...). En réalité, les performances d'un bâtiment sont très variables et dépendent
de plusieurs facteurs : l'usage effectif et l'aménagement intérieur des locaux, le comportement
des occupants, le vieillissement des matériaux et des équipements, …
Ce mémoire de thèse est organisé en quatre chapitres. Le chapitre 1 présente les généralités
sur les réseaux sans fils (descriptif orienté vers les réseaux de capteurs et le protocole standard
IEEE 802.15.4). Le chapitre 2 présente les différents types d'optimisations qui ont été
proposées dans la littérature concernant les réseaux de capteurs sans fil. Le chapitre 3 présente
l'étude, le déploiement du système « SMART GRID CAMPUS BRIVE » et les optimisations
effectuées. Le chapitre 4 présente une nouvelle approche utilisée pour accroitre la durée de vie
des réseaux de capteurs par la méthode de l'acquisition comprimée « Compressive sensing ».
Le dernier chapitre conclut cette thèse. Nous exposons également quelques perspectives de
développements futurs à ce travail.
3
Un écoquartier est un projet d'aménagement urbain qui respecte les principes du développement durable
tout en s'adaptant aux caractéristiques de son territoire.
4
Les réseaux intelligents ou « smart grids » sont des réseaux d’électricité qui, grâce à des
technologies informatiques, ajustent les flux d’électricité entre fournisseurs et consommateurs.
Chapitre I. Généralités sur les réseaux de capteurs
I.1. Introduction
Aujourd'hui l'usine du futur, industrie 4.0 ou usine connectée [7] [8] n'est plus une utopie. Les
progrès réalisés dans le domaine de la micro-électronique permettent de créer des produits
miniaturisés, capables de faire des calculs complexes, moins gourmands en énergie et
communiquant par liaison sans-fil.
L'usine connectée industrielle correspond à la généralisation des capteurs et agents intelligents

permettant de connecter entre eux les machines, pièces, processus et opérateurs. Elle suggère
un système global de communication efficace entre les différents modules de la prise de
commande. Cette interaction globale entre les modules peut être faite via un réseau de
capteurs. On parle alors de Smart Product. Comment pourrions-nous définir un réseau de
capteurs sans fil ?
Dans ce chapitre nous donnerons une vue d'ensemble des réseaux de capteurs sans fil ainsi que
leurs principales caractéristiques.
I.2. Caractéristiques principales des réseaux de capteurs
I.2.1. Les réseaux sans fil

Un réseau sans fil est un ensemble de dispositifs qui connecte différents postes ou systèmes
entre eux par ondes électromagnétiques. Nous nous focaliserons ici sur les ondes
radiofréquences. Il existe plusieurs catégories de réseaux sans fil qui se distinguent selon le
périmètre géographique qu'ils couvrent ainsi que par les types d'applications supportées. Le
schéma ci-dessous illustre les catégories des réseaux sans fil.
Figure I-1 Les catégories de réseaux sans fil

I.2.1.1. Le réseau personnel sans fil (WPAN)
Il concerne les réseaux sans fil à faible portée de l'ordre d'une dizaines de mètres. Ce type de
réseau est souvent utilisé pour relier des dispositifs comme l'imprimante, le téléphone
portable, les appareils domestiques. Il existe plusieurs technologies utilisées pour les WPAN :
 La technologie Bluetooth :
Bluetooth est un standard de communication permettant l'échange bidirectionnel de données à

très courte distance en utilisant des ondes radio UHF (Ultra hautes fréquences) sur une bande
de fréquence autour de 2,4 GHz. Elle est connue aussi sous le nom de la norme IEEE
802.15.1. Cette technologie offre un débit brut de 1 Mbit/s avec une portée de 10 mètres (100
mètres avec amplification). Elle se caractérise par une grande robustesse et des moyens de
transmission sécurisés qui permettent des échanges transparents de données entre divers
équipements (synchronisation d'agendas ou de carnets d'adresses, par exemple). Le Bluetooth
est une technologie peu onéreuse, grâce à sa forte intégration sur une puce extrêmement petite
[9]; Elle présente également l'avantage de fonctionner sur des appareils à faible puissance d'où
une faible consommation d'énergie.
 La technologie ZigBee :
ZigBee est un protocole de haut niveau permettant la communication radios à consommation

réduite, basée sur la norme IEEE 802.15.4 pour les réseaux à dimension personnelle (WPAN).
Le protocole 802.15.4 utilisé par ZigBee définit 3 bandes de fréquences utilisables, voir le
tableau I-1 :
Bande Disponibilité Nombre de canaux Vitesse maxi théorique
868 MHz Europe 1 20 kbit/s
915 MHz Amériques et Australie 10 40 kbit/s
2.4 GHz Disponible partout 16 250 kbit/s
Tableau I-1 Bandes de fréquences utilisables pour le 802.15.4
Elle permet d'obtenir des liaisons sans fil à bas prix, avec une consommation d'énergie faible.
Cela lui permet d'être facilement adapté pour intégrer de petits appareils électroniques
(capteurs, appareils électroménagers...).
I.2.1.2. Le réseau local sans fil (WLAN)
C'est un réseau permettant de relier entre eux les terminaux présents dans la zone de
couverture d'une centaine de mètres environ. Il existe deux technologies concurrentes :
 Les réseaux Wi-Fi (Wireless-Fidelity) :
Le WI-FI est un ensemble de protocoles de communication sans fil régis par les normes du
groupe IEEE 802.11. Il permet d'interconnecter par ondes radio plusieurs appareils
informatiques au sein d'un réseau. Il utilise des ondes radio UHF et VHF (Supra hautes
fréquences) sur les bandes de fréquences 2,4 GHz et 5 GHz.
IEEE 802.11 est la norme initiale publiée en 1997 qui offrait des débits de 1 ou 2 Mbit/s. Par
abus de langage, on parle maintenant de la norme Wi-Fi. Des révisions ont ensuite été
apportées à la norme originale afin d'augmenter le débit (c'est le cas des normes 802.11a,
802.11b, 802.11g, 802.11n et 802.11ac) ou de spécifier des fonctions de sécurité ou
d'interopérabilité. Le tableau [2] présente le débit et la fréquence d'utilisation de chaque
norme 802.11 :
Norme Débit Débit réel Fréquence

théorique (Mbit/s)
(Mbit/s) Ghz
802.11a 54 27 5
802.11b 11 6 2.4
802.11g 54 25 2.4
802.11n 450 200 2.4 ou 5
802.11ac 1300 - 5
Tableau I-2 Comparaison des normes WI-FI
Les réseaux HiperLAN 2 (High Performance LAN 2.0) :
Le HiperLAN (ou HIgh PERformance radio LAN) est un standard européen de

télécommunications créé par l'ETSI (European Telecommunications Standards Institute) et
développé par le groupe technique BRAN (Broadband Radio Access Networks). Ce standard
est une alternative au groupe de normes IEEE 802.11 plus connu sous la dénomination Wi-Fi.
Le HiperLAN 2 opère dans une bande passante comprise entre 5,4 GHz et 5,7 GHz, cette
norme spécifie qu'il doit être possible d'établir des communications à différents débits de 6, 9,
12, 18, 27, 36 Mb/s et 54 Mb/s.
I.2.1.3. Le réseau métropolitain sans fil (WMAN)

Il est également connu sous le nom de Boucle Locale Radio, il permet de transmettre par voie
hertzienne de la voix et des données à haut débit pour l'accès à l'internet et la téléphonie. Il
existe plusieurs types de réseaux WMAN dont les plus connus sont :
 Les réseaux Wimax (Worldwide interoperability for Microwave Access) :
Ils émanent de la norme IEEE 802.16 et ont pour but de développer des liaisons hertziennes
concurrentes aux techniques DSL (Digital subscriber line) terrestres. Ils sont utilisés comme
mode de transmission et d'accès à Internet haut débit, portant sur une zone géographique
étendue.
Le WiMAX procure des débits de plusieurs dizaines de mégabits par seconde sur une zone de
couverture portant sur quelques dizaines de kilomètres au maximum. La norme 802.16-2004
spécifie cinq interfaces radio différentes, une pour la bande 10-66 GHz où la transmission est
de type LOS (line of sight) et quatre pour la bande 2-11 GHz où la transmission est de type
NLOS (non line of sight).
I.2.1.4. Le réseau étendu sans fil (WWAN)

Il est le plus répandu de tous les réseaux sans fils du fait de sa connectivité avec les
téléphones mobiles. Les principales technologies sont les suivantes : GSM (Global System for
Mobile Communication), GPRS (General Packet Radio Service), UMTS (Universal Mobile
Telecommunication System), HSDPA (High Speed Downlink Packet Access) autrement dit
3G+.
I.3. Description d'un réseau de capteurs :

Un réseau de capteurs sans fil est un réseau ad hoc avec un nombre important de nœuds qui
sont des microcontrôleurs capables de récolter et de transmettre des données
environnementales d'une manière autonome grâce aux transducteurs. Ces nœuds appelés
nœuds de capteurs, peuvent varier de quelques dizaines d'éléments à plusieurs milliers. Dans
ces réseaux, chaque nœud est capable de surveiller son environnement et d'envoyer
l'information collectée à un point de collecte appelé coordinateur ou station de base, à l'aide
d'une connexion sans fil.
Les réseaux de capteurs sont déployés avec des protocoles moins gourmands en énergie [10]
comme le Bluetooth Low Energy (BLE), le 802.15.4, 6lowpan, Zigbee, …
I.3.1. L'Architectures d'un Réseau de capteurs:

Il existe plusieurs topologies pour les réseaux à communication radio. Indépendamment des
topologies physiques, nous citons trois types de topologies (maillée, hiérarchique, étoile) qui
se distinguent par le rôle de chaque nœud dans le réseau. On dispose de trois types de nœuds
dans une topologie :
 Coordinateur (Coordinator) :
Les réseaux de capteurs disposent toujours d'un seul dispositif de coordination, il est le point
central ou station de base d'un réseau. Ce dispositif est chargé de démarrer le réseau. Il peut
sélectionner le canal et l'identifiant réseau (PAN ID), distribue les adresses permettant aux
autres dispositifs terminaux de rejoindre le réseau selon le protocole implémenté (Zigbee).
 Routeur (Router):
Un routeur est un nœud complet qui peut rejoindre les réseaux existants et envoyer, recevoir
et acheminer des informations. Il permet à d'autres routeurs et dispositifs terminaux de se
joindre au réseau. Il est toujours en écoute permanente pour bien exécuter son rôle.
 Dispositif terminal (End Device):
Un dispositif terminal est essentiellement une version réduite d'un routeur. Il peut rejoindre
les réseaux existants et envoyer et recevoir des informations. Il ne peut pas relayer les
messages provenant d'autres périphériques et autoriser d'autres appareils à rejoindre le réseau.
L'IEEE a mis en place deux types de rôles pour des nœuds participant à la création d'une
topologie d'un réseau de capteurs :
 Le dispositif ayant toutes les fonctions possibles (FFD : Full Function Device) :
Le FFD peut avoir trois rôles dans un réseau : coordinateur, routeur ou dispositif terminal
relié à un capteur.
 Le dispositif ayant des fonctions limitées (RFD : Reduced Function Device)
Le RFD est considéré comme un dispositif terminal (End Device). Il ne joue pas un rôle
indispensable pour le réseau mais il exécute son rôle prévu dans l'application (signaler l'état
d'un capteur, contrôler l'activation d'un actionneur).
Pour transmettre les informations dans un réseau, nous avons besoin d'avoir un FFD au moins
et des RFD. Ces dispositifs doivent utiliser le même canal physique selon la bande de
fréquence choisie. Le FFD peut communiquer avec des RFD et des FFD, tandis que le RFD
dialogue uniquement avec un FFD. A partir des FFD et RFD, nous pouvons définir différentes
types de topologies. Une comparaison des performances de deux de ces topologies est illustrée
dans [11]:
Topologie en étoile (Star):
Dans cette topologie une station de base peut communiquer de façon bidirectionnelle avec les
autres nœuds du réseau. Ces nœuds du réseau peuvent uniquement envoyer ou recevoir des
données de la station de base, il ne leur est pas permis de s'échanger des messages entre eux.
Plus loin nous évoquerons pourquoi nous avons sélectionné cette topologie pour notre
implémentation.
Figure I-2 La topologie étoile
Avantages : simplicité et faible consommation d'énergie des nœuds, moins de latence de

communication entre les nœuds et la station de base.
Inconvénients : la station de base est vulnérable, car tout le réseau est géré par elle.
 Topologie hiérarchique ou arborescente (Tree):
Figure I-3 La topologie arborescente ou hiérarchique
Aussi connu sous le nom de topologie arbre, le réseau est divisé en niveaux. Le coordinateur
(le plus haut niveau) est connecté à plusieurs nœuds de niveau inférieur, dans la hiérarchie.
Ces nœuds peuvent être eux-mêmes connectés à plusieurs nœuds de niveau inférieur. Le tout
dessine alors un arbre, ou une arborescence.
Avantages : Un réseau d'arbre fournit assez de place pour l'expansion future du réseau.
Inconvénients : L'inconvénient majeur avec cette topologie, est que si un lien casse, tous les
nœuds connectés se trouvant à un niveau inférieur seront paralysés.
 Topologie maillée (Mesh) :
Dans la topologie Mesh ou dite « communication multi-sauts », chaque nœud peut dialoguer
avec n'importe quel autre nœud du réseau (s'il est à portée de transmission). Un nœud qui
souhaite émettre un message à un autre nœud hors de sa portée, peut se servir des nœuds
intermédiaires pour envoyer son message au nœud destinataire.
Figure I-4 La topologie maillée
Avantages : Possibilité de passer à l'échelle du réseau, avec redondance et tolérance aux
pannes. Inconvénients : Une consommation d'énergie plus importante est induite par la
communication
multi-sauts.
La topologie sélectionnée pour déployer un réseau de capteurs dépend du type de protocole

implémenté. Rappelons que le standard IEEE 802.15.4 est un protocole qui est basé sur les
couches basses du modèle OSI. Il ne peut pas apporter le côté dynamique de choix de route
dans le réseau de capteurs, il peut gérer un réseau en étoile. Pour pouvoir avoir un réseau
maillée ou hiérarchique, il est nécessaire de choisir un protocole qui prend en charge les
couches supérieures du modèle OSI comme par exemple les protocoles Zigbee et 6LoWPAN.
Notons que la topologie en étoile est la moins gourmande en énergie [12].
I.3.2. Le groupe IEEE 802:

L'IEEE (Institute of Electric and Electronics Engineers) est une association professionnelle
qui joue un rôle très important dans l'établissement de normes.
IEEE 802 Standard Association est un comité de l'IEEE qui décrit une famille de normes
relatives aux réseaux locaux (LAN) et métropolitains (MAN) pour la transmission de données
numériques assurée par des liaisons filaires ou sans fil, voir la figure I-5. L'IEEE 802 est
constituée de plusieurs secteurs. Chaque secteur est dédié à un groupe de travail spécifique.
Ainsi le secteur IEEE 802.15 est consacré aux réseaux privés sans fil (WPAN) comme le
Bluetooth, Zigbee,…
Figure I-5 Organisation du groupe 802
Le groupe IEEE 802 a mis en œuvre plusieurs normes des réseaux LAN et MAN, on peut
notamment évoquer la norme 802.11 (le Wi-Fi), la norme 802.15 (WPAN) qui elle-même
définit la norme 802.15.1 (le Bluetooth) ou la norme 802.15.4 (Low Rate Wireless Personal
Area Network ou LRWPAN). On trouve aussi la norme 802.3 (Ethernet), la norme 802.16 (le
WiMax) qui est une technologie sans fil haut débit. Dans ce document, nous nous intéressons
à la norme 802.15.
Les réseaux de capteurs font partie de cette norme qui décrit les WPANs. Parmi les protocoles
des réseaux de capteurs existants, nous avons des protocoles propriétaires comme par
exemple l'alliance ZigBee ou non propriétaires comme le protocole standard IEEE 802.15.4,
6LowPAN (protocole basé sur le standard 802.15.4), Bluetooth.
I.3.3. Bluetooth Low Energy (BLE) :

Aussi connu sous le nom commercial de Bluetooth Smart, le BLE est une technique de
transmission sans fil créée par Nokia en 2006 sous forme d'un standard ouvert basé sur
Bluetooth.
Comparé au Bluetooth classique, le BLE permet un débit du même ordre de grandeur (1

Mb/s) pour une consommation d'énergie 10 fois inférieure à celle de son prédécesseur [13].
Cela permet d'intégrer cette technique de communication dans de nouveaux types
d'équipements (montres, appareils de surveillance médicale ou capteurs…). Moonok Choi et
al. [14] ont développé un système de gestion de l'énergie (des bureaux intelligents) qui utilise
des balises Bluetooth Low Energy (BLE), des prises intelligentes et une application mobile,
ce système
fournit un service d'économie d'énergie sans intervention de l'utilisateur pour réduire
efficacement la consommation d'énergie.
La technologie Bluetooth Low Energy opère dans la bande libre ISM 2.4 GHz (usage
Industriel, Scientifique, Médical). Cette technologie est basée sur une radio à saut de
fréquence pour lutter contre les interférences et les insensibilités des canaux. Elle fournit de
nombreuses porteuses FHSS (Frequency Hopping Spread Spectrum). Une modulation simple
(Gaussian Frequency Shift Keying – GFSK) est choisie pour réduire la complexité de la radio.
Le tableau I-3 illustre une comparaison des performances entre le Bluetooth classique et le
Bluetooth Low Energy.
Caractéristiques techniques Classic Bluetooth BLE
Portée 100 m 50 m
Débit 1-3 Mbit/s 1 Mbit/s
Débit d'application 0.7–2.1 Mbit/s 0.27 Mbit/s
Sécurité 56/128 bits et la couche AES 128 bits

d'application définie par
l'utilisateur
Latence 100 ms 6 ms
La consommation crête en
courant <30 mA <15 mA
Tableau I-3 Les performances comparées entre le Bluetooth classique et BLE
Les différences entre la technologie Bluetooth Low Energy (BLE) et la technologie Bluetooth
classique commencent au niveau des couches inférieures, où la couche physique (le PHY)
Bluetooth Low Energy est une version allégée et optimisée du PHY Bluetooth classique (BR).
Le PHY BR (Bluetooth Basic Rate) effectue sa sélection de canal par saut de fréquence sur
79 canaux (réductibles à un minimum de 20 canaux par saut de fréquence adaptatif) et exécute
la découverte sur 32 canaux, tandis que le PHY Bluetooth Low Energy n'a que 37 canaux et
exécute la découverte sur 3 canaux. La technologie Bluetooth Low Energy ayant beaucoup
moins de canaux à examiner lors de la découverte, ce processus est beaucoup plus rapide. Une
connexion peut être établie en quelques millisecondes au lieu des quelques secondes
nécessaires avec la technologie Bluetooth classique. L'espacement des canaux de Bluetooth
Low Energy est de 2 MHz, contre 1MHz pour le BR, ce qui a pour effet de réduire les
contraintes de filtrage RF. Au niveau des couches supérieures, les connexions
Bluetooth Low Energy sont
globalement similaires au mode BR appelé « sniff sub-rating». Il en résulte, pour la
technologie Bluetooth Low Energy, un moyen éco-énergétique de maintenir les connexions
tout en gardant la radio désactivée autant que possible.
I.3.4. Caractéristique du Standard IEEE 802.15.4 :

Le standard 802.15.4 est un protocole de communication défini par l'IEEE. Il sert de base à de
nombreux autres protocoles parmi lesquels le protocole 6LoWPAN, Zigbee,… Il est utilisé
dans le cadre des réseaux LRWPAN du fait de sa faible consommation, de sa faible portée et
du faible débit des dispositifs utilisant ce protocole.
La norme IEEE 802.15.4 [15] spécifie une couche physique (notée PHY) et une sous-couche
de contrôle d'accès au médium (notée MAC) pour les réseaux LRWPANs. La dernière version
de cette norme, présentée dans [16], prend en charge une variété de caractéristiques physiques
permettant son adaptation à de nombreuses applications. La figure I-6 montre les différentes
couches et leurs interactions qui seront détaillées dans les paragraphes suivants.
Figure I-6 La pile protocolaire de la norme 802.15.4
I.3.5. La couche physique PHY de 802.15.4

La couche PHY [17] définit les bits qui sont réellement transmis sur le support physique. Elle
est responsable des tâches suivantes:
 Activation et désactivation de l'émetteur-récepteur radio
 Détection d'énergie (Energy detection : ED) dans le canal actuel
 La qualité du signal (Link quality indicator : LQI) pour les paquets reçus
 Ecoute du canal (Clear channel assessment : CCA) pour le CSMA – CA
 Sélection de la fréquence du canal
 Transmission et réception de données.
Le couche PHY fournit deux services, accessibles via deux SAP (Service Access Point) : le
service de données PHY, accessible via PD-SAP (Physical Data - Service Access Point) et le
service de gestion PHY, accessible via PLME-SAP (Physical Layer Management Entity -
Service Access Point):
 Le service de données PHY (PD-SAP) permet la transmission et la réception des

données du protocole à travers le canal radio physique. Le PD-SAP prend en
charge le transport de trames entre les entités de sous-couche MAC
 La PLME fournit les interfaces de service de gestion de couche par lesquelles les
fonctions de gestion de couche peuvent être invoquées. Le PLME est également
responsable du maintien d'une base de données d'objets gérés appartenant à la
PHY. Le PLME-SAP permet le transport de commandes de gestion entre le
MLME et le PLME.
La couche PHY fournit une interface entre la sous-couche MAC et la chaîne de radio
physique, via le firmware RF et le matériel RF.
I.3.5.1. Canal de transmission

Un canal de transmission s'appuie sur un support de transmission pour envoyer un message
entre un émetteur et un récepteur. Dans notre cas (Figure I-7), il permet donc de transmettre
un signal émis e(t) en un signal reçu r(t) par l'intermédiaire d'ondes électromagnétiques en
utilisant le canal de propagation. Une caractérisation du canal de propagation est nécessaire
avant le déploiement des systèmes de communications sans fil. A la différence du canal de
transmission, le canal de propagation ne prend en compte que les différentes interactions
subies par les ondes électromagnétiques dans l'environnement. Le canal de transmission
ajoute la contribution des antennes d'émission et de réception.
Figure I-7 Chaine de transmission entre deux nœuds
Au fur et à mesure qu'une onde électromagnétique s'éloigne de sa source, son amplitude

diminue. Cette décroissance est due aux phénomènes naturels de propagation et d'interactions
onde-matière (réflexion, transmission, diffraction, diffusion) existants dans le canal. Ces
interactions sont la cause de propagations multi-trajets. L'amplitude des atténuations du signal
peut être modélisée par une loi de Rayleigh dans le cas d'une transmission NLOS(non-line-of-
sight) (les puissances de tous les trajets sont assez proches), ou bien alors par une loi de Rice
dans le cas d'une transmission LOS (line-of-sight) (un trajet prédomine en termes de
puissance parmi tous les autres) [18].
Pour déterminer l'atténuation en espace libre, on utilise la formule de FRIIS [19] donnant
l'affaiblissement d'une liaison entre deux antennes séparées par une distance d. Cette distance
est supposée suffisamment grande pour permettre l'utilisation de l'expression en champ
lointain. De plus, les polarisations des deux antennes sont supposées être similaires.
  2 (I.1)
Pr  Pt  Gt  Gr   
 4d 
C
 (I.2)
f
Pt est la puissance en watts (W) délivrée à l'antenne d'émission
 Pr est la puissance en watts (W) collectée sur l'antenne de

réception
 Gt est le gain de l'antenne d'émission

 Gr est le gain linéaire de l'antenne de réception
 d est la distance en mètres (m) séparant les deux antennes
  lambda est la longueur d'onde en mètres (m) correspondant à la fréquence de travail
 c = 300 000 km/s vitesse de la lumière dans l'air (célérité)
 f est la fréquence.
Il paraît alors évident que le niveau de puissance reçue pour une transmission donnée dépend
non seulement de la distance séparant l'émetteur et le récepteur mais également de la
fréquence de transmission, le choix de la fréquence doit tenir compte des réglementations.
L'article de F. Touvat et al. [20] travaillant sur les techniques de localisations d'un capteur par
rapport au niveau de puissance du signal à la réception (RSSI : Received Signal Strength
Indication) fournit le résultat d'un test effectué avec des nœuds sans fils fonctionnent sur la
bande 868 MHz et 2.4 GHz. Les nœuds fonctionnant à la fréquence 2.4 GHz en intérieur et
extérieur ont moins d'atténuation qu'à la fréquence 868 Mhz avec des conditions de test
particulières.
En plus des pertes en espace libre, il existe d'autres types de pertes que l'on peut décomposer
en pertes de désadaptations, de dépointage à l'émission et à la réception, de filtrage, de
dépolarisation, etc. selon le système étudié. Dans ce document toutes ces pertes sont
considérées comme nulles dans le système. Par contre des pertes générées en intérieur sont
prises en compte comme par exemple les pertes créées par le déplacement des humains, les
obstacles, etc. Ali Kara et Henry L. Bertoni [21] ont étudié différentes types d'atténuations en
intérieur montrant que les différents obstacles dans l'environnement, tels que le mobilier et le
corps humain à proximité du récepteur et / ou de l'émetteur, provoquent des fortes
atténuations qui limitent la portée et les performances des systèmes sans fil. Il est également
important de gérer des interférences possibles entre des systèmes cohabitant dans le même
écosystème fonctionnant dans la même bande de fréquence, tels que les réseaux locaux sans
fil et Bluetooth. Des valeurs d'atténuations de 20 dB à 30 dB ont été mesurées pour certains
liens en raison de la présence humaine dans un environnement de type bureau. Toutes les
informations qui transitent dans le canal sont des trames du protocole IEEE 802.15.4. Nous
allons décrire les différents types de trames qui circulent dans le canal de transmission.
I.3.5.2. Les fréquences utilisées et les canaux

Le protocole IEEE 802.15.4 peut être utilisé sur trois bandes de fréquences différentes situées
autour de : 868 MHz pour la région Europe, 915 MHz pour l'Amérique du Nord, et 2,4 GHz
pour une couverture mondiale. La norme prévoit deux couches physiques différentes (PHY),
une pour le 868/915 MHz (PHY868/915) et une seconde pour le 2,4 GHz (PHY2450). Le
tableau ci-dessous résume les caractéristiques et les paramètres des deux couches physiques
proposées (PHY868/ 915 et PHY2450).
Norme Bande Modulation Etalement Débit (Kbits/s)
(MHz)
868/915 BPSK DSSS 20 à 868 MHz / 40 à

915 MHz
IEEE 802.15.4-
2003 2400 OQPSK DSSS 250
868/915 BPSK DSSS 20 à 868 MHz / 40 à

915 MHz
868/915 OQPSK DSSS 100 à 868 MHz / 250

IEEE 802.15.4- à 915 MHz
2006
868/915 BPSK/ ASK PSSS 250
2400 OQPSK DSSS
Tableau I-4 Comparaison PHY entre 802.15.4-2003 et 802.15.4-2006
I.3.5.3. Modulations et étalement de spectre

Comme beaucoup d'autres technologies WLAN/WPAN, IEEE 802.15.4 mettent en œuvre une
modulation à spectre étalé. La technique d'étalement de spectre est une méthode de
transmission de signal dans laquelle l'énergie émise avec une porteuse est délibérément étalée
ou distribuée dans le domaine fréquentiel.
Une modulation utilisant une méthode unique d'étalement de spectre séquentiel (DSSS) [22]
permet d'améliorer l'immunité du signal au bruit, le rendant résistant aux brouillages et aux
interférences rencontrées lors de la transmission. Ainsi il est possible que plusieurs
équipements partagent la même fréquence porteuse. Grâce à un code pseudo-aléatoire de
chaque équipement on peut distinguer le signal de chaque équipement. De plus, grâce au
codage réalisé par la séquence pseudo-aléatoire, qui permet de réaliser l'étalement, la
confidentialité des échanges est améliorée.
La couche PHY868/915 est relativement simple et basique : les symboles sont binaires, grâce
à l'emploi d'une modulation BPSK. Le débit est peu élevé (20 Kbits/s pour le 868 MHz, 40
Kbits/s pour le 915 MHz). En revanche, la couche PHY2450 propose une modulation à
codage orthogonal plus complexe, O-QPSK, qui permet une efficacité plus élevée et un débit
plus important.
I.3.5.4. Portée, puissance d'émission et sensibilité du récepteur
IEEE 802.15.4 prévoit une portée classique de quelques dizaines de mètres. La puissance
maximale émise par un module 802.15.4 ou ZigBee n'est pas définie par la norme ; celle-ci est
laissée d'une part à l'appréciation de l'autorité de régulation de la zone où est effectuée la
transmission, et d'autre part au constructeur pour des questions évidentes d'autonomie
énergétique du système dans lequel il est implanté. Néanmoins, la puissance typique
recommandée est de 1 mW, soit 0 dBm et la sensibilité du récepteur doit être meilleure que
-85 dBm à 2,4 GHz pour un TEP [23] (taux d'erreur paquet) ≤ 1%.
La sensibilité d'un système de réception correspond à la puissance minimale reçue

garantissant un niveau de qualité spécifié. Ce niveau de qualité peut en général s'exprimer par
le rapport signal sur bruit (SNR).
(I.3)
TEP  1 (1
TEB : taux d'erreur bit TEB)l p
lp : Longueur de la trame
En pratique, un nœud ZigBee a une portée de quelques dizaines de mètres, jusqu'à une
centaine de mètres en extérieur et sans obstacle. Notons que, de par la robustesse de la couche
physique, les portées d'un émetteur-récepteur 802.15.4 sont comparables à celles d'un
émetteur-récepteur 802.11, mais avec une puissance d'émission plus faible : à rapport signal
sur bruit (SNR) égal,
802.15.4 dispose d'un taux d'erreur bit (TEB) [23] meilleur que les autres technologies sans fil
proposées par l'IEEE. Le TEB est lié au TEP par l'expression (I .3).
Remarquons également que comme pour toutes les technologies de réseau sans fil, la portée
effective d'un émetteur-récepteur 802.15.4 est liée à sa puissance d'émission. Certains
modules sont dotés d'un étage amplificateur HF en sortie et/ou d'un amplificateur à faible
bruit en entrée, ce qui permet d'étendre considérablement la portée radio.
Par exemple, les modules XBeePro [24] [25] [26] [27] fabriqués par la société MaxStream ont
une portée de 40 m en intérieur et 100 m en extérieur. Ils peuvent avoir une portée théorique
supérieure à ce qui est annoncé selon l'antennes utilisée.
I.3.6. La couche liaison de 802.15.4

De façon très similaire au modèle défini par le groupe 802 de l'IEEE, le niveau liaison de IEEE
802.15.4 (niveau 2 OSI) comprend une sous-couche d'accès au médium MAC et une sous-
couche de convergence LLC.
I.3.6.1. La sous-couche MAC :

La sous-couche MAC gère tout l'accès à la chaîne de radio physique et est responsable des
tâches suivantes:
 Génération des balises réseau si l'appareil est un coordinateur.
 Synchronisation avec les balises.
 Support de l'association réseau et de la dissociation.
 Support de la sécurité du périphérique.
 Utilisation du CSMA-CA [28] pour le mécanisme d'accès au canal.
 Manipulation et maintien du mécanisme GTS (Guaranteed Time Slot).
 Fournir un lien fiable entre deux entités MAC homologues.
La sous-couche MAC comprend conceptuellement une entité de gestion appelée MLME.

Cette entité fournit les interfaces de service par lesquelles les fonctions de gestion de la
couche peuvent être invoquées comme par exemple le type d'adresse utilisée 16 bits ou 64
bits. Le MLME est également responsable du maintien d'une base de données d'objets
appartenant à la sous-couche MAC.
 L'accès au canal :
802.15.4 propose deux modes pour l'accès au canal : un mode non coordonné ou non-beacon
(totalement CSMA/CA) et un mode coordonné, ou beacon, disponible uniquement dans une
topologie étoile où le coordinateur envoie périodiquement des trames balises (beacon) pour
synchroniser les nœuds du réseau. L'accès au canal se fait selon le mode de fonctionnement
du réseau comme présente la figure I-8.
Figure I-8 Méthode accès au canal de la couche MAC

Mode non coordonné ou sans balise/beacon (non-beacon):
Dans le mode non coordonné, le coordinateur reste par défaut dans l'état d'attente de données.
Il n'y a pas d'émission de balise donc pas de synchronisation entre les différents nœuds du
réseau. Les nœuds voulant émettre des données doivent utiliser le protocole CSMA/CA [29] «
non-slotté », c'est-à-dire que le début d'une émission se fait dès que le canal est détecté
comme libre. Il n'est pas nécessaire d'attendre un intervalle de temps dédié, si le canal est libre
il transmet sinon il attend une période aléatoire (défini dans le protocole IEEE 802.15.4).
Dans l'article [30], le mode IEEE 802.15.4 MAC non-beacon est utilisé. Les nœuds utilisent
une opération CSMA / CA non slotté pour l'accès au canal et la transmission de paquets. Deux
variables principales qui sont nécessaires pour l'algorithme d'accès au canal sont BE (Back
Off Exponent) et NB (Number of Backoffs). Chaque nœud doit maintenir les variables NB et
BE pour chaque tentative de transmission effectuée.
 NB: nombre de fois l'algorithme CSMA/CA fait un backoff durant la tentative de

transmission en cours.
BE: détermine le temps de périodes backoff qu'un nœud doit attendre avant de tenter
d'accéder au canal.
L'algorithme de CSMA/CA non-slotté est exécuté pour l'envoi des données dans un réseau
fonctionnant dans un mode dite non-beacon. Il se base essentiellement sur trois paramètres
qui sont le NB, BE et CCA.
La figure I-9 présente les différentes étapes du CSMA/CA non-slotté. L'algorithme débute par
une phase d'initialisation, les paramètres des variables BE = macMinBE (valeur minimum que
peut prendre BE) et NB = 0. Puis, on effectue un tirage aléatoirement un nombre entier de
périodes de backoff. Après exécution de la période du backoff, la couche MAC demande à la
couche PHY d'effectuer un CCA c'est-à-dire l'écoute du canal. Si la couche PHY détecte le
canal libre, la couche MAC commencera immédiatement la transmission de données
("Succès" pour accéder au canal). Si le canal est jugé occupé, la sous-couche MAC
incrémente NB et BE en vérifiant que BE reste inférieur ou égal à macMaxBE (la valeur
maximum que peut prendre BE). Si NB est inférieur au macMaxCSMABackoffs (nombre
maximum que l'algorithme CSMA/CA peut s'exécuter), l'algorithme CSMA / CA revient sur
le tirage d'un nouveau backoff. Si la valeur de NB est supérieure à macMaxCSMABackoffs,
l'algorithme CSMA / CA se terminera par un "échec", ce qui signifie que le nœud n'a pas
réussi à accéder au canal.
Figure I-9 Algorithme de CSMA/CA non-slotté de la norme IEEE 802.15.4
Cependant, même si l'algorithme est dit « non-slotté », il se base tout de même sur une unité
temporelle discrète appelée période de backoff (temporisation) pour pouvoir retarder plus ou
moins l'émission d'une trame et éviter les collisions. Lorsque le coordinateur a des données à
transmettre à un dispositif, il attend que le dispositif rentre en contact et lui demande les
données. Le coordinateur envoie alors un accusé de réception de la requête. Si des données
sont en suspens, le coordinateur transmet les données en utilisant le même principe
(CSMA/CA), comme indiqué figure I-10.
Figure I-10 Echange de trame en CSMA/CA non slotté

Le mode non-beacon est généralement utilisé pour les capteurs qui dorment la majorité du
temps. Quand un événement survient, les capteurs se réveillent instantanément et envoient
une trame. Le coordinateur dans ce type de réseau doit être alimenté sur secteur, car il ne dort
jamais. Il est par défaut dans l'état d'écoute permanente.
Cette solution a pour avantage d'optimiser l'autonomie des batteries des capteurs et d'utiliser
le canal uniquement lorsqu'il est nécessaire de transmettre des données utiles. Avec
l'utilisation du CSMA/CA, l'accès au canal n'est pas garanti dans une période donnée (tout
dépend de la densité du réseau et du nombre de dispositifs voulant transmettre en même
temps).
 Mode coordonné, beacon ou balisé
Dans le mode coordonné, le coordinateur du réseau diffuse périodiquement des trames

appelées balise ou beacon. Tout membre du réseau qui entend cette balise l'utilise pour se
synchroniser avec le coordinateur. Le CSMA/CA slotté est utilisé dans ce mode. Ici le
coordinateur envoie une super-trame qui peut inclure une période de CAP, une période de
CFP et une période d'inactivité.
 La période CAP (Contention Access Period) est similaire au mode sans beacon. Tous
les dispositifs peuvent transmettre de façon aléatoire, mais en respectant la durée d'un
slot.
 La période CFP (Contention Free Period) permet de garantir l'accès au canal à un

dispositif pendant une durée déterminée en nombre de slots, appelée GTS (Guarantee
Time Slot).
 La période d'inactivité comme son nom l'indique c'est la période où le coordinateur

entrera en mode sommeil.
Lors de la réception de cette balise, tous les dispositifs sont informés de la durée de la super-
trame et à quel moment ils peuvent transmettre des données. Ils recevront aussi une indication
à partir de quel moment le coordinateur rentrera en inactivité et pour quelle durée. Les
dispositifs savent alors quand ils peuvent rentrer en sommeil ou transmettre. L'envoi régulier
d'un beacon permet de resynchroniser l'ensemble des dispositifs et les informer des
changements dans la super-trame.
Figure I-11 Structure de la super-trame [31]
Dans [32], les auteurs trouvent un taux élevé de collisions en début de la super-trame, ce qui
se répercute sur la consommation des nœuds. Wang [33, p. 4] a comparé le CSMA slotté et
non slotté du protocole IEEE 802.15.4 et a constaté que CSMA non slotté a une meilleure
transmission et une plus grande probabilité de transmission que la CSMA slotté.
I.3.6.2. La sous-couche de convergence (LLC) :

Conformément à la famille des standards IEEE 802, le 802.15.4 propose une sous-couche de
convergence de type LLC pour normaliser l'interfaçage des couches décrites par le standard
802.15.4 avec la couche de niveau supérieur, typiquement une couche de niveau 3 compatible
LLC. Cette convergence est assurée par la sous-couche SSCS qui est décrite par le standard
IEEE 802.15.4. Une couche de convergence joue plusieurs rôles dans le standard IEEE
802.15.4 :
 La vérification de l'intégrité des données reçues avant la remise à la couche supérieure,

par exemple par utilisation conjointe d'un Code de Redondance Cyclique (CRC) et
d'un mécanisme d'acquittement.
 Le contrôle de puissance.
 La retransmission des données après le contrôle d'erreurs.
 Le contrôle de flux, afin d'éviter la saturation des tampons de réception et la perte

éventuelle de données ou les débordements de mémoire.
 La convergence d'adressage, c'est-à-dire la correspondance qu'il faut effectuer entre les

adresses de niveau 3 (au niveau réseau, l'adressage est généralement globalisé sur tout
le réseau) et les adresses de niveau 2 (au niveau liaison, l'adressage est parfois local et
spécifique à un seul brin filaire ou à la zone de couverture radio de chaque cellule
utilisée...). La convergence d'adressage permet également la gestion des procédés de
diffusion (broadcast) et de diffusion limitée ou diffusion dirigée (multicast).
Les paquets échangés dans la norme 802.15.4 se présentent sous différents types de trames,
nous allons définir ces types de trames.
I.3.7. Types de trames IEEE 802.15.4 :
Les trames IEEE 802.15.4 ont été conçues pour enlever la complexité du protocole, ce qui les
rend suffisamment robustes pour la transmission sur un canal bruyant. Chaque couche de
protocole successif ajoute à la structure des en-têtes et des données de fins d'encapsulations
(pieds de trame) spécifiques à la couche. Le LR-WPAN définit quatre structures de trame:
 Une trame de balise :
La figure I-12 montre la structure de la trame de balise, qui provient de la sous-couche MAC.
Un coordinateur peut transmettre des balises dans un réseau en mode beacon. L'unité de
données de service MAC (MSDU) contient la spécification de super-trame, les champs
d'adresse, la liste d'adresses et la charge utile de balise. Le MSDU est préfixé avec un en-tête
MAC (MHR) et terminé par un champ de fin de trame MAC (MFR). Le MHR contient les
champs de contrôle de trame MAC, le numéro de séquence de balise (BSN) et les champs
d'information d'adressage. Le MFR contient une séquence de vérification de trame de 16 bits
(FCS). Les MHR, MSDU et MFR forment ensemble la trame de balise MAC (MPDU).
Figure I-12 Vue schématique de la trame beacon [17]
Le MPDU est ensuite transmis au PHY en tant que données utiles de la couche PHY (PSDU).
Le PSDU est préfixé par un en-tête de synchronisation (SHR), contenant la séquence de
préambule et les champs de délimiteur de démarrage (SFD), et un en-tête PHY (PHR)
contenant la longueur de la PSDU en octets. La séquence de préambule permet au récepteur
d'obtenir la synchronisation des symboles. Le SHR, le PHR et le PSDU forment ensemble le
paquet de balise PHY (PPDU).
 Une trame de données :
La donnée utile est transmise à la sous-couche MAC et est appelée MSDU. Le MSDU est
préfixé avec un MHR et terminé par un MFR. Le MHR contient les champs de contrôle de
trame, de numéro de séquence et d'adressage. Le MFR est composé d'un FCS de 16 bits. Les
MHR, MSDU et MFR forment ensemble la trame de données MAC (MPDU).
Le MPDU est transmis à la couche PHY en tant que données utiles de la couche PHY
(PSDU). Le PSDU est préfixé par un SHR, contenant la séquence de préambule et les champs
SFD, et un PHR contenant la longueur de la PSDU en octets. La séquence de préambule et la
SFD de
données permettent au récepteur d'obtenir la synchronisation des symboles. Le SHR, le PHR
et le PSDU forment ensemble le paquet de données PHY (PPDU).
Figure I-13 Vue schématique de la trame de données [17]
 Une trame d'accusé de réception :
La figure ci-dessous montre la structure de la trame d'accusé de réception, qui provient de la

sous-couche MAC. La trame d'accusé de réception MAC est construite à partir d'un MHR et
d'un MFR. Le MHR contient les champs de contrôle de trame MAC et numéro de séquence
de données. Le MFR est composé d'un FCS de 16 bits. Les MHR et MFR forment ensemble
la trame d'accusé de réception MAC (MPDU).
Figure I-14 Vue schématique de la trame ACK [17]
Le MPDU est transmis à la couche PHY en tant que donnée utile de la trame d'accusé de
réception à la couche PHY (PSDU). Le PSDU est préfixé avec le SHR, contenant la séquence
de préambule et les champs SFD, et le PHR contenant la longueur de la PSDU en octets. Le
SHR, le PHR et le PSDU forment ensemble le paquet d'accusé de réception PHY (PPDU).
 Une trame de commande MAC:
C'est une trame qui permet de récupérer les informations de la couche MAC comme le canal
utilisé, ID réseaux…
La figure ci-dessous montre la structure de la trame de commande MAC, qui provient de la
sous-couche MAC. La MSDU contient le champ de type de commande et la commande de
données spécifiques, appelée donnée utile de la commande. Le MSDU est préfixé avec un
MHR et terminé par un MFR. Le MHR contient le code de la trame MAC, le numéro de
séquence de données et les champs d'information d'adressage. Le MFR contient un FCS de 16
bits. Les MHR, MSDU et MFR forment ensemble la trame de commande MAC (MPDU).
Figure I-15 Vue schématique de la trame de commande [17]
Le MPDU est ensuite transmis à la couche PHY en tant que donnée utile de la trame PHY
(PSDU). Le PSDU est préfixé avec un SHR, contenant la séquence de préambule et les
champs SFD, et un PHR contenant la longueur de la PSDU en octets. La séquence de
préambule permet au récepteur d'obtenir la synchronisation des symboles. Le SHR, le PHR et
le PSDU forment ensemble le paquet de commande PHY (PPDU).
I.3.8. Le protocole Zigbee :

ZigBee est un protocole de haut niveau permettant la communication inter nœuds, un maillage
du réseau, à consommation réduite, basée sur la norme IEEE 802.15.4 pour les réseaux
WPAN. Il est contrôlé par une organisation appelée Alliance ZigBee.
L'alliance ZigBee est une organisation d'entreprises travaillant ensemble pour définir une
norme globale ouverte pour la création de réseaux sans fil à faible puissance. [34] [35]. Les
couches réseaux du modèle OSI concernées par le protocole ZigBee sont : La couche réseau
et la couche Application.
Figure I-16 La pile protocolaire du Zigbee
I.3.8.1. La couche réseau

La couche « Network » (NWK) est responsable de la topologie telle que la topologie étoile,
arbre, maillée permettant à un nœud de communiquer avec un autre grâce à un routage. Elle
fournit des mécanismes pour joindre, quitter et former un réseau, sécuriser le routage et la
transmission des trames, identifier les chemins entre les équipements connectés, découvrir le
voisinage, la gestion des types de services applicatifs, etc.
Selon la topologie, chaque nœud peut participer au routage du réseau pour transmettre les
informations de la source à un nœud de destination (station de base). Ou bien le routage peut
être appliqué par des sauts multiples. Il existe différentes techniques de protocoles de
routages, ce sont des applications implémentées dans la couche application des nœuds de
capteurs pour définir le comportement de ces derniers lors des calculs du chemin optimal, du
routage de données.
Nous pouvons définir deux types de protocole de routage selon la topologie du réseau et le
modèle de trafic :
Les protocoles de routage non hiérarchiques :
 Les protocoles de routages proactifs :
Ce sont des protocoles qui construisent leurs tables de routage avant que la demande en soit
effectuée, ils se basent suivant l'état des liens (distances, obstacles, nombre de sauts, énergie
restante des nœuds destinataires, etc) entre le nœud émetteur et les autres nœuds. Il identifie la
topologie du réseau à chaque instant. En cas de problème de pertes de données ou erreurs de
transmission de bout en bout, la technique traditionnelle de retransmission est appliquée.
Chaque nœud met à jour sa table de routage en échangeant des paquets de contrôle avec les
nœuds voisins.
Nous pouvons citer l'exemple du protocole OLSR (Optimized Link State Routing) [36] [37],
Comme son nom l'indique c'est un protocole à état de lien optimisé. C'est un protocole
proactif spécialement adapté aux réseaux de grande échelle. Ici tous les nœuds du réseau
peuvent jouer le rôle de relais et le protocole maintient sur chaque nœud une table de routage
complète (comprenant une entrée pour tous les autres nœuds du réseau).
Les protocoles de routage réactifs:
Ce sont des protocoles qui construisent une table de routage lorsqu'un nœud en effectue la
demande. Il ne connait pas la topologie du réseau, il détermine le chemin à prendre pour
accéder à un nœud du réseau lorsqu'on lui demande. Ils tiennent compte de l'évolution des
trafics et beaucoup d'autres paramètres dans le réseau afin de déduire le chemin optimal pour
transmettre l'information d'un nœud à un autre. Un nœud qui veut transmettre des données à
un autre nœud, commence d'abord par faire une requête à tous les membres de réseau. Après
la réception de la requête, le nœud destination envoie un message réponse qui remonte vers la
source (méthode Backward Learning [38]). Alors le nœud source peut transmettre les données
en suivant le chemin suivi par la réponse à la requête.
Les protocoles AODV [39] (Ad Hoc On-Demand Distance Vector Routing), DSR [40]
(Dynamic Source Routing) sont basés sur un routage réactif. AODV est un protocole à
vecteur de distance, l'objectif du protocole AODV est de fournir un service complètement
orienté sur le principe de la route à la demande, puisque- qu'il ne demande une route que
lorsqu'il en a besoin. Ces protocoles sont techniquement très efficaces mais aussi très
énergivores. Navodaya Garepalli et al. [41] ont démontré qu'en supprimant les messages de
contrôle un algorithme de routage réactif, les performances peuvent être compétitives par
rapport aux protocoles AODV et DSR tout en réduisant considérablement la complexité du
protocole.
 Les protocoles de routages hiérarchiques:
Le protocole de routage hiérarchique est un protocole qui se base sur le partitionnement

dynamique du réseau en un ou plusieurs sous-ensembles. Il doit assurer un fonctionnement
optimal du réseau par minimisation de la consommation des ressources en termes d'énergie et
des délais d'acheminement de l'information. Dans ce type de protocoles, la vue du réseau
devient locale ; des nœuds spéciaux peuvent avoir des rôles supplémentaires.
Après avoir défini la route ou le prochain nœud de destination vers lequel on doit véhiculer
l'information, le rôle de la couche MAC est de définir la technique d'accès au canal de
communication afin de connecter le nœud émetteur et le nœud récepteur.
I.3.8.2. La couche Application

La couche application (APS) est la plus haute de la pile protocolaire. Elle détermine la façon
dont toutes les couches inférieures se comportent. Elle fait l'interface du système et les
utilisateurs finaux. Elle comprend la majorité des composants ajoutés par la spécification de
ZigBee.
Dans le Zigbee, elle est associée les modules comme :
 La sous-couche Application Support Sub-Layer (APS) assure l'interface entre la

couche de réseau et la couche d'application à travers un ensemble de services. Elle
gère le maintien des tables de routage, le transfert des messages entre les appareils
reliés, le management des adresses, le mapping des adresses étendues de 64 bits en
adresse de 16 bits pour la couche NWK, la fragmentation et réassemblage des
paquets, ou encore dispose d'un mécanisme de multiplexage (cas de plusieurs
applications sur la même adresse) ;
 L'Application Framework (AF) qui accueille les différents profils d'application. Elle
propose également des API pour les développeurs. Chaque application dispose d'une
adresse sur le nœud ZigBee comprise entre 0 et 255 ;
 Le module Security Service Provider (SSP) qui s'occupe de fournir des services de
sécurité aux couches NWK et APS ;
I.4. Conclusion
Dans ce chapitre, nous avons fait un état de l'art des réseaux sans fils notamment sur la norme
802.15.4 et le protocole Zigbee. Cette mise au point sur les réseaux sans fils va nous permettre
de comprendre la suite de ce document. Notre choix se portera sur une topologie en étoile et
sur la norme 802.15.4, nous expliquerons les raison de ces choix dans la suite du document.
Le chapitre qui suit présente les différents types d'optimisation des réseaux de capteurs
présentés dans la littérature. Nous nous limiterons à la norme IEEE 802.15.4.
Chapitre II. L'optimisation d'un réseau de capteurs sans fil
II.1. Introduction
L'optimisation du déploiement d'un réseau de capteurs est définie comme une contrainte
majeure et un point clé lors de la conception et la réalisation du réseau. Pour assurer un
meilleur fonctionnement du RCSF, il est nécessaire d'avoir une bonne qualité de couverture
de la zone de surveillance, connectivité du réseau, taux et délai de livraison des données et la
durée de vie du réseau de capteurs.
Optimiser un réseau de capteurs revient à optimiser les nœuds de capteurs selon leurs
fonctionnalités. Anouar Darif et al [12] ont fait une étude de la consommation d'énergie d'un
réseau de capteurs dans le cas de la topologie étoile, les résultats obtenus sont comparés à une
topologie maillée. Les résultats de cette étude montrent que la topologie en étoile est la moins
gourmande en énergie, sachant qu'un réseau ayant principalement une fonction de supervision
peut être déployé avec une structure en étoile si tous les nœuds arrivent à joindre directement
le nœud central (coordinateur). En partant de l'hypothèse que notre réseau aura une topologie
en étoile, nous allons voir dans la littérature les optimisations effectuées dans les réseaux
ZigBee sans nous attarder sur la couche réseau, car les réseaux en étoile utilisent le standards
IEEE 802.15.4. Dans ce document, l'optimisation d'un réseau de capteurs reviendra à
améliorer la durée de vie du réseau c'est-à-dire améliorer l'autonomie des nœuds.
Nous avons défini l'optimisation du RCSF sur trois parties :
 L'optimisation de la durée de vie du réseau en ajoutant un organe de récupération

d'énergie à chaque nœud.
 L'optimisation inter-couche du RCSF.
 La Co-conception Hardware/Software
 La compression des données.
Avant d'aborder les différents types d'optimisations, nous allons faire une description du nœud
de capteur sans fil.
II.2. Description du nœud de capteur sans Fil dans le contexte d'une optimisation
énergétique:
Un « nœud capteur » est un dispositif électronique qui contient quatre unités de base : l'unité
de mesure, l'unité de traitement, l'unité de transmission, et l'unité de contrôle d'énergie. Selon
le domaine d'application, il peut aussi contenir des modules supplémentaires tels qu'un
système de localisation (GPS) ; un nœud de capteurs peut ainsi avoir une structure modulaire.
L'architecture générale d'un nœud de capteur est illustrée sur la figure II-1 ci-dessous.
Figure II-1 Architecture nœud de capteur
Selon les types d'applications, la position des nœuds peut avoir une grande importance. En
effet, pour identifier correctement l'environnement surveillé, il est important d'associer aux
informations recueillies, la position géographique des nœuds. Ceci est surtout valable pour les
nœuds mobiles. Cependant pour les applications ou les nœuds de capteurs sont immobiles
comme par exemple la supervision d'un bâtiment, la position géographique n'est pas
nécessaire. Il suffit de localiser chaque nœud par un identifiant unique.
Akyildiz et Vuran [42] ont passé en revue différents nœuds de capteurs disponibles sur le
marché jusqu'en 2010, ainsi que les prototypes proposés dans la littérature. Dans ce listing
deux points communs reviennent sur tous les nœuds : le facteur taille et les contraintes
énergétiques. La figure II-2 présente quelques types de nœuds de capteurs sans fils qui
existent sur le marché.
Figure II-2 Différents nœuds de capteurs
II.2.1. L'unité d'acquisition :

Couramment appelé capteur, l'unité d'acquisition est un dispositif transformant l'état d'une
grandeur physique observée en une grandeur utilisable, telle qu'une tension électrique, une
hauteur de mercure, une intensité ou la déviation d'une aiguille. On fait souvent la confusion
entre capteur et transducteur : le capteur est au minimum constitué d'un transducteur.
Figure II-3 Transducteur analogique
Le capteur est généralement composé de deux sous-unités :
 Le récepteur, cette sous-unité est souvent utilisée dans des capteurs chimiques ou
biochimiques qui sont des dispositifs d'analyses qui fournissent des informations sur la
composition chimique de son environnement, qui peuvent être à l'état gazeux, liquide
ou solide.
 Un transducteur est un dispositif convertissant un signal physique en un autre signal;
par exemple un signal lumineux en signal électrique (photorécepteur).
Souvent, les deux fonctions sont intimement liées. Un capteur fournissant des signaux
analogiques liés à un phénomène observé va transformer ces signaux en signaux numériques
compréhensibles par l'unité de traitement. Cette conversion se fait par un convertisseur
Analogique/Numérique.
Un convertisseur Analogique/Numérique est un montage électronique dont la fonction est de

traduire une grandeur analogique en une valeur numérique (codée sur plusieurs bits),
proportionnelle au rapport entre la grandeur analogique d'entrée et la valeur maximale du
signal pour une bonne compréhension au niveau de l'unité de traitement.
Il existe deux types de capteurs :
 Certains ont besoin d'un apport en énergie pour fonctionner « capteurs passifs » :
Ils ont besoin dans la plupart des cas d'apport d'énergie extérieure pour fonctionner
(thermistance, photorésistance, potentiomètre, …). Ce sont des capteurs modélisables par une
impédance. Une variation du phénomène physique mesuré entraine une variation de
l'impédance. Il faut leur appliquer une tension pour obtenir un signal de sortie.
Figure II-4 Capteurs passifs
 D'autres fonctionnent sans avoir besoin d'être alimentés « capteurs actifs » :
Un capteur est dit actif lorsque le phénomène physique qui est utilisé pour déterminer la
mesure s'effectue directement par la transformation en grandeur électrique qui est associé au
signal de sortie du capteur.
Figure II-5 Capteurs actifs
Le point commun de ces deux types de capteurs est la nature de leur signal de sortie qui est un
signal électrique. Le signal de sortie des capteurs peut faire l'objet d'une classification par type
de sortie :
 Capteurs analogiques :
La sortie est une grandeur électrique dont la valeur est une fonction de la grandeur physique
mesurée par le capteur. La sortie peut prendre une infinité de valeurs continues. Le signal des
capteurs analogiques peut être du type tension, courant, etc. Par exemple, le capteur de
température MCP9700A fournit une tension proportionnelle à la température.
Figure II-6 Capteur analogique MCP9700A
 Capteurs numériques :
La sortie est une séquence d'états logiques qui, en se suivant, forment un nombre. Le signal
des capteurs numériques peut être du type train d'impulsions, avec un nombre précis
d'impulsions ou avec une fréquence précise, code numérique binaire, etc. Par exemple, les
signaux fournis par le capteur de thermo-hydrique SHT75 sont présentés figure II-7.
Figure II-7 Capteur numérique
 Capteurs logiques :
Ces sont des capteurs tout ou rien. La sortie est un état logique que l'on note 1 ou 0. Le signal
des capteurs logiques peut être du type courant présent/absent dans un circuit, le potentiel 3.3
V/0 V, etc. Nous pouvons citer l'exemple de capteur de présence, ouverture,….
II.2.2. L'unité de traitement et sa consommation d'énergie :

Elle comprend un processeur généralement associé à une petite unité de stockage de données
pour les traiter avec une consommation d'énergie minimale [43] . Elle fonctionne à l'aide d'un
système d'exploitation spécialement conçu pour les micro-capteurs (comme par exemple
Contiki, ERIKA Enterprise, Nano-RK, DuinOS, TinyOS, MantisOS, RETOS, Senses,
Cormos, LiteOS, NanoQplus). Elle exécute les protocoles de communications qui permettent
de faire collaborer le nœud avec les autres nœuds du réseau. Le type d'unité de traitement dans
un nœud de capteur est choisi en fonction de la complexité de ses tâches et sa consommation.
Du point de vue matériel, l'unité de traitement peut être de type microcontrôleur, de type
microprocesseur, ou encore de type FPGA ou les deux à la fois.
Nous citons quelques exemples d'unité de traitement parmi celles utilisées dans les WSN :
 8051 MCU est un microcontrôleur (MC) développé par Intel en 1980 pour être utilisé
dans des produits embarqués. C'est encore une architecture populaire, le CC2550 de
chez Texas Intrument (TI) qui est parmi les plateformes de nœud de capteurs les plus
utilisées, s'est doté d'un 8051 MCU amélioré. Consommation ?
 Le ARM Cortex-M3 [44] est une famille de processeurs RISC 32-bits d'architecture
ARM servant à la fois de microprocesseur et de microcontrôleur à destination de
l'embarqué. La nouvelle carte de TI, le CC2650 orienté IOT contient un processeur
ARM Cortex-M3 32 bits qui fonctionne à 48 MHz comme processeur principal et un
ensemble de fonctionnalités périphériques. La carte en matériel libre Arduino est aussi
équipée d'un Cortex-M3. Consommation ?
 Mica est un microcontrôleur CISC 8 bits utilisé dans les études universitaires. Sa
consommation dépend de son mode de fonctionnement, elle varie de 0.8 mW sous 1V
jusqu'à 77 mW sous 3.5 V [https://tel.archives-ouvertes.fr/tel-00319073/document].
II.2.3. L'unité de communication et les contraintes énergétiques :

Elle effectue toutes les émissions et réceptions des données sur un médium sans-fil. Elle est
de type radiofréquence dans notre cas du faite d'utilisation d'un réseau sans fil. Les unités de
transmission de type radiofréquence comprennent des circuits de modulation, démodulation,
filtrage et multiplexage, certains types de nœuds de capteurs les intègrent directement sur la
carte. D'autres les utilisent comme un module complémentaire du fait de leur structure
modulaire.
Concevoir des unités de transmission de type radiofréquence avec une faible consommation
d'énergie est un défi car pour qu'un nœud ait une portée de communication suffisamment
grande, il est nécessaire d'utiliser un signal assez puissant et donc une énergie consommée
importante. Du fait de cette contrainte d'énergie nous nous sommes orientés sur les nœuds de
capteurs ZigBee.
Pour faire des économies d'énergie, l'unité de transmission peut éteindre certains de ses
dispositifs selon le degré de mise en veille qu'il souhaite activer [45] [46].
II.2.4. L'unité de contrôle d'énergie :

Un nœud de capteur est muni généralement d'une batterie. Étant donné sa petite taille, cette
ressource énergétique est limitée. L'énergie est la ressource la plus précieuse d'un réseau de
capteurs, car elle influe directement sur la durée de vie des nœuds de capteurs et donc du
réseau entier. Une batterie seule ne peut pas alimenter un capteur puisque sa tension
d'alimentation diminue dans le temps si bien que les modules ayant besoin d'une tension
constante ne pourront pas fonctionner. L'unité de contrôle d'énergie qui effectue une
conversion du courant en continu-continu (DC-DC) est donc une partie essentielle du
système. Elle doit répartir l'énergie disponible dans la batterie [47] aux autres modules, de
manière optimale. Cette unité peut aussi gérer des systèmes de rechargement d'énergie à partir
de l'environnement.
II.2.5. Energie :
Lorsqu'on parle d'énergie, souvent on fait allusion à la batterie. C'est l'unité la plus importante
dans le nœud de capteurs. Elle doit avoir une très grande capacité tout en gardant un poids et
une taille raisonnable. Sa capacité limitée [48] en charge doit permettre le fonctionnement des
différents modules car un nœud peut avoir plusieurs consommations en puissance différentes
selon l'activation des modules. Elle permet aussi de stocker l'énergie d'un organe de
récupération d'énergie (une source externe : cellules solaires, température, vibration, etc) [49].
Un des paramètres les plus importants dans le choix d'une batterie est son pourcentage
d'autodécharge. Il doit être le plus faible possible pour espérer une durée de vie la plus longue
possible.
Dans la littérature scientifique, il existe de nombreux modèles de batterie [50] [51] [52] qui
permettent de prendre en compte le comportement de ces batteries dans l'estimation de la
durée de vie d'un système. Le modèle est variable selon le type de batterie (Alkaline,
Lithiumion, Ni- Cd, Ni-Mh ...) et selon le degré de précision de la modélisation des
phénomènes physiques liés à sa technologie.
Une étude expérimentale menée dans l'article [53] effectuée sur des échantillons de piles et de
batteries de différentes technologies révèle que la durée de décharge d'un élément peut varier
de 30% entre un mode de décharge continu ou discontinu. Ces différences proviennent des
caractéristiques de non linéarité des batteries et d'un autre phénomène qui est l'effet de
relaxation qui engendre une récupération partielle de l'énergie. Une autre étude théorique
menée dans [52] indique que l'effet de relaxation lors d'une décharge discontinue apporte une
amélioration de la durée de vie d'une batterie.
Plusieurs nœuds de capteurs sont équipés d'un détecteur de faible tension, permettant au
système d'envoyer une alarme lorsque la tension de la batterie atteint un seuil bas. Pour
espérer avoir un temps assez long avant la réception d'alarme, nous devons faire un bon choix
de batterie et de sa capacité.
La meilleure solution pour alimenter les nœuds de capteurs sans fils est la batterie au lithium.
En effet, la grande capacité des batteries au lithium nous permet de négliger l'effet de la
capacité en raison du courant élevé nécessaire au système. D'autres avantages des batteries au
lithium par rapport aux batteries alcalines sont leur très faible taux d'autodécharge [54] et leur
tension très stable.
Ainsi nous nous baserons sur la même formule donnée par l'article [55] sur le modèle d'une
batterie pour déterminer son temps à vide autrement dit la durée de vide du nœud. Il s'agit
d'un modèle simple qui permet de prendre en compte l'effet d'autodécharge en considérant une
perte de puissance en pourcentage (k%) de l'énergie totale (E) de la batterie pour une année/un
mois/une heure.
Le temps à vide où la batterie est considérée épuisée est alors donné par l'équation suivante :
E
T   (II.1)
E [années]
v
P  Pfuite 24  365  Pmoy.H  k%  E
Tv : Temps à vide de la batterie ou durée de vie du nœud
E : Energie totale de la batterie

Pmoy.H : La puissance moyenne consommée en 1H
Pfuite : Perte de puissance du à l'autodécharge
k : Pourcentage d'autodécharge
P : Puissance moyenne consommée
P  U  Imoy
U : La tension d'alimentation du nœud
Imoy : Le courant moyen consommé
II.3. Optimisation de la durée de vie d'un réseau de capteurs sans fil:

La durée de vie d'un réseau de capteurs est définie comme étant le temps durant lequel le
réseau de capteurs maintient encore ses capacités de connectivité, ses capacités à couvrir la
zone de captage ou à garder son taux de perte de nœud inférieur à un certain niveau. Il peut y
avoir d'autres définitions de la durée de vie du réseau liées à d'autres paramètres du réseau.
Etant dans une topologie étoile où il n'y a pas de routage, la durée de vie d'un réseau de
capteurs est donc liée à la durée de vie des nœuds. Et la durée de vie d'un nœud dépend
principalement de la durée de vie de sa batterie. Ainsi la durée de vie de la batterie dépend des
énergies consommées par les différents modules qui constituent le nœud de capteurs et
dépend aussi de la technologie de la batterie. La figure II-8 montre les différentes techniques
d'optimisation d'un RCSF.
Techniques d’économie d’énergie dans les RCSF
Récupération d'énergie Protocoles Techniques basées sur le rapport cyclique Techniques de mesures
Panneau solaire,
Protocole CSMA Sleep/Wake up Réduction de données
Rectena, …
Figure II-8 Technique de réduction d’énergie

Dans la littérature, plusieurs définitions de durée de vie d'un réseau de capteurs sans fil ont été
proposées :
 Certains auteurs dans la littérature définissent la durée de vie d'un réseau de capteurs
étant comme une durée durant laquelle un certain nombre de nœuds de capteurs
épuisent la capacité de leur batterie :
Ici les auteurs que nous citons considèrent que la perte d'un seul nœud du réseau engendre la
fin de la durée de vie du réseau. A. Giridhar et P. R. Kumar [56] disent que la durée de vie
d'un réseau de capteurs est définie comme le nombre maximal de fois qu'une certaine fonction
ou tache de collecte de données peut être effectuée sans qu'un nœud soit épuisé. Donc pour
eux, la perte d'un seul nœud équivaut à la fin de vie du réseau. V. P. Mhatre et al [57] quant à
eux étudient la consommation d'un cluster qui utilise le routage multi sauts pour atteindre la
tête de clusters. Ils définissent la durée de vie comme le nombre de cycles de collecte de
données réussis réalisables jusqu'à ce que la connectivité et / ou la couverture soient perdues.
Perdre la connectivité en routage multi sauts signifie qu'un ou plusieurs nœuds dans la chaine
de routage se sont épuisés.
Les articles [58] [59] définissent la durée de vie d'un réseau de capteurs comme une durée où
il ne reste qu'une petite partie des nœuds actifs dans le réseau. L'article [60] attend compte à
lui que tous les nœuds du réseau soient épuisés en énergie pour parler de fin de vie du réseau.
 D'autres auteurs dans la littérature définissent la durée de vie d'un réseau de capteurs
en faisant analogie à la zone de couverture :
Cette définition est vraie pour des réseaux utilisant un protocole de routage. Pour un réseau
ayant plusieurs zones de couvertures, la durée de vie peut être définie par le temps où un
certain nombre de nœuds sont encore actifs dans cette zone [61], ce nombre pouvant atteindre
l'unité [62] [63].
 Et enfin d'autres auteurs se contentent de définir la durée de vie d'un réseau de

capteurs en pourcentage de nœuds qui ont épuisés leurs batteries, ou en fonction de
taux acceptable de détection d'événements, ou encore la durée pendant laquelle le
réseau satisfait continuellement les besoins de l'application [64].
Parmi ces définitions de durée de vie proposées, les différences entre elles sont moindres. On
peut dire que certaines définitions ne sont que des cas particuliers des autres. Cependant, la
plupart de ces définitions donnent un lien entre la durée de vie de réseau de capteurs et la
notion de consommation d'énergie de ses nœuds capteurs. Ainsi nous définissons la durée de
vie du réseau de capteurs comme étant un pourcentage de nœuds ayant épuisés leurs énergie
c'est-à- dire leurs batteries.
II.3.1. Ajout d'un organe de récupération d'énergie à chaque nœud:
Le moissonnage d'énergie ou la récupération d'énergie (energy harvesting en anglais) est le

processus par lequel de l'énergie provient de sources externes (solaire, éolienne, thermique,
vibratoire, cinétique, chimique, etc.) [65] souvent en petites quantités, puis emmagasinée pour
servir au fonctionnement autonome d'appareils comme par exemple les nœuds de capteurs
sans fils.
Les systèmes récupérateurs d'énergie fournissent en général de très faibles quantités de

courant électrique à des circuits électroniques à basse consommation, qui vont booster cette
quantité pour pouvoir alimenter ou stocker l'énergie d'un nœud de capteur.
Voici quelques-unes des techniques de récupération d'énergie qui sont en développement :
 la piézoélectricité : récupération de l'énergie générée lorsqu'une pression est exercée

sur un matériau piézoélectrique. Les vibrations peuvent également être transformées
ainsi en électricité.
 la thermoélectricité : récupération de l'énergie résultant de la différence de température

entre deux éléments.
 le photovoltaïque : récupération de l'énergie solaire mais aussi recyclage de la lumière

artificielle.
 l'énergie cinétique : énergie issue des mouvements d'un corps.
 l'électromagnétisme : collecte de l'énergie véhiculée par les ondes électromagnétiques.
Avec ces différents moyens de récupérer l'énergie, l'idée est de rendre des équipements
totalement autonomes. Sachant que nous travaillerons avec un réseau de capteurs en in-situ,
nous sommes limités à quelques techniques de récupération d'énergies, notamment l'énergie
photovoltaïque du fait de la luminosité interne et l'électromagnétisme avec l'utilisation des
bornes wifi. Quelques études préliminaires ont montré que l'énergie photovoltaïque interne est
plus avantageuse que l'énergie électromagnétique, car la limitation en puissance émission in-
situ des équipements sans fils fait que la puissance récoltée est très faible par rapport à la
puissance de l'énergie photovoltaïque. En plus selon la fréquence wifi (2.4 Ghz ou 5 Ghz) on
aura des modules de récupérations plus ou moins encombrants.
II.3.1.1. L'énergie photovoltaïque

Plusieurs auteurs ont étudié les possibilités de faire la récupération d'énergie photovoltaïque
in- situ pour les nœuds de capteurs. L'environnement intérieur peut être éclairé par des
rayonnements solaires (indirects) ou sources artificielles (des lampes fluorescentes, des
lampes incandescentes ou LED). Le spectre intérieur est donné par la superposition de la
lumière
artificielle et de la lumière du soleil. L'intensité du spectre en intérieur est de l'ordre de 1
mW / cm² et l'extérieure d'environ 0,1 W / cm² [66]. L'efficacité d'un système de moissonnage
d'énergie, pour l'environnement intérieur, dépend principalement de la performance du
transducteur (un dispositif photovoltaïque). L'utilisation d'un dispositif photovoltaïque est
conditionnée par la détermination des conditions d'éclairement. Il est important de caractériser
une source d'énergie pour choisir le type de cellule photovoltaïque. Parmi les différentes
cellules solaires existantes, on peut constater que les cellules solaires de silicium amorphe
sont adaptées à l'utilisation dans l'environnement intérieur, car elles sont les plus sensibles à la
lumière artificielle [67]. Cependant, ils ont une faible efficacité (environ 12,5%), par rapport
aux cellules de silicium multi-cristallin (20,4%) ou aux cellules de silicium monocristallin
(25%) [66]. L'efficacité d'un système est définie par la formule suivante :
P (II.2)
 %  s 100
Pe
 : Rendement Ps : Puissance en Pe : Puissance en sortie

entrée
Alessandro Liberale et al [68] dans leur article ont étudié un système d'exploitation d'énergie
photovoltaïque pour une application de réseau de capteurs sans fil sur le corps humain. Le
dispositif est capable de stocker dans une batterie ou super condensateur l'énergie produite par
le récupérateur d'énergie, d'acquérir des données à partir d'un capteur de corps générique et de
transmettre l'information sans fil à un point central. Le système est alimenté par un module
photovoltaïque à couche mince (PowerFilm SP3-12), capable d'assurer un bon
fonctionnement du système, même dans les conditions d'éclairement intérieur. L'énergie est
accumulée dans un super condensateur, et une fois que le seuil de référence d'énergie est
atteint, les données du capteur sont collectées et transmises au récepteur.
Le module photovoltaïque flexible PowerFilm SP3-12 est une cellule de 12.7 x 64 mm², en
silicium amorphe, elle garantit une bonne efficacité de conversion d'énergie même lorsque le
niveau d'irradiation direct est très faible, comme dans le cas de l'éclairage intérieur. Ces
cellules solaires sont particulièrement bon marché et offrent un grand nombre d'avantages,
comme la haute fiabilité, une longue durée de vie active, un faible impact environnemental.
Une caractérisation du module photovoltaïque a été effectuée à l'aide de la méthode SVO
(Single- Variable Optimization method) [69]. Ainsi, il a été possible d'évaluer le courant
délivré par ce module dans différentes conditions environnementales. Les tests ont été
effectués sous éclairage artificiel et naturel, car le système a été conçu pour fonctionner à la
fois à l'intérieur et à l'extérieur [68].
Ainsi, nous avons effectué l'évaluation du courant de la cellule solaire (Solar Cell Module
YH- 39X35 max 4V 35 mA) associée à un convertisseur DC-DC élévateur (booster bq25504)
comme montre la figure II-9.
Figure II-9 Mesure de la récupération d’énergie
A partir de la tension de la cellule solaire (U p tension d'entrée), on veut mesurer le courant de

recharge pour une batterie de tension UBat, voir figure II-9.
Le tableau ci-dessous nous donne les résultats des mesures en fonction du taux de luminosité.
Luxmètre (Lux) Up (V) UBat (V) I (mA)
4530 3.4 3 12*10-3
20500 3.76 3 1.2
32500 3.88 3 3.5
40000 3.9 3 5.47
76500 4.1 3 9
… 4.2 0 12
Tableau II-1 Résultats des mesures de récupération d’énergie
Le module bq25504 est un convertisseur DC-DC élévateur, il est fabriquée par Texas
Instruments (Figure II-10). Le bq25504 est spécialement conçu pour acquérir et gérer
efficacement des puissances DC de l'ordre de quelques milliwatts (mW). Il ne requiert que
quelques microwatts de puissance continue pour commencer à fonctionner.
Figure II-10 Module bq25504
Le convertisseur élévateur peut être mis en démarrage avec une tension d'entrée VIN de 330
mV minimum, et une fois démarré, peut continuer à fonctionner même avec des tensions V IN
qui peuvent descendre jusqu'à 80 mV.
Afin de maximiser la puissance extraite à partir d'une source de récupération d'énergie, le

bq25504 effectue une régulation du courant fournie à la batterie.
Nous avons effectué un test pour voir le fonctionnement du système de récupération d'énergie
avec la tension UBat à différents niveaux. UBat est générée par la Keithley 2450 puis on mesure
le courant I (figure II-11).
Figure II-11 Banc de mesure de la récupération d’énergie
Les résultats du test dans la figure II-12 montrent une diminution progressive du courant par
rapport à la tension UBat. Quand la tension UBat est supérieure à 3.8 V, le convertisseur DC DC
arrête de fournir un courant à la batterie.
Figure II-12 Niveau de courant récupéré
Nous avons mesuré la luminosité d'une pièce éclairée par la lumière artificielle (figure II-13-
a), nous avons obtenu 560 lux à 2 m de la source et plus de 20.000 lux à moins de 1 m.
Sachant que pour avoir 1,2 mA de courant récupéré, il nous faut environ 20.000 lux. Il est
possible de recharger notre batterie s'il en se place à moins d'un mètre de la source lumineuse.
Nous avons aussi mesuré la luminosité d'une pièce éclairée par la lumière naturelle (figure II-
13-b), nous avons obtenu des valeurs de 550 à 6000 lux à l'ombre. Sachant que des journées
ensoleillées nous avons des taux de luminosités qui dépassent les 50.000 lux en extérieur. La
mesure du taux de lux dans la pièce sur des surfaces ensoleillées donne un max de 56300 lux.
Il est donc possible de recharger la batterie soit par la lumière naturelle ou artificielle des
pièces.
a) b)
Figure II-13 a) La luminosité dans une pièce éclairée b) La luminosité naturelle dans une pièce
II.3.1.2. L'énergie des ondes Radiofréquences (RF):

La récupération d'énergie RF consiste à transformer l'énergie des ondes électromagnétiques
contenues dans les sources RF ambiantes en une tension électrique continue. Ce type de
système est appelé rectifying antenna ou rectenna (figure ci-dessous). Une rectenna typique se
compose d'une antenne de réception suivie d'un réseau d'adaptation d'impédance, un
redresseur, un filtre dc ainsi qu'une charge représentant l'impédance équivalente du capteur à
alimenter.
Figure II-14 RECTENA
L'énergie RF ambiante est l'une des sources de récupération d'énergie dont on peut disposer
un peu partout.
La première source d'énergie RF de l'environnement est l'énergie RF émise par les services
des télécommunications. Lors du moissonnage d'énergie dans la bande GSM ou WLAN, on
doit faire face à des niveaux de densité de puissance beaucoup plus faibles. Pour des distances
de 25-100 m à partir d'une station de base GSM, des densités de puissance de 0,1 à 1,0 mW /
m² peuvent être attendues [70] pour des fréquences GSM 900 et GSM 1800. Pour les bandes
de fréquences descendantes totales GSM, ces niveaux peuvent être augmentés de un à trois
selon la densité de trafic. Vu les faibles niveaux de puissances reçues, coupler plusieurs
récupérateurs RF semble être la solution. Ainsi Dinh-Khanh Ho et al [71] présentent une
technique rectenna à double bande pour le système de moissonnage d'énergie RF. Cette
rectenna est créée à partir d'une antenne à double bande et d'un redresseur à double bande qui
fonctionne à des bandes GSM (900 MHz et 1800 MHz). L'antenne monopôle imprimée est
miniaturisée par deux lignes méandres (en contour). Le signal reçu de l'antenne de réception
est redressé par un doubleur de tension à l'aide de la diode Schottky SMS-7630. Cette
rectenna peut récupérer la tension de 183 mV à 415 mV lorsqu'il fonctionne dans un champ
proche et en environnement ambiant. L'efficacité de la rectenna est de 40,8% et 20% à 1834
MHz et 890 MHz, respectivement avec une puissance incidente de - 20 dBm.
L'article [72] présente une nouvelle rectenna large bande pour le moissonnage d'énergie sans
fil ambiante sur la bande de fréquences de 1,8 à 2,5 GHz. Tout d'abord, les caractéristiques de
l'énergie radiofréquence ambiante ont été étudiées. Les résultats ont ensuite été utilisés pour
faciliter la conception de l'antenne. Un nouveau circuit d'adaptation d'impédance à deux
branches a été introduit pour améliorer les performances et l'efficacité du rectenna. Cette
adaptation permet de récupérer les puissances de 3 fréquences (1.8 Ghz, 2.1 Ghz et 2.4 Ghz).
La puissance de sortie de la rectenna proposée est d'environ -15 dbm, il est meilleur que les
autres modèles de rectenna publiés avec une taille d'antenne similaire dans la même condition
ambiante.
La seconde source de l'énergie RF est le WIFI, vu son utilisation massive dans les habitations
ou bâtiments publics. Les mesures dans un environnement WLAN indiquent des niveaux de
densité de puissance moindre que ceux du GSM [73].
Vu les faibles niveaux de densité de puissance WIFi et ceux GSM mono bande, il est difficile
d'alimenter un nœud de capteur sans fil, à moins qu'une grande surface ne soit utilisée pour le
récupérateur d'énergie. Ceci a été clairement démontré par Alanson et Smith [74]. L'énergie
transmise par une station de télévision à proximité (distance: 4 km) a été utilisée pour
alimenter un capteur de température grâce à une antenne d'environ 30 cm sur 20 cm.
L'alternative à cette méthode est d'utiliser une source RF dédiée positionnée à proximité (à
quelques mètres) du nœud du capteur, en respectant le niveau de puissance d'émission
règlementaire. La puissance reçue au niveau d'un dispositif RF (placé à une distance R d'une
antenne émettrice à la puissance de transmission Pt) est décrite par l'équation [I-1] définie
précédemment.
Afin d'avoir une cartographie des ondes électromagnétiques présentes dans notre zone de
surveillance, nous avons effectué une analyse de fréquence allant de 1.5 Ghz à 2 Ghz en
utilisant une antenne K ainsi qu'un analyseur de spectre. Grace aux facteurs d'antennes on
peut déduire le niveau de champ ambiant (E) en sortie d'antenne puis en déduire la tension de
sortie [75].
480 2  1
Fa 
 2  GR
ke Re  Impédance de
sortie de l'analyseur de spectre Gk  Gain antenne (II.3)
K
E  Fa U (II.4)
U  Amplitude de la tension sortie
Les résultats sont classés selon 3 emplacements différents dans la zone de monitoring.
Figure II-15 Le niveau de champs à la position A
Figure II-16 Le niveau de champs à la position B

Figure II-17 Le niveau de champs à la position C
On remarque que des différents niveaux de champs analysés, le GSM 900, 1800 et le WIFI
offrent des niveaux intéressants mais pas assez pour alimenter un convertisseur élévateur.
II.3.2. L'optimisation du RCSF par les couches du protocole
A partir de la généralité sur les réseaux de capteurs sans fils, nous avons vu que le protocole
IEEE 802.15.4 ne s'étendait que sur deux couches (physique, liaison de données) du modèle
OSI. Les performances énergétiques de chaque couche du modèle OSI sont interdépendantes.
Faire une optimisation inter-couches d'IEEE 802.15.4 demande un équilibre parfait entre les
couches pour éviter une surconsommation au niveau de chaque couche. Par exemple en
réduisant la puissance d'émission, on perd en sensibilité et cela peut engendrer des
retransmissions. La figure ci-dessous montre les niveaux d'interactions sur lesquels une
optimisation inter-couches est nécessaire pour améliorer l'efficacité énergétique d'un nœud
utilisant le protocole IEEE 802.15.4.
Figure II-18 Optimisation inter-couches

D'après cette figure, l'optimisation de chaque couche est indépendante mais leurs
performances sont liées. L'optimisation inter-couches peut être presque divisée en deux
sections :
 la première traite de l'interaction entre la couche physique PHY et le contrôle

d'accès au medium MAC.
 la seconde exploite les interactions entre la couche MAC et la couche application.
Dans la littérature, il existe de nombreuses études qui tiennent compte de l'utilisation de

réseau de capteurs sans fil dans les applications de surveillance environnementale et
l'évaluation des performances des IEEE 802.15.4. Dans les études récentes [76] [77],
l'importance de la fiabilité, de la rapidité et de la qualité du service (QDS) dans les
communications sur les réseaux intelligents a également été montrée, et principalement sur la
couche de contrôle d'accès medium (MAC). Ces performances changent en faisant varier les
paramètres MAC selon les procédures effectuées sur la couche d'application. La couche MAC
fait un pont entre les exigences de la couche application et les conditions du réseau de la
couche PHY.
II.3.2.1. Optimisation de la couche PHY :
Comme nous l'avons noté dans le chapitre précédent, la couche PHY du protocole 802.15.4
gère principalement l'activation et la désactivation du module radio avec un mécanisme de
contrôle de la qualité du signal, détection d'énergie et CCA, le test du médium, la transmission
des trames et leur réception.
L'exécution de ce mécanisme est effective grâce aux matériels présents sur la couche PHY.
Pour avoir une efficacité énergétique il est donc nécessaire d'étudier les différentes techniques
de traitement associées à la mise en œuvre de cette couche physique.
Ces techniques doivent être les moins gourmandes possibles en énergie et doivent permettre
d'adapter le signal radio au canal de propagation et d'améliorer la qualité des transmissions en
diminuant le nombre de bits erronés en réception. Ainsi nous avons défini les blocs
fonctionnels qui sont effectués sur la couche PHY, comme illustre la figure [II-19].
Figure II-19 Blocs fonctionnels transmission/réception
La partie réception étant une station de base alimentée électriquement, nous n'étudierons que
les blocs de l'émetteur.
 Le bloc capteurs :
Le bloc capteurs est l'ensemble des dispositifs ou transducteurs qui vont transformer l'état des
grandeurs physiques observées en grandeurs utilisables par le microcontrôleur (MCU). Le
choix des transducteurs ne doit pas se faire aléatoirement. Il est nécessaire de faire une étude
sur leur consommation et le temps de réaction nécessaire pour effectuer une mesure. Le
tableau ci-dessous montre une étude entre deux capteurs thermo-hygrométriques: le SHT75
[78] et le DHT22 [79].
a) b)
Figure II-20 Capteur a) DHT 22 b) SHT 75
Model DHT22 SHT75
Power supply 3.3-6V DC 2.4-5.5V DC

Current supply Measuring Min : 1 mA Max :1.5 mA Typ : 0.55 mA Max :1 mA
Response time 2s 5s
Output signal digital signal digital signal
Accuracy Humidity:+-2-5%RH; Humidity:+-1.8%RH;

temperature :=<+-0.3Celsius
temperature <+-0.5Celsius
Tableau II-2 Comparatif entre DHT 22 et SHT 75
 Informations capteurs:
Ce bloc-ci est la partie effectuant les calculs dans le nœud de capteur. Il inclut un
microcontrôleur qui permet de traiter les signaux provenant des transducteurs. Ainsi choisir
un nœud de capteurs revient à choisir un dispositif qui a un microcontrôleur moins gourmand
en énergie et qui offre plusieurs modes de fonctionnement. Le tableau II-3 montre une
comparaison entre le microcontrôleur du nœud SensorTags [80] de chez Texas Instruments et
celui du Waspmote [81] de chez Libelium.
Model CC2650 - SensorTag Waspmote
CPU ARM Cortex-M3 ATmega1281
Frequency >48 MHz 14.74 MHz
SRAM 20 kB 8 kB
EEPROM 8 KB 4 kB
FLASH >128 kB 128 kB
Power consumption (On) 17 mA ≈5 mA
Low Power consumption Yes Yes

mode
Tableau II-3 Comparatif entre SensorTag TI et Waspmote

 Le Bloc codage :
Le codage de l'information concerne les moyens de formaliser l'information afin de pouvoir la

manipuler, la stocker ou la transmettre. Il ne s'intéresse pas au contenu mais seulement à la
forme et à la taille des informations à coder. Il peut s'appliquer en protégeant l'information
émise contre les perturbations du canal de transmission (DSSS) susceptibles de modifier son
contenu. Il peut aussi rajouter de la redondance afin de pouvoir détecter et corriger les erreurs
lors de la réception comme le codage CRC [82].
 Le Bloc modulation :
Avant la transmission de l'information dans le canal RF, le système effectue une modulation
qui permet de transformer la forme du signal d'origine en une forme adaptée au canal de
transmission. Le choix du type de modulation est décisif et déterminant pour optimiser la
robustesse et la consommation inférée par la couche physique.
La forme la plus utilisée de modulation est la transmission sur une porteuse dont le principe
est fait en variant les paramètres d'amplitude et d'argument (phase/fréquence):
x(t)  a(t) cosw(t)  (II.5)

(t)
Où a(t) représente l'amplitude du signal modulé, f(t) = ω(t)/2П sa fréquence et ф(t) sa phase.
Le Bloc canal de transmission et bruit:
Le canal de transmission est un bloc de la couche physique qu'il est important d'étudier avant
un déploiement de réseau de capteurs. Le bruit et les interférences générés dans la zone de
couverture doivent être connus pour pouvoir adapter les niveaux de puissance des nœuds. Le
niveau de puissance des nœuds étant faible en comparaison à d'autres systèmes exploitant la
même bande ISM de 2,4 GHz comme la norme IEEE 802.11, Bluetooth et micro-ondes, le
réseau est potentiellement susceptible d'interférences.
Le déploiement étendu d'appareils Wi-Fi dégrade considérablement les performances de l'IEEE

802.15.4 comme montre la figure II-21 des canaux utilisable par le WIFI et le 802.15.4.
Figure II-21 Canaux utilisable par le WIFI et le 802.15.4
Le changement de canal comme stratégie d'installation de réseau de capteurs est une solution
pour augmenter la puissance de transmission et faire face au bruit. Mais tous les protocoles
n'ont pas la possibilité d'exploiter cette solution. On peut voir sur la figure II-21 les
interférences entre les canaux WIFI et 802.15.4.
Figure II-22 Interférence des canaux entre WIFI / 802.15.4
Ainsi pour IEEE 802.15.4 l'analyse des performances du canal à sélectionner est nécessaire.
L'article [83] analyse la performance de l'IEEE 802.15.4 sous l'influence du WIFI, les
résultats montrent une variation du TEP jusqu'à 80% selon les cas d'étude. A. Berger et al.
[84] quant à eux ont développé une procédure de gestion de canal pour les WSN à évolutions
dynamiques des scénarios d'interférence. Une courte période de surveillance est utilisée pour
échantillonner les valeurs d'indication de la force du signal reçu d'un ensemble de bandes de
fréquences. Une campagne de mesure approfondie est effectuée et plusieurs méthodes
d'analyse sont comparées et le choix du canal est appliqué après ce processus. Cette méthode
a permis une réduction de la consommation d'énergie de nœud d'environ 15%.
II.3.2.2. Optimisation de la couche MAC
Comme défini dans le chapitre précédent, la sous couche MAC est responsable de plusieurs
tâches dont le CSMA-CA pour d'accès au canal. Parmi les différentes tâches existantes sur
cette sous couche, le CSMA-CA est l'une des tâches susceptible d'être modifiée et ainsi
apporter une amélioration sur la couche. L'optimisation de cette couche peut se faire pour
améliorer plusieurs paramètres comme le débit, le TEP, la consommation énergétique,…
Les nœuds du réseau de capteurs utilisant le CSMA-CA non slotté comme la méthode d'accès
au canal exploitent trois paramètres principaux, voir figure II-23 :
 CCA
 Back-off (NB et BE)
 ACK
Figure II-23 Transmission en réseau étoile
La couche MAC du protocole IEEE 802.15.4 a été étudiée en profondeur par des analyses
[85], [30, p. 4], [86], [87], [88], [89], [90], des simulations [91], [92] et des expériences
réelles [92], [93], [94]. La plupart de ces études portent sur le mode d'accès au canal CSMA /
CA slotté, tandis que peu sont consacrées au mode d'accès au canal CSMA / CA non slotté.
Dans [95] [96] [97, p. 4], les auteurs ont proposé de nombreuses solutions pour améliorer les
performances en fonction des approches de l'algorithme Back-off modifié. Cependant, ces
paramètres de performance sont plus efficaces que ceux de l'algorithme traditionnel seulement
dans certaines conditions. InesEl Korbi et Leila Azouz [28] proposent une analyse de la
consommation d'énergie de la CSMA / CA non slotté basée sur une modélisation discrète de
Markov du back-off.
Dans notre étude, nous nous baserons sur une méthode conjointe entre la modification des
paramètres impliqués dans le CSMA-CA et la consommation énergétique.
II.3.2.3. Optimisation de la couche Application

Le rôle de couche application est de servir d'interface entre le réseau de capteurs et les
utilisateurs. C'est ici que les utilisateurs voient le rythme et les paramètres mesurés dans le
réseau. Dans un réseau de capteurs, le rythme des mesures peut être effectué grâce à
différentes méthodes (périodiquement, aléatoirement, par interruption, par seuil, ou à la
demande).
La consommation des nœuds diffère selon le type de mesure et son rythme. Dans les
applications de monitoring, les données sont souvent récoltées d'une manière synchrone.
Cependant certains paramètres (température, humidité,…) ont une variation lente par rapport
au temps. Effectuer un échantillonnage périodique entraine un surcout d'énergie du fait de la
redondance de certaines mesures. Ainsi réduire le nombre d'échantillonnage est la méthode
appliquée à la couche application pour améliorer l'efficacité énergétique des réseaux de
capteurs sans fil. Nous appliquerons pour cela la méthode de compressive sensing [98]
(acquisition comprimée).
II.4. Mis en place d'un RCSF pour la modélisation de l'amphithéâtre
L'objectif à terme de la modélisation de l'amphithéâtre est d'élaborer des stratégies de

conduite des équipements thermiques visant à optimiser leur dépense énergétique. Ce projet
regroupe les laboratoires XLIM et GEMH GC&D de l'Université de Limoges pour un
démonstrateur d'outil de diagnostic énergétique dans un bâtiment public. Dans ce type de
bâtiments publics, une part importante des scénarios d'usage est prévisible, de sorte qu'il peut
être envisagé d'anticiper les actions, à condition de pouvoir prévoir la conséquence de
chacune d'elles sur l'évolution future des conditions de confort hygrothermique et des
consommations. Le recours à la Simulation Thermique Dynamique (STD) permet ce type de
prévision, et donc l'optimisation des actions, dans le cadre d'une analyse inverse.
Pour ce faire, nous utilisons un outil ouvert et polyvalent de STD développé au laboratoire
GEMH GC&D qui repose sur un modèle de parois en différences finies 1D, uni-zone. A ce
stade, la simulation se limite à une zone d'intérêt du bâtiment qu'est son Amphithéâtre. La
présente étude montre une première étape de validation du modèle. A partir de conditions
initiales et limites données par les mesures, les résultats numériques en termes de conditions
ambiantes intérieures sont confrontés aux mesures effectives.
II.4.1. Modélisation thermique dynamique de l'Amphithéâtre
Le modèle de paroi aux différences finies repose sur l'équation de diffusion de la chaleur
unidimensionnelle pour étudier la transmission de la chaleur à travers des parois planes,
constituées d'une succession de couches de matériaux. La paroi est discrétisée spatialement en
éléments d'égale épaisseur, chacun des plans constituant une surface isotherme. Pour la
discrétisation temporelle nous choisissons d'utiliser la méthode d'Euler explicite en partie
courante, peu gourmande en temps de calcul, mais non inconditionnellement stable ce qui
nécessite de satisfaire un critère de convergence, compromis entre la finesse spatiale et
temporelle. Pour l'équation d'échange à la surface d'une paroi, nous considérons que les
conditions aux limites à la surface d'une paroi en contact avec une ambiance sont du type
Newton. L'obtention du coefficient d'échange superficiel repose sur une hypothèse de
linéarisation des échanges par convection et par rayonnement, dans la plage de température
qui nous concerne. La surface peut également absorber une partie du rayonnement Courte
Longueur d'Onde (CLO) d'origine solaire.
Il s'agit d'une Simulation Dynamique uni-zone. Les conditions hygrothermiques et de teneur

en CO2 dans le local sont supposées uniformes, ce qui revient à considérer un brassage parfait
de l'air intérieur. Le modèle vise à calculer les évolutions de la température T, de l'humidité
relative HR et de la teneur en CO2 dans la zone. A ces trois grandeurs correspondent trois
équations de bilan, respectivement thermique, hygrique et de CO2.
Données d'entrée mesurées :

T Température extérieure
Hr Sol
Humidité relative extérieure
Flux solaire horizontal
T Température locaux adjacents Capteur

Pe Puissance électrique consommée
TT Températures entrée/sortie radiateurs

Hr
Température air soufflé
Antenne
Humidité relative air soufflé
V
Vitesse air soufflé dans la gaine → débit
Po Pr Lum Ouverture des portes

Présence
Luminosité Carte
Données d'entrée prévisibles :

Oc Nombre d'occupants
(d'après emploi du temps)
Grandeurs de sortie mesurées :

T Température amphi
Hr
Humidité relative amphi
Taux de CO2 amphi
CO2
Figure II-24 Situation schématique de l’amphithéâtre : données d’entrées mesurées/prévisibles et

grandeurs de sortie mesurées [Source : Laboratoire GEMH]
Pour le bilan thermique de la zone, le système étudié est l'air intérieur, considéré comme un
corps de température uniforme. On procède à l'inventaire des flux thermiques échangés par
l'air avec la surface interne des parois opaques et vitrées délimitant l'enveloppe, la surface des
cloisons intérieures et du mobilier, les ponts thermiques. Interviennent aussi dans le bilan la
part convective des apports internes et les apports par introduction d'air. On procède
également à la gestion du rayonnement en considérant le flux solaire absorbé par les parois
opaques externes et la distribution sur les parois internes du flux solaire pénétrant par les
vitrages
Pour le bilan hygrique de la zone, la modélisation néglige les phénomènes de diffusion et de

stockage de l'humidité dans les parois, ce qui est justifié étant donné le caractère faiblement
hygroscopique des matériaux et revêtements de surface utilisés. Le système étudié est toujours
l'air intérieur de la zone dont on effectue un bilan massique des quantités d'eau « entrant ». On
procède à l'inventaire des flux hygriques apportés à l'air que sont les apports massiques
internes et ceux dus au renouvellement d'air. Le bilan hygrique permet de calculer
directement
l'humidité spécifique de l'air intérieur. Les relations entre grandeurs hygrothermiques
permettent alors de recalculer l'humidité relative.
Des tests de validation ont été menés à l'échelle de la paroi (sensibilité au maillage et à la
discrétisation temporelle pour des régimes transitoires élémentaires tels que créneau ERF et
sinus) et de la zone (sur des régimes permanents).
La modélisation proposée doit tenir compte des diverses caractéristiques de la zone étudiée :
 données « géométriques » générales : surfaces et orientation des parois opaques et des

vitrages, nature de l'espace adjacent (extérieur, hall, salles de cours, local
technique…), volume intérieur ;
 propriétés des parois : composition des couches, propriétés thermiques des matériaux,
facteurs solaires des vitrages, états de surface, coefficients de déperditions linéiques
des ponts thermiques ;
 les flux associés à l'ensemble des équipements tels que le réseau de soufflage alimenté
par la CTA, le chauffage statique (radiateurs), l'éclairage et les processus).
Les données d'entrée du modèle sont mesurées à partir du réseau de capteurs (figure II-24).
Elles comprennent d'une part les conditions aux limites externes à l'enveloppe de la zone
(données météorologiques, températures des locaux adjacents), et d'autre part les charges
internes mesurables (puissance électrique dissipée) et les apports énergétiques et massiques
dus aux équipements de chauffage et de traitement d'air (radiateurs, CTA). Les charges
internes dues aux occupants ne pouvant pas être mesurées directement, celles-ci sont déduites
du planning d'occupation de la salle et de l'effectif théorique des étudiants (logiciel de
planification ADE). Leur calcul s'appuie sur des valeurs conventionnelles d'apports sensibles
et latents pour des individus assis. Des capteurs binaires de présence et d'ouverture des portes
donnent des informations complémentaires qui peuvent être corrélées à des anomalies
constatées par rapport au planning.
La détermination du modèle de l'amphithéâtre se base sur une multitude de mesures

différentes (température, humidité, CO2, flux entrée/sortie à la CTA,…). Pour ne pas générer
des erreurs dans le modèle, certains capteurs sensibles pour la modélisation thermique à venir
ont fait l'objet de calibrations supplémentaires en chambre climatique (température, humidité
relative) ou sur banc de soufflage (vitesse d'air dans la gaine) afin de s'assurer d'une bonne
fiabilité des mesures.
II.4.2. Calibrage thermo-hydro
La modélisation thermique de l'amphithéâtre a besoin de mesures fiables pour sa

modélisation. Pour se faire certains capteurs thermo-hydro ont fait l'objet de calibrations
supplémentaires en chambre climatique.
 calibrations supplémentaires en température des différents capteurs :
Calibration des capteurs en température

25,5
24,5
Température (˚C)
23,5
ALMEMO
Capteur TEMP SHT75
22,5
Capteur TEMP MCP9700A
Capteur TEMP DHT22
21,5
20,5
19,5
14:38:2414:52:4815:07:1215:21:3615:36:0015:50:2416:04:4816:19:1216:33:3616:48:0017:02:24
Temps
Figure II-25 Calibration en température
La figure II-25 montre les mesures de différents capteurs effectuées dans une chambre
climatique à partir d'une consigne de 21,5 °C.
 calibrations supplémentaires en humidité des différents capteurs :
Calibration des capteurs en humidité

70
60
50
Humidité (%)
40 ALMEMO
Capteur DHT22
Capteur SHT75
30
Capteur 808H5V5
20
10
0
14:38:24 14:52:48 15:07:12 15:21:36 15:36:00 15:50:24 16:04:48 16:19:12 16:33:36 16:48:00 17:02:24
Temps
Figure II-26 Calibration en humidité
La figure II-26 montre les mesures de différents capteurs effectuées dans une chambre
climatique à partir de différentes consignes d'humidité (25%, 45%, 55% et 65 %). La
calibration a montré que même avec un temps de réponse assez important, le capteur
808H5V5 n'est pas précis.
II.4.3. Mesure CTA (Centre de traitement d'air)
Actuellement, plusieurs systèmes de surveillance de l'environnement intérieur sont

disponibles sur le marché, conformes aux normes en vigueur. Cependant le coût d'installation
de ces équipements est assez conséquent surtout sur les anciens bâtiments.
Ainsi notre nœud de capteur Zigbee low-cost qui mesure des paramètres de confort
(température, humidité et flux d'air) est la solution pour le monitoring des CTA dans les anciens
bâtiments. Le nœud est facile à installer dans la VMC et communique sans-fil avec la station
de base.
Nous avons utilisé deux types de capteurs pour les mesures:
 SHT75 : Pour la mesure de la température et l'humidité.
 Le FS5 + Flow module : Pour la mesure du flux d'air.
 Le capteur de Flux d'air :
Il existe différents types de sondes de mesure de flux d'air, qui sont classés selon leur gamme
de mesure qui s'étend de 0 à 100 m/s. Les sondes thermiques peuvent couvrir toute cette
gamme de mesure mais sont souvent utilisées pour une plage de vitesse inférieure à 20 m/s,
pour des mesures de précision et pour des flux laminaires.
Le principe d'une sonde thermique est basé sur la régulation en température d'un élément;
celui- ci étant refroidi par le flux d'air. La régulation de l'élément est effectuée de manière à ce
que la température revienne à son niveau initial. L'énergie nécessaire à cette régulation est
l'image du flux d'air. Notre capteur de flux d'air sans fil est composé de 4 parties comme
décrit la figure II-27.
Figure II-27 Capteur de débit thermique sans fil
 Capteur de flux à fil chaud:
Le Capteur de flux à fil chaud (FS5) [figure II-28] est un capteur de flux thermique basé sur le
même principe qu'une sonde thermique. Il comprend deux résistances de platine sur une seule
puce. Une petite résistance (heater) est utilisée comme dispositif de chauffage, une résistance
plus élevée (sensor) est utilisée pour la mesure de la température du milieu.
Figure II-28 Capteur de débit thermique (FS5)
 Flow Module
:
Le Flow Module est le dispositif de régulation de la température du heater. L'élément chauffant

(heater) entraine un transfert de chaleur sur le sensor, ce transfert de chaleur est constant (∆T
=30K) quel que soit le milieu. Quand le flux est nul le signal de sortie vaut 3V. Lorsque la
vitesse de flux d'air augmente, il y a refroidissement du heater. Cet effet conduit à une
variation du coefficient de transfert de chaleur ∆T. Par conséquent, la puissance fournie au
heater pour garder ∆T=30K (constante) est fonction du flux d'air comme décrit la loi de L.V
King [ITO 2].
P   A  BV   T
n
(II.5)
h
Ph= Puissance du heater.
V=Vitesse (n=0.5, A et B sont des constantes d'étalonnage empiriques).
Par convention et pour simplifier, l'équation peut être écrite sous la forme suivante [99]:
U  U0  (II.6)
1 h V n
U = Signal de sortie dépendant de la vitesse.
h = Sonstante dépendant du fluide (par calibration).
U0 = Signal de sortie quand la vitesse est nulle.

 DC voltage shifter (DCVS):
Le DCVS conçu à partir de diodes 1N4148 et une résistance (R1) comme sur la figure II-29,
permet d'adapter la tension initiale du flux d'air U0 à une tension plus basse pour élargir la
bande de mesure sur le nœud de capteurs sans fil, sachant que les entrées analogiques du
nœud de capteurs sans fil peuvent lire au maximum une tension de 3,3V.
Figure II-29 Décalage de tension DC
Le DCVS permet de faire décaler le niveau de la tension de 2V pour R1=10kΩ. La conversion

DC to DC est linéaire comme le montre la figure II-30 ce qui permet d'assurer une fiabilité
des mesures. De plus ce système est moins gourmand en énergie que les systèmes intégrants
un amplificateur.
Figure II-30 Conversion DC / DC
 Technique de mesure de flux d'air :
Il est nécessaire d'utiliser des sections de conduits exemptées de perturbations tant avant
qu'après le plan de mesure selon la norme NFX 10-112. Cette norme permet d'avoir un plan
de
mesure de Flux d'air sans perturbations. La figure II-31 nous montre une des conditions que
l'on peut choisir pour mener à bien les mesures de flux d'air.
Figure II-31 Condition de mesure de Flux d'air
 Calibration du capteur de Flux d'air :
La calibration [100, p. 23] [101] de ce dispositif nécessite la mise au point d'un banc d'essai
qui permet de faire circuler de l'air à certaines vitesses :
 Contrôlées par des anémomètres calibrés de marque AhlBorn (distribués par

Wimesure) servant de mesure de référence : deux gammes de vitesses couvertes : 0-
2m/s et 2-20m/s.
 Compatibles avec celles attendues dans la gaine de la CTA : débit nominal annoncé de
1500m3/h (fonctionnement à petite vitesse) ce qui est compatible avec les vitesses
mesurées in-situ avec un anémomètre calibré d'environ 2,5m/s en différents points de
la section.
Figure II-32 Banc de mesure pour la calibration du capteur de flux d’air
Le banc d'essai se compose :
 d'un système d'aspiration à débit contrôlé (de 0 à 60L/s) ;
 d'un tuyau de 3m de longueur et 10cm de diamètre dans lequel l'air circule ;
 de dispositifs de mesure de la vitesse de l'air (anémomètre calibré et capteur de flux de

gaz à calibrer) en deux endroits distincts du tuyau percé pour accéder au milieu de sa
section.
Le montage proposé tient compte de la norme NFX 10-112 vis-à-vis du diamètre du tuyau
employé et des distances séparant les extrémités, les obstacles (jonction aspiration/tuyau :
rétrécissement, coude…) et les positions des capteurs, afin de travailler sur un flux d'air qui ne
soit pas sujet à des perturbations mettant à mal la représentativité des mesures.
La linéarité constatée entre la vitesse débitante (débit imposé par Lindab LT 600 divisé par la section
du tuyau) et la vitesse mesurée (anémomètre calibré au centre de la section) confirme le bon
fonctionnement du banc d’essai pour des vitesses allant de 0 à 10,5m/s.
Figure II-33 Linéarité constatée entre vitesse débitante / vitesse mesurée
Les tensions de sortie du dispositif de capteur de flux d'air permettent d'obtenir une loi de
calibration afin de les convertir en vitesse de l'air. Le modèle empirique donné par l'équation
ci-dessous nous permet de déterminer le flux d'air en fonction de la tension dans la gamme de
mesure de 0,5 m/s à 11 m/s.
 x x    x  (II.7)
 1   t2  t3
t
     
Y  A1  e  A2  e  A3  e B
A1  0,112; A2 0,13; A3 0,144; t1  t2  t3  0, 725 ; B  2, 282
Avec un coefficient de détermination R2=0,997, cette équation permet de calculer le flux dans
la gamme de mesure définie en calibrage.
Figure II-34 Extraction de l’équation de calcul du flux
Enfin, le dispositif ainsi calibré, nous avons voulu comparer ses mesures dans la gaine de la
CTA qui souffle à petite vitesse un débit nominal annoncé de 1500m3/h par le constructeur.
En divisant le débit nominal par la surface de la section on arrive à une vitesse d'environ
2,5m/s dans la CTA. Les mesures faites avec le capteur de flux calibré confirment cette
vitesse en différents points de la section de la CTA lorsque l'air est soufflé en journée (hors
week end). Par calibration nous avons trouvé h=0.44.
Figure II-35 Mesure de débit d'air avec capteur sans fil à faible coût
 Mesure de consommation du capteur de Flux d'air :
Après la programmation du nœud Zigbee, nous avons effectué une mesure de sa

consommation. Nous avons mis le capteur de flux dans une section de tuyau avec au bout un
ventilateur qui souffle à 8 m/s quand il est activé. Le résultat est présenté dans la figure II-36.
Figure II-36 Mesure de la consommation du nœud
La courbe de la figure II-36 présente la consommation du nœud de mesure de flux pendant un

cycle. De 0 à 5 s nous avons le démarrage du nœud et la configuration réseau. A partir de
l'étape 1 on commence la mesure du flux avec le ventilateur à off (0 m/s). On actionne le
ventilateur à l'étape 2 qui génère un flux de 8 m/s, on voit immédiatement une hausse de
consommation qui correspond à la régulation de la ∆T entre le heater et le sensor. Au niveau
de l'étape 3 on arrête le ventilateur, on assiste à une baisse progressive de la consommation
jusqu'à atteindre sa consommation à 0 m/s à l'étape 4.
Alors on peut affirmer que la mesure du flux d'air est l'image de l'énergie nécessaire à la
régulation de ∆T.
II.4.4. Résultats du modèle thermique:

Nous confrontons les grandeurs de sortie mesurées dans l'amphithéâtre avec les résultats du
modèle. Nous nous focalisons ici sur l'exemple d'une semaine de cours en période hivernale.
Nous notons un comportement globalement satisfaisant du modèle thermique. L'évolution
théorique de température ambiante reste comprise entre les courbes mesurées en partie haute
et basse de la zone, qui sont écartées de 2 à 3K. Le modèle uni zone ne permet pas de tenir
compte de ce phénomène de stratification thermique.
Température amphi simulée Température amphi mesurée (haut)
Température amphi mesurée (bas)Puissance sensible occupants
Puissance électrique dissipée Puissance radiateurs
30 15000
Température (˚C)
25 12500
Puissance (W)
20 10000
15 7500
10 5000
5 2500
0 0
HR amphi simuléeHR amphi mesurée CO2 simulé

CO2 mesuré Débit d'air soufflé
CO2 (ppm)
70% 7000
60% 6000
Humidité relaive
Concentration
50% 5000
(m3/h)
40% 4000
Débit d'air
30% 3000
20% 2000
10% 1000
0% 0
Figure II-37 Comparaisons entre résultats de simulation et mesures

(à gauche: températures et apports internes, à droite: humidité relative et CO2).
Même si les allures générales des évolutions simulées de l'humidité et du taux de CO2 sont
globalement cohérentes par rapport aux mesures, des écarts significatifs sont constatés à des
périodes particulières. Une première explication réside dans des différences d'occupation
effective par rapport au planning théorique : écarts quantitatifs (étudiants absents), ou
temporels (confirmés par les indications des détecteurs de présence et d'ouverture des portes).
Pour des séquences de cours se terminant au-delà de l'heure programmée d'arrêt de la
ventilation (17h00), la simulation produit des élévations d'humidité et de CO2 très supérieures
à la mesure. Les influences sur le renouvellement d'air de la perméabilité et de l'ouverture
simultanée ou non des deux portes semblent donc significatives mais restent difficiles à
quantifier. Des études
de sensibilité et d'analyse inverse sont à entreprendre pour mieux évaluer l'influence de
l'ouverture des portes sur le débit d'air balayant la zone sous l'effet du tirage thermique.
II.5. Conclusion
Dans ce chapitre, nous avons vu les différents types d'optimisation qui peuvent être appliqués
à un réseau de capteurs. En analysant toutes les améliorations qui peuvent être faites sur
chaque couche du protocole 802.15.4, il est possible de déployer un réseau de capteurs
autonome. L'application de modélisation de l'amphithéâtre constitue une étape clé pour le
développement d'un outil prédictif à même d'optimiser en temps réel la conduite des
équipements pour réduire les consommations énergétiques. Les conditions aux limites
définissant les données d'entrée sont actuellement circonscrites à la zone de l'amphithéâtre, et
le bon comportement de la STD a été prouvé. En observant la courbe de consommation de la
figure II-36, on se rend compte que l'optimisation est nécessaire sur les nœuds de capteurs
pour rendre le réseau autonome. Le chapitre suivant présente le déploiement du système
bâtiment intelligent campus Brive-la- Gaillarde et les optimisations du protocole 802.15.4 du
réseau de capteurs.
Chapitre III. Déploiement d'une plate-forme d'expérimentation de RCSF sur
campus Brive-la-Gaillarde
III.1. Introduction
Ce chapitre vise à montrer la démarche de déploiement et de mise en œuvre d'un réseau de

capteur dans un bâtiment public de grande dimension, afin d'établir un diagnostic fin du bilan
énergétique. La démonstration pratique de ce travail a été réalisée dans l'un des bâtiments
universitaires du campus de BRIVE.
Ce diagnostic permettra d'identifier les relations entre la consommation d'énergie et les usages
de ce bâtiment. Il nécessite une analyse approfondie de l'état, thermique, hygrométrique et
lumineux du bâtiment ainsi que la détection d'évènements liés à son usage. Pour ce faire il est
nécessaire d'instrumenter le bâtiment avec de nombreux capteurs. Dans un bâtiment existant
le recours à un réseau sans fil est pertinent du fait de sa relative facilité de déploiement quand
on dispose de capteurs autonomes. Cependant, pour simplifier la maintenance, la durée de vie
de chaque nœud du réseau doit être garantie tout au long de l'utilisation de ce réseau, c'est-à-
dire sur plusieurs années. Il est également fondamental, pour des questions de coût, de
complexité et de facilité de déploiement, de minimiser le nombre de capteurs à installer.
Par ailleurs, un modèle thermique du bâtiment, réalisé par une équipe de Génie Civil (section
II-4), nous a permis de connaître l'évolution thermo-hydrique selon les utilisations.
Ainsi la problématique de ce travail a été d'installer un réseau de capteurs optimisé afin de

minimiser la consommation énergétique des nœuds du réseau.
III.2. Architecture du système SMART GRID
Comme le montre la figure 2 de l'introduction générale, le SMART GRID du campus de

Brive est composé de plusieurs blocs. Nous avons un système basé sur un logiciel de type
SCADA (Supervisory Control And Data Acquisition) qui est chargé de récupérer les mesures
par le réseau de capteurs MEDYBAT (Modélisation Energétique DYnamique d'un
BATiment) et le réseau d'automates RAMCES (Réseau Avancé de Mesure de Consommation
Energétique et supervision). Avec les mesures, il a la possibilité de contrôler le bloc des
automates pilotant les actionneurs du bâtiment
Figure III-1 Architecture informatique bâtiment intelligent
III.2.1. Centralisation des mesures avec SCADA
Les systèmes SCADA [102] [103] servent d'interface entre l'utilisateur et les procédés
impliqués dans le système, tels que des machines industrielles, des contrôleurs automatiques
et des capteurs.
Les systèmes SCADA peuvent être utilisés pour de simples applications de détection et de
contrôle ou plus complexes comme un des systèmes centralisés de monitoring et de contrôle
des bâtiments intelligents.
Un système SCADA fourni des pilotes de communication avec différents équipements, un

système d'enregistrement continu de données et une interface utilisateur graphique appelée
«HMI» ou Human Machine Interface. Les graphiques HMI sont disponibles en tant que
boutons, icônes et affichages représentant le processus réel surveillé ou contrôlé.
Les fonctions les plus couramment utilisées dans les systèmes SCADA sont:
 Génération de graphiques et de rapports avec des données historiques;
 Détection des alarmes et enregistrement automatique des événements;
 Contrôle des processus, y compris l'envoi à distance de paramètres et de points de

consigne;
 Équipement de commande et de contrôle;
 Utilisation des langages de script pour développer l'automatisation logique.
Le système de centralisation des mesures considéré dans notre application, est basé sur le
logiciel ScadaBR [104] open source dédié à l'IoT (internet of things) et au M2M (machine to
machine) qui est le centre de stockage et de traitement des mesures. Il intègre un grand
nombre de protocoles industriels (OPC, Modbus série et TCP/IP, ASCII, DNP3, IEC101,
Bacnet, …) ce qui lui permet de récupérer les données d'un réseau de capteurs (MEDYBAT),
du réseau d'automates (RAMCES) et du contrôle des actionneurs.
Grace aux différents protocoles intégrés dans le logiciel ScadaBR, il est possible de récupérer
les données de différents réseaux. Il permet de gérer des équipements, d'automatiser les
systèmes, de visualiser des tendances graphiques, de gérer des alarmes.
III.2.2. Le réseau RAMCES et d'actionneurs

C'est un réseau d'automates qui est constitué de centrales de mesures fournissant les mesures
électriques (tensions, courants, puissances, phase,…), paramètres chaufferie et de
consommation en gaz. Ces centrales de mesures sont installées à chaque étage du bâtiment
Universitaire. RAMCES apporte les détails sur les besoins en puissances du bâtiment,
notamment celui de l'amphithéâtre pour sa modélisation (section II.4).
Le réseau d'automates esclaves est implémenté à l'aide du protocole modbus TCP/IP. Ces
automates commandent des relais qui à leur tour vont gérer l'alimentation de différents
modules.
La figure III-2 montre la disposition des nœuds de mesures dans le campus universitaire.
Figure III-2 Le réseau « RAMCES »

III.2.3. Réseau MEDYBAT
Le réseau MEDYBAT (Modélisation Energétique DYnamique d'un BATiment) est le réseau
de capteur du bâtiment GEII, il permet de mesurer les paramètres comme la température,
l'humidité, la luminosité, la présence…
Il sert à mesurer les paramètres d'ambiance (température, humidité relative (HR), présence,
ouverture, CO2, et paramètres météo: la vitesse du vent, température et HR extérieure, flux
solaire,…) interne et externe du bâtiment. Il utilise le protocole Zigbee pour communiquer.
Les données de mesures sont stockées dans la station de base puis synchronisées dans un
serveur de base de données, qui a son tour l'envoie dans SCADA. Le réseau est implanté dans
un bâtiment d'enseignement de 3 étages dont la structure est représentée à la figure III-3.
Figure III-3 Réseau de capteurs dans le bâtiment GEII
III.3. Installation du réseau MEDYBAT
III.3.1. Matériels utilisés

Déployer un réseau de capteurs nécessite des études préliminaires sur les matériels à utiliser et
le milieu où on effectue l'installation. Dans notre cas l'installation se passe dans un bâtiment
universitaire en structure en béton. Les prérequis de l'installation sont l'utilisation des
dispositifs Zigbee. La disponibilité de nombreux dispositifs basés sur ce protocole Zigbee
(802.15.4) permet le déploiement d'un réseau à moindre coût. Nous avons choisi un matériel
disponible en «open source» «Waspmote » [81] comme End Device et le «Meshlium » [105]
comme station de base pour implémenter notre réseau de capteurs.
 Waspmote :
Le Waspmote V1.2 est un dispositif électronique intégrant le microcontrôleur ATmega1281,

il est basé sur une architecture modulaire. L'idée est d'intégrer uniquement les modules
nécessaires dans chaque nœud. Les nœuds peuvent être modifiés et développés selon les
besoins. Les modules disponibles pour l'intégration dans Waspmote sont classés dans:
- ZigBee / 802.15.4 Modules XBee (2.4GHz, 868MHz, 900MHz)
- Module LoRaWAN (433/868 / 900MHz)
- Module LoRa (868 / 900MHz)
- Module Sigfox (868 / 900MHz)
- Module GSM / GPRS (Quadband: 850MHz / 900MHz / 1800MHz / 1900MHz)
- Module 3G / GPRS (Dual-Band WCDMA / UMTS 900/2100 MHz et Tri-Band GSM / GPRS
/ EDGE 850/900/1800 MHz)
- Module WiFi
- Modules Bluetooth: Bluetooth Low Energy et Bluetooth Pro
- Module NFC / RFID
- Modules de capteurs (cartes à capteurs)
- Module de stockage: carte mémoire SD
a) b)
Figure III-4 Module Waspmote V1.2 a) Vu de face b) Vu de dos
Caractéristiques Waspmote :
Microcontrôleur Fréquence SRAM EEPROM FLASH Dimensions
ATmega1281 14.7456 8 Ko 4Ko 128Ko 73,5x51x13

MHz mm
Tableau III-1 Caractéristiques carte Waspmote
Consommation :
ON Sleep Deep Sleep Hibernate
15mA 55µA 55µA 1 - 0.07µA
Tableau III-2 Consommation des différents modes de fonctionnement
Waspmote dispose de 4 modes de fonctionnement.

 ON: Le mode de fonctionnement normal. Le microcontrôleur reste activer, la
consommation dans cet état est 15mA.
 Sleep (Sommeil): Le programme principal est interrompu, le microcontrôleur passe en
veille, à partir de laquelle il peut être réveillé par tous interruptions asynchrones et par
l'interruption synchrone généré par le Watchdog. L'intervalle de cette durée d'état est
de 32ms à 8s. Consommation dans cet état est 55µA.
 Deep Sleep (Sommeil profond): Le programme principal s'arrête, le microcontrôleur
passe en veille à partir de laquelle il peut être réveillé par toute interruption
asynchrone et par l'interruption synchrone déclenchée par le RTC. L'intervalle de ce
cycle peut être à partir de secondes à quelques minutes, heures, jours. La
consommation dans cet état est 55µA.
 Hibernate (Mise en veille prolongée): Le programme principal s'arrête, le
microcontrôleur et tous les modules Waspmote sont complètement déconnectés. La
seule façon de réactiver le dispositif est par l'alarme déjà programmée dans le RTC
(interruption synchrone). L'intervalle de ce cycle peut être de quelques secondes à
quelques minutes, heures, jours. Presque tous les appareils sont totalement
déconnectés de la batterie: seul le RTC est alimenté par la batterie, à partir de laquelle
il consomme 0.07µA.
Données électriques:
Tension de la batterie Tension de charge USB Tension de charge de la

cellule photovoltaïque
3.3 V - 4.2V 5 V - 100mA 6 - 12 V - 280mA
Tableau III-3 Niveau tension/courant du Waspmote
 La cellule photovoltaïque sert à alimenter ou rechercher la batterie de carte

wapsmote.
Parmi les modules Waspmote possibles, nous utiliserons le module XBee-Pro 802.15.4 -
2.4GHz. Le module RF XBee-PRO 802.15.4 offre une solution adaptée aux déploiements des
réseaux de capteurs. Ils apportent une connectivité radio économique pour une connexion sans
fil (point à point).
Figure III-5 Module Xbee pro S1
Module Fréquence TX Sensibilité Canaux Distance

Puissance
PRO 2.405 - 63.1mW -100dBm 12 7000m

2.465GHz
Tableau III-4 Caractéristiques du module Xbee pro S1
Il est possible d'adapter la puissance d'émission aux besoins.

Figure III-6 Niveau de puissance de Xbee pro S1
La bande de fréquences ISM (Industriel, Scientifique et Médical) utilisée dans les modules
Xbee, contient plusieurs canaux avec une bande passante de 5 MHz par canal.
Figure III-7 Canaux de transmission Xbee pro S1
 Meshlium
Meshlium est un routeur Linux qui fonctionne comme la passerelle à l'interface entre le réseau
de capteurs et le réseau Ethernet. Il peut contenir 6 interfaces radio différentes: WiFi 2.4GHz,
WiFi 5GHz, 3G / GPRS, Bluetooth, XBee et LoRa. De plus, le Meshlium peut également
intégrer un module GPS pour les applications de localisation. Il analyse et stocke en local les
informations envoyées par les capteurs.
Figure III-8 Meshlium
III.3.2. Topologie du réseau MEDYBAT
Il existe plusieurs topologies pour les réseaux de capteurs sans fil qui varient selon le type de
protocole. Nous avons sélectionné des nœuds intégrant la norme 802.15.4. Avec cette norme
nous pouvons exclusivement faire des connexions points à points. Ainsi la topologie en étoile
sera celle sélectionnée. Dans cette topologie le Meshlium envoie ou reçoit des messages via
les différents nœuds du réseau. Les nœuds du réseau peuvent seulement envoyer ou recevoir
un message de la station de base, il ne leur est pas permis de s'échanger des messages.
L'avantage de cette topologie est que les nœuds peuvent être arrêtés complètement sans se
soucier du routage de paquets. Cela apporte déjà une forme d'optimisation du réseau puisque
les protocoles de routage sont relativement consommateurs d'énergie.
III.3.3. Etude de la zone d'installation
Le bâtiment universitaire GEII est un bâtiment public qui reçoit environ 200 étudiants par
jour. Un tel milieu dispose de plusieurs obstacles ou perturbateurs qui peut rendre obsolète
notre réseau de capteurs. Le déplacement des étudiants va générer des atténuations, il faut
faire face à des équipements multimédias comme les bornes WIFI et l'utilisation des
connexions Bluetooth qui peuvent engendrer des retransmissions au niveau du réseau.
Avant de faire une étude de sélection du canal du réseau de capteurs, nous avons mené une
analyse sur la bande ISM pour voir les canaux wifi interférés.
Figure III-9 Occupation spectrale de la bande 2.4 GHz
La figure III-9 montre l'occupation de la fréquence 2.4 Ghz par les bornes Wifi. Il y'a des
bornes wifi qui occupent les canaux 1, 6,11 pour éviter les interférences. Nous avons vu dans
le chapitres II que les canaux 15, 20 et 25 du 802.15.4 n'étaient pas perturbés par la couverture
wifi des canaux 1, 6, 11.
Nous avons donc limité le choix de la sélection du canal du réseau de capteurs sur les canaux
15 et 20 car ils sont intégrés dans le module Xbee pro S1.
Nous avons utilisé le logiciel Spectrum Analyzer de XCTU, pour tester et mesurer le spectre
du canal radio à sélectionner. L'analyse indique le niveau de bruit de chaque canal en donnant
sa meilleure mesure, la plus mauvaise et la moyenne.
Canal 15 20
Niveau Bruit Min [dbm] -96 -96
Niveau Bruit Max [dbm] -34 -35
Niveau Bruit Moyen [dbm] -79 -83
Tableau III-5 Résultats d’analyses des canaux
Les résultats de l'analyse des deux canaux sont donnés dans le tableau III-5 ci-dessus. On voit
que le canal 20 est légèrement meilleur que le 15. C'est pourquoi nous avons déployé notre
réseau dans ce canal.
Pour s'assurer de la bonne communication entre les nœuds et la station de base et avoir un
modèle statique du canal dans le bâtiment, nous mesurons le RSSI des nœuds A n, Bn, Cn (0 ≤
n ≤ 3) du rez de chaussée aux 3 étages du bâtiment. La position de chaque nœud est indiquée
dans la figure III-10 a).
a) b)
Figure III-10 a) Position nœuds tests b) Niveau du RSSI des nœuds tests
La figure III-10 b) nous montre que le RSSI reçu sur la station de base lorsque les nœuds An,
Bn, Cn émettent avec une puissance de 18dBm. La puissance reçue est supérieure à la
sensibilité de la station de base qui est de -100dBm pour chaque étage du bâtiment.
Nous vérifions le rapport RSSI et TEP (taux d'erreur paquet) en vérifiant les trames reçues au
niveau de la station de base pendant une semaine pour chaque nœud (An, Bn, Cn). Chaque
nœud envoie une trame toutes les 30 minutes. Avec le temps d'exécution du code, nous
estimons à 329 le nombre de trames transmises par semaine.
Nous avons remarqué que lors que le RSSI est supérieur à -70dBm, le risque de perte de
paquets est très faible (<0,3% TEP). Nous garantissons ainsi un taux de paquets reçus
recommandé.
III.3.4. Création du Réseau de capteurs sans fil
Les études préliminaires ont permis de déterminer le canal à utiliser dans le réseau. Nous avons choisi
comme station de base le Meshlium avec le protocole 802.15.4. Pour configurer un réseau de capteurs,
il nous faut deux paramètres :
 Le PANID :
C’est un identificateur unique du réseau, il est commun à tous les périphériques du même
réseau. Le coordinateur est responsable de la sélection du PAN ID (16 bits / 64 bits).
 Le canal RF:
C’est le medium utilisé pour la transmission des données. Le coordinateur doit sélectionner un bon
canal afin que le réseau puisse fonctionner correctement.
Nous effectuons la configuration du PAN ID et du canal dans le Meshlium en privilégiant le PAN ID

16 bit pour minimiser la longueur des trames.
Les End devices sont configurés avec les mêmes informations (PAN ID et canal) pour permettre une
communication entre les nœuds et la station de base. Nous distinguons les nœuds
synchrones et asynchrones selon les ends devices.
 Les nœuds synchrones :
Ce sont des nœuds équipés de capteurs d’ambiances (température : MCP9700A, humidité :

808H5V6 et luminosité : LDR). Ces types de nœuds envoient ces informations à la station de
base périodiquement par le billet de l’horloge RTC qu’ils intègrent. Cette période est définie dans
le programme exécuté par le nœud.
Figure III-11 Programme des nœuds synchrones
 Les nœuds asynchrones :

Ce sont des nœuds équipés de capteurs de surveillances (Présence et ouverture) hormis les
capteurs d’ambiances. Les informations sont toujours envoyées de manière synchrone selon
une période définie dans le programme. Mais quand il y a une interruption déclenchée par l’un des
capteurs évènementiel, le nœud sort du mode vieille et envoie l’information.
Figure III-12 Programme des nœuds asynchrones
III.4. Optimisation des nœuds du réseau MEDYBAT
Comme nous l'avions annoncé dans le chapitre II, l'optimisation d'un nœud de capteurs peut
se faire sur différents niveaux des couches du modèle OSI en commençant par le matériel.
Avant de commencer à voir comment optimiser nos nœuds, nous présentons ci-après l'analyse
de la consommation des nœuds avant optimisation.
La mesure de consommation de nœud a été réalisée avec l'instrument de mesure KEITHLEY

2450. Le modèle 2450 de Keithley est un instrument appelé SourceMeter SMU (Source
Measure Unit) de nouvelle génération qui permet de réaliser des tests réels (courant, tension et
résistance) conformément à la loi d'Ohm. Nous mettons une résistance R de 37.3 Ω en
parallèle de waspmote pour stabiliser les changements brutaux de courant du waspmote. Cette
résistance permet d'avoir une consommation en courant très élevé par rapport à la
consommation du waspmote pour éviter les changements brutaux de sa consommation. Il faut
ainsi retrancher 99,18 mA de la mesure de courant, dû à la consommation de la résistance R
pour une alimentation de 3.7V.
Figure III-13 Banc de mesure de la consommation

Prenons l'exemple d'un nœud synchrone équipé de trois capteurs de base du constructeur :
 Température (MCP9700A)
 Humidité (808H5V5)
 Luminosité (LDR)
Ce nœud va mesurer et envoyer ces trois mesures à chaque cycle. Après chaque cycle d'envoi
le nœud se mettra en hibernation. Le programme de base exécute l'algorithme de la figure III-
11.
Figure III-14 Consommation nœud synchrone
La figure III-14 représente la consommation de deux cycles de mesures avec 20 secondes

d'hibernation. La description détaillée des étapes des cycles est présentée dans le tableau III-6.
Le premier cycle va de 0 à 24 secondes en passant par les étapes 1 à 8, puis est suivi de l'étape
d'hibernation 9. Ensuite le deuxième cycle va de l'étape 10 à 17.
Fonctions Etapes Description
1, 10 Mise en marche ou réveil
Boot 2, 11 Initialisation CPU
Setup 3 Activation du mode hibernation (juste pour le 1ier cycle)
4, 12 Exécution de la fonction Setup (initialisation des modules)
5, 13 Lecture température (moyenne de 10 mesures) et luminosité
6, 15 Alimentation capteur humidité en 5V
7, 16 Temps de réponse et lecture d'humidité
Loop 8, 17 Envoie des données et réception ACK
9, 18 Mise en veille (hibernation)
Tableau III-6 Fonctionnement du nœud synchrone
Le premier cycle du nœud intègre la consommation de l'activation du mode d'hibernation,

nous nous intéressons au deuxième cycle qui est représentatif de l'ensemble des cycles du
nœud. La consommation du nœud est étalée sur trois fonctions comme montre le tableau III-1.
Avec une consommation moyenne en courant de 18.72 mA par cycle de mesure exécuté en
20.71 secondes, une consommation moyenne d'environ 1 µA par cycle de veille en 30
minutes, nous pouvons déduire la consommation moyenne Imoy avec la formule ci-dessous :
 ICM  TCM  ICV  TCV (III.1)

Imoy 

TCM  TCV 
ICM: Courant moyen cycle mesure
ICV: Courant moyen cycle veille
TCM: Temps cycle mesure
TCM: Temps cycle veille
L'autodécharge de la batterie rechargeable donnée par le constructeur est de 3% à 10% par

mois. Si on calcul la durée de vie pour un nœud qui envoie les données une fois après 30 minutes
hibernation sans prendre en compte l'autodécharge, on obtient environ une durée de vie de 43
mois.
Figure III-15 Consommation du nœud avant optimisation
La fonction boot étant une fonction de démarrage du nœud, nous ne pouvons pas apporter
d'amélioration conséquente sur celle-ci, sauf à minimiser la longueur du code pour faciliter le
démarrage du nœud. Nous nous sommes plutôt orientés sur l'optimisation des deux autres
fonctions.
III.4.1. Optimisation de la fonction setup :

La fonction setup () est appelée au démarrage du programme. Cette fonction est utilisée pour
initialiser les variables, le sens des broches, les librairies utilisées et les modules. La fonction
setup n'est exécutée qu'une seule fois, après chaque mise sous tension ou reset
(réinitialisation) dans le mode de fonctionnement normal du waspmote. En passant en mode
hibernation cette fonction est exécutée à chaque cycle, d'où l'intérêt de l'optimiser.
Dans notre cas la fonction setup sert à initialiser le module de communication Xbee pro. Nous
configurons les paramètres réseaux (PAN ID, canal utilisé, nom du nœud, sécurité) dans cette
fonction, mais comme cette fonction est exécutée à chaque cycle elle devient énergivore dans
notre programme. Pour optimiser la fonction Setup, nous avons appliqué la méthode de co-
conception hardware / software sur le nœud. Cette méthode consiste à déporter une partie des
fonctionnalités du programme logiciel vers une implémentation matérielle.
Les modules Xbee permettent de programmer le réseau Zigbee directement dans le CPU, ce
qui élimine l'exécution du code Setup et améliorera la consommation de chaque cycle. En
procédant ainsi, nous améliorons la consommation du nœud (figure III-15). Cela réduit le
temps d'exécution de la mesure à 19,83 secondes avec une consommation moyenne en
courant de 18,55 mA par cycle de mesure.
Figure III-16 Consommation du nœud avec la Co-conception hardware / software
En appliquant la Co-conception hardware / software sur le nœud, si on calcule à nouveau la

durée de vie du nœud on obtient environ 45,12 mois.
Les premiers nœuds installés dans le réseau ont profité de ce type d'optimisation. Avec la
durée de vie calculée en fonction de la capacité de la batterie et du courant moyen consommé
par le nœud, nous pouvons déduire le pourcentage réel d'autodécharge connaissant la durée de
vie réelle de nos nœuds (figure III-17).
Figure III-17 Décharge de la batterie en fonction du temps (capacité: 6,6Ah)
La durée de vie des nœuds installés avec l'optimisation Co-conception hardware / software est
de 2 ans 1 mois 21 jours 18 heures 23 minutes (25,718 mois). Ainsi le coefficient
d'autodécharge dont l'expression est donnée par l'équation III-2 est égale à k=0.56.
DV (III.2)
k  DV réel
calculée
DV : Durée de vie
III.4.2. Optimisation de la fonction Loop :

La fonction de Loop () est une fonction qui s'exécute en boucle infinie selon la
programmation normale. Le but de cette fonction est de mesurer, d'envoyer l'information et de
faire des économies d'énergie afin d'entrer dans un état de faible consommation. En étant en
mode hibernation cette fonction ne s'exécute plus en boucle suite à l'arrêt du microcontrôleur.
A chaque période le nœud exécute les deux fonctions (Setup () et Loop()). Dans cette fonction
nous remarquons deux types de consommation, la première due aux capteurs (transducteurs)
pour la mesure et la deuxième due à l'envoie des mesures.
Optimisation du choix du transducteur :
Nous avons remarqué que l'utilisation des capteurs analogiques pour la température et
l'humidité demandaient plus de temps pour la lecture des mesures. Le capteur de température
(MCP9700A) a besoin d'un temps de réponse inferieur à une seconde, mais il lui faut une
moyenne de mesure (10 mesures) pour minimiser les erreurs, ce qui peut rajouter 1 à 2
secondes à la mesure de la température. Quant au capteur d'humidité (808H5V5), son temps
de mesure
est tel que l'énergie consommée par la mesure est supérieure à celle nécessaire à la transmission
de la donnée.
Nous remplaçons nos capteurs de température et d'humidité par un capteur thermo hydrique
(DHT22) qui effectue sa mesure en 2 secondes.
Figure III-18 Consommation du nœud avec un nouveau transducteur
En appliquant l'optimisation Co-conception hardware / software et en sélectionnant un autre

transducteur, la durée de vie des nœuds est de 64,7 mois. Cette durée de vie est calculée en
prenant en compte le coefficient d'autodécharge k=0.56 et un temps d'hibernation de 30
minutes. Si on choisit un temps d'hibernation de 10 minutes, la durée de vie tombe à 21,86
mois.
 Optimisation du nombre de bits à transmettre :
Nous considérons ici que les nœuds synchrones du réseau ont un temps d'hibernation de dix
minutes. Cela signifie qu'il y a une transmission toutes les 10 minutes par nœud. Nous savons
que la consommation à l'émission des paquets est directement liée au nombre d'octets, à la
méthode CSMA-CA et aux retransmissions.
Le module de transmission Xbee pro S1 a un taux de transmission de 250 Kbps à 2.4 GHz de
fréquence pour le protocole 802.15.4. Sa charge utile maximale est de 100 octets et prend 32
µs pour transmettre un octet soit 4 µs par bit.
La couche PHY 802.15.4 permet un maximum de 127 octets par paquet, y compris la charge
utile. Nous cherchons à réduire au maximum la longueur des paquets envoyés par les nœuds.
Les données utiles peuvent être réduites en utilisant des méthodes de compression, mais cela
augmentera du temps de traitement et donc de la consommation. Nous allons optimiser la
taille de l'en-tête du paquet. En passant de la communication par adresse MAC vers une
communication par adressage 16 bits, on réduit de 12 octets la trame dans le champ d'adresse
(figure III-19). On gagne ainsi 384 µs sur le temps de transmission.
Figure III-19 Paquets reçus en 16 et 64 Bits
Dans la trame envoie, les données utiles ont une longueur de 55 octets. En utilisant l'adressage
16 bits l'entête de la trame est passé de 25 octets à 13 octets. Ainsi nous pouvons calculer le
temps de transmission de chaque type de trame.
Ttr   Lh  Lp   32µs (III.3)
Ttr : Temps de transmission, Lh : Longueur header (entête), Lp : Longueur payload (données

utiles).
Théoriquement, le nœud mettra 2,176 ms pour effectuer une transmission avec l'adressage 16
bits et 2,56 ms pour l'adressage 64 bits. En procédant ainsi, nous gagnons environ 0 ,4 ms sur
le temps de transmission. En pratique le temps d'émission est associé à l'algorithme CSMA-
CA qui sélectionne un temps aléatoire pour l'écoute au canal. La figure III-19 montre que la
transmission 16 Bits prend moins de temps et consomme moins par rapport à la transmission
64 Bits.
Figure III-20 La mesure des transmissions 16 et 64 Bits
Nous avons calculé et démontré que la transmission en 16 bits était plus efficace que celui à
64 bits. Sauf que le temps total nécessaire pour transmettre un paquet en 802.15.4 comprend
le temps pour l'algorithme CSMA-CA et les tentatives d'écoute ou de retransmission.
Nous savons que le protocole CSMA-CA écoute le canal de transmission pour s'assurer qu'il
soit libre avant de transmettre les données. Cette étape est appelée le CCA (Clear Channel
Assessment). S'il détecte une activité suffisamment forte sur le canal, il introduira un délai
aléatoire (backoff), puis réessaiera avec un autre CCA. L'exécution du CCA prend 0,128 ms.
Le délai aléatoire backoff est défini par le paramètre BE (macMinBE=0 and macMaxBE=3).
La valeur du BE est configurable à partir du paramètre RN du module Xbee pro S1.
La valeur du backoff est alors calculée par TBCK = ([0 2] ^ BE - 1) * 0.32 ms, par défaut elle
est désactivée et configurée à 0. Après l'envoi d'une trame, le nœud attend un acquittement
(signal ACK) avant de transmettre à nouveau la même trame.
Nous allons analyser comment le protocole CSMA-CA se comporte selon différentes valeurs
de BE. Le Xbee pro S1 par default retransmet une trame trois fois de suite s'il ne reçoit pas
ACK, voir figure III-21. A chaque retransmission il fait appel au protocole CSMA-CA.
Figure III-21 Transmission du module Xbee pro S1
La figure III-21 présente un nœud qui envoie ses mesures (Trame 0) à une station de base qui
n'est pas joignable. Quand le temps de réception ACK est dépassé le nœud fait une
retransmission jusqu'à 3 fois. Les backoffs qui interviennent sur les trames (1, 2 et 3) varient
selon la valeur de BE.
Le temps qui s'écoule entre la trame 0 et la trame 1 de la mesure 1 est égal à la somme des
temps suivant :
TIT  TACK  TBCK  TCCA  (III.4)

TSend
TIT : Temps inter-trames, TBCK : Temps backoff,TACK : Temps d'attente ACK, TCCA : Temps
d'écoute, Tsend : Temps d'envoi de la trame,
 Configuration de BE=0 :
Figure III-22 Retransmission trame avec BE=0
Quand BE est nul, on trouve une seule valeur (3936 µs) pour le TIT. Cette valeur étant
constante, en cas de collision les nœuds vont avoir le même backoff pour retransmettre. Cela
peut entrainer des collisions en boucles.
Quand BE=1, le backoff peut faire un tirage aléatoire entre deux valeurs. On trouve alors un
TIT de 3936 µs ou 4256 µs.
Quand BE=2, le backoff peut faire un tirage aléatoire entre trois valeurs. On trouve alors un
TIT de 3936 µs, 4256 µs, 5216 ou 5536 µs.
On observe que plus BE croît, plus il y'a des valeurs différentes du backoff. Dans l'article
[32], il a été démontré que plus la valeur du BE est élevée meilleure est la probabilité de
succès par rapport à la charge du réseau. Comme le temps de transmission de nos données est
de 2144 µs, nous privilégions un BE qui donne des backoff supérieur au Ttr. La performance
énergétique des différentes configurations de BE est donnée en figure III-26.
Consommation transmission / BE
0,18
0,16
0,14
0,12
Courant (A)
0,1
0,08
0,06
0,04
0,02
0
21,23 21,25 21,27 21,29 21,31 21,33 21,35 21,37
-0,02
Temps (s)
BE=0 BE=1 BE=2 BE=3
Figure III-26 Niveaux de transmissions par rapport aux BE
En observant les courbes de consommation, on constate que les différences de consommation

sur différentes valeur de BE sont insignifiantes comparées au temps de transmission de
données. Ainsi nous privilégions une configuration des nœuds de capteur avec un BE=3.
III.5. Les avantages du système SMART GRID
III.5.1. Application de gestion du bâtiment
Le système de gestion du bâtiment ainsi installé, nous pouvons alors évaluer la fiabilité de ces
services. Le système permet de fusionner toutes les mesures pour la supervision et le contrôle
du bâtiment. Il permet de visualiser en toute simplicité les données collectées par les
différents réseaux.
Figure III-27 Vue graphique du bâtiment intelligent
Le système fournit une visualisation graphique simple et dynamique. Grâce à la performance

temps réel du système, il est possible de générer des alarmes (sonores, visuelles ou même par
mail). Cela permet d'informer les utilisateurs ou les responsables du bâtiment d'une situation
critique du bâtiment. La capacité du système à interagir avec d'autres équipements nous a
permis de l'interfacer avec un automate qui est relié à trois leds (verte, jaune et rouge) sur son
module sortie. L'automate est notre actionneur et les trois leds représentent les consignes de
consommation électrique du campus de Brive.
Figure III-28 Actionneur ou alarme visuelle

En faisant une analyse temps réel de la consommation du campus universitaire de Brive, nous
avons pu détecter les dépassements de consommation relatifs à l'abonnement, en effectuant
des moyennes plus courtes en temps (7 minutes) au lieu de 15 minutes sur le compteur EDF.
Mesure dépassement scadaBR
Mesure dépassement EDF

Le coefficient de correction mesure ScadaBR= 1,12
Figure III-29 Consommation électrique du Campus de Brive
La figure III-29 montre le dépassement détecté par le système de mesure. Le pic de
consommation capté par le système correspond bien à celui détecté par EDF. Grace à l'alarme
visuelle le responsable du bâtiment a pu intervenir rapidement pour minimiser le coup du
dépassement.
III.5.2. Exploitation des données du système

Exploitation des données provenant du réseau de capteurs sans fil est basée sur une
synchronisation de différentes bases de données (Figure III-1). Ce système de synchronisation
de bases de données permet d'améliorer la récupération des données par le système et de
minimiser la problématique de big data.
Figure III-30 Gestion des données du système

Avec environ plus de 60 nœuds de capteurs, on mesure 3 paramètres deux fois par heure
contenant environ 50 octets de données utiles par mesure. Si on considère que les nœuds
asynchrones envoient leurs données au même rythme, on se retrouve avec environ 140 Ko
données ou 2880 trames par jour dans la base de données. Cela devient problématique, plus en
aura de données, moins le serveur de base de données répondra aux requêtes de ScadaBR.
Ainsi le système de synchronisation des bases de données permet d'archiver l'ensemble des
données du réseau de capteurs dans la base de données archives, qui sera accessible à la
demande mais pas en temps réel. Et la base de données locale de la station de base sera vidée
chaque semaine pour permettre un accès temps réel à ScadaBR.
La plateforme installée est actuellement opérationnelle et contient une base de données dense
de plusieurs paramètres. Ces données sont ouvertes à tous avec un accès web, elles ont déjà
permis à l'équipe Xlim Poitiers d'étudier les algorithmes de machine Learning, et aussi à
l'équipe Xlim limoges pour d'exploitation des corrélations spatiales du réseau de capteurs à
appliquer au compressive sensing.
III.6. Conclusion
Nous avons installé, puis configuré notre réseau de capteurs avec deux types de nœuds
(synchrones et asynchrones). Les différentes optimisations effectuées sur les nœuds
synchrones ont amélioré la durée de vie du réseau (environ 22 mois) avec une transmission
toutes les 10 minutes. Une des applications issues de ce réseau de capteurs est la modélisation
de l'amphithéâtre par le laboratoire GEMH de l'université de Limoges que nous expliquons
dans l'annexe. Le réseau ainsi fonctionnel, nous avons par la suite appliqué une optimisation
sur la couche application par la méthode du « compressive sensing », présentée dans le
chapitre suivant.
Chapitre IV. Optimisation de la couche application via le Compressive sensing
IV.1. Introduction
Au cours des dernières années, la compression de données pour une collecte efficace a attiré
beaucoup d'attention sur les réseaux de capteurs sans fil. De nombreux travaux de recherche
ont été entrepris pour concevoir des réseaux de capteurs efficaces énergétiquement grâce à
l'acquisition comprimée [98] (AC en français ou Compressive Sensing : CS en anglais). Selon
le théorème d'échantillonnage Nyquist-Shannon, le taux d'échantillonnage doit être d'au moins
deux fois la largeur de bande du signal pour récupérer parfaitement le signal d'origine. Si la
fréquence maximale du signal est égale à fmax, alors la fréquence d'échantillonnage fe sera
supérieure ou égale à 2fmax (fe ≥ 2 fmax). Cette fréquence minimale d'échantillonnage est
appelée fréquence de Nyquist (fN), fN = 2fmax. De très nombreuses applications (appareils
photos, le signal audio, les caméscopes, …) utilisant des signaux numériques appliquent
encore cette méthode d'échantillonnage.
Le théorème Nyquist-Shannon est appliqué à des signaux respectant des critères bien définis.
Cependant en raison de l'augmentation considérable des données, le traitement et la
transmission d'un signal quelconque, l'application au théorème du type Nyquist-Shannon
devient un défi sérieux. La théorie du CS indique qu'en utilisant un d'échantillonnage sous-
Nyquist, nous pouvons reconstruire de façon précise le signal d'origine à partir de beaucoup
moins d'échantillons que par la méthode traditionnelle. La théorie CS repose entièrement sur
le principe de parcimonie et de l'incohérence existant entre les matrices utilisées dans le
traitement du CS [98].
La suite de ce chapitre est découpée en deux parties. La première, traitera de l'aspect théorique
du CS où son principe de base sera détaillé. La seconde partie sera orientée sur l'application
du CS dans un réseau de capteurs.
IV.2. Compressive sensing

L'acquisition comprimée est une discipline récente de la théorie du signal et de l'information.
Elle est apparue à la suite des articles fondateurs de Candès, Tao et Donoho [106] [107]. Le
principe de ce dernier est de réaliser l'échantillonnage et la compression en même temps,
contrairement à la méthode traditionnelle où le signal est d'abord échantillonné à un taux plus
grand ou égal au taux de Nyquist puis compressé. Le CS regroupe les opérations d'acquisition,
d'échantillonnage et de compression en une seule étape comme le montre la figure IV-1.
Méthode traditionnelle CS
Figure IV-1 Méthode de compression
IV.2.1. Principe du CS
Le CS permet la reconstruction d'un signal de grande dimension 𝑥 ∈ ԹN en utilisant un petit

nombre de mesures M<<N, sélectionnées en appliquant la transformation suivante au signal x
:
y (IV.1)
x
Tel que y ∈ ԹM et Ф ∈ ԹMxN
Avec
x    (IV.2)
 є ԹN
y  A  avec A    (IV.3)
A : Matrice de reconstruction
Ф : Matrice de mesures
T : Matrice de la base de représentation
y : Mesures (Signal compressé)
 : Signal creux
 : Approximation du signal creux
Ainsi le CS est basé sur l'hypothèse que le signal x est parcimonieux dans une certaine base de
représentation codée par la matrice T de sorte que  soit un signal creux.
La figure IV-2 présente les différentes phases d'acquisition et de reconstruction du CS. Le

signal d'entrée 𝑥 ∈ RN est supposé creux dans un domaine T. Le vecteur y ∈ RM représente les
mesures de la phase d'acquisition. Par soucis de simplicité, on suppose idéalement ici que les
mesures ne sont pas affectées de bruit.
Figure IV-2 Les étapes du CS
La recherche de solution pour trouver l'approximation du signal creux  peut se faire avec
plusieurs méthodes. Une des solutions utilisée est la l P norme que nous allons définir à la suite
de ce document. L'algorithme de reconstruction renvoie en sortie l'approximation du signal
noté x . Le vecteur x ∈ ԹN, qui est résultat de la deuxième étape de la phase de reconstruction,
représente une estimation du signal 𝑥.
Le CS s'appuie donc sur deux principes :
 La parcimonie du signal à acquérir.
 L'incohérence qui existe entre la matrice de mesure et la base de représentation

parcimonieuse.
IV.2.1.1. Lp Norme
Une norme est une taille totale ou une longueur de tous les vecteurs dans un espace ou des
matrices vectoriels. La norme peut prendre plusieurs formes et plusieurs noms, les plus
connues sont: la distance euclidienne, erreur moyenne quadratique, etc.
La lp norme de 𝑥 est défini comme:
x p (IV.4)
p
x
i
i
p
où p 
Chaque lp norme est très similaire, mais leurs propriétés mathématiques sont très différentes
et donc leur application aussi. Nous allons définir certaines de ces normes :
 La « norme » L0 :
En réalité la norme L0 n'est pas réellement une norme, plutôt une quasi-norme. Il est définit
comme le nombre d'entrées non nulles du vecteur x. Au niveau du CS la minimisation de la
norme l0 est formulée comme :
min x (IV.5)
0
tel que A.x 
b
La minimisation de la norme l0 est trop complexe et presque impossible à résoudre. Dans de

nombreux cas, le problème de la minimisation l0 est transformé par un problème de norme
d'ordre supérieur tel que la minimisation de la norme l1 et la norme l2.
 La norme L1 :
La définition de la norme l1 est définie comme :
x  i xi (IV.6)
 La norme L2 :
Le plus populaire de toutes les normes est la norme l2, elle est bien connue comme une norme
euclidienne. La norme l2 est définie comme :
x   i x2i (IV.7)
IV.2.1.2. Parcimonie :
Un signal est dit parcimonieux ou creux [108] s'il comprend seulement quelques éléments
significatifs ou non nuls. Si on donne la définition suivante d'un signale parcimonie :
Soit N et s deux entiers tels que 1 ≤ s ≤ N. Soit x ∈ ԹN. Le support de x est l’ensemble
supp(x)  {j{1, N }:  0}
x j
,
où pour tout 1 ≤ j ≤ N, xj est la j-ième coordonnée de x. La taille du support de x est notée

x 0  supp(x)
,
C'est le nombre de coordonnées non nulles dans x. On dit qu'un vecteur est s-sparse (ou
parcimonieux) quand x  et on note par Σs l'ensemble de tous les vecteurs s-sparse de R
0
s
N: s  {x N : x  s}
0
Figure IV-3 Représentation d'un signal creux dans le domaine de la transformation T
La figure IV-3 montre une représentation d'un signal quelconque 𝑥 dans un domaine de
représentation définit par la transformation linéaire T. Le signal 𝑥 n'étant pas creux dans son
domaine d'origine, on fait sa transformée dans un domaine où il sera creux [98] [109].  est la
transformée de 𝑥 dans le domaine définit par T. Dans la représentation vectorielle de  seuls
les cases en blancs (xk) sont les coefficients non nuls (Norme L0).
 0k (IV.8)
, et k « N
Ainsi on peut dire que le signal 𝑥 est alors k-parcimonieux dans la base de représentation T.
IV.2.1.3. Domaine de parcimonie

Le domaine de parcimonie est une base de transformée (DFT, DCT, ondelette,…) permettant
de représenter un signal donné avec un minimum de valeurs non nulles. Le degré de
parcimonie p du signal 𝑥 est défini comme suit :
k (IV.9)
 N
Plus le degré de parcimonie p est faible, plus on peut compresser le signal. Il est alors possible
de reconstruire le signal avec moins d'échantillons. Le nombre de mesures M [98] nécessaires
pour une reconstruction précise doit satisfaire :
M  c  k log N k
10

(IV.10)
Ou c est une constante qui permet d'accroitre ou réduire le nombre d'échantillons.
Le pourcentage du degré de parcimonie [110] p [%] est défini comme suit

:
k (IV.11)
[%]  (1  )*100
N
Le domaine de parcimonie est défini par une transformée temps-fréquence comme les
ondelettes, DFT, DCT. Dans l'article [111] Zhang et al proposent une approche alternative qui
génère la matrice T à partir d'un algorithme d'apprentissage qui s'adapte aux caractéristiques
du signal à mesurer.
 Transformée de Fourier discrète (DFT)
La DFT est calculée à partir de l'algorithme de la transformée de Fourier rapide (FFT) [112].
La DFT permet d'évaluer une représentation spectrale d'un signal. La DFT d'un signal X de
longueur n, noté Y=DFT(X) est représentée par la formule ci-dessous:
n
( j1)(k1) (IV.12)
Y (k)   X ( j) Wn
j1
( 2i )/n
Avec Wn 
 Transformée en cosinus discrète e
La transformée en cosinus discrète ou DCT est l'une des transformées les plus utilisées dans la
compression d'images ou de vidéos [113].
En particulier, une DCT est une transformation similaire à la transformée de Fourier discrète
(DFT), mais en utilisant uniquement des nombres réels. La forme la plus utilisée de la
transformée en cosinus discret est la DCT type-II, généralement appelée «DCT ». La DCT
peut être traitée sur plusieurs dimensions : 1-D, 2-D et 3-D. La matrice DCT-II 1-D est
représentée comme suit :

  C cos(i(1  2 j) (IV.13)
)
ij
2N
Ti,j (matrice DCT) où i et j représentent respectivement les numéros de ligne et de colonne de
la matrice. Ils varient entre 0 et N – 1. C est une constante définie comme suit :

 1
lorsque i  0
C N

 2
lorsque i  0
 N
 Transformée en ondelettes
La transformée en ondelettes est issue du besoin de modifier les coefficients d'une analyse de
Fourier lorsque les caractéristiques fréquentielles du signal varient au cours du temps
notamment lors d'une analyse temps fréquence. Cet outil a été généralisé en analyse d'image
pour obtenir une transformée multi-résolution. Mathématiquement la transformée en
ondelettes d'un signal continu 𝑥(𝑡) ∈ 𝖺 peut être définie par :
−∞
1 (IV.11)
𝑔(𝑠, 𝑟) = ∫ 𝑥(𝑡) · ƒ*𝑠,𝑐(𝑡) · 𝑑𝑡
√𝑠
−∞
Où ƒ𝑠,𝑐 (𝑡) = T (𝑡𝑠−𝑐 ) est la fonction de base dérivée d'une fonction génératrice T(𝑡)
par translation d'une durée 𝑟 et contraction/dilatation d'un facteur 𝑠. ()* représente
l'opération de conjugaison complexe.
Numériquement les valeurs de 𝑠 et 𝑟 sont des valeurs discrètes telles que 𝑠 = 2−𝑚𝑠0 et 𝑟 = 𝑛𝑟0
et la transformée en ondelettes discrète est donnée par :
g m, n

.dtx(t).
1  t0

x(t). * (t).dt  (IV.12)
1
2  ms0

 m,n
2  ms0
  2ms0
Cette expression peut être interprétée comme le produit de convolution du signal 𝑥(𝑡) avec la
fonction T(− 𝑡 ). Concrètement la transformée en ondelettes utilise deux filtres (un filtre
2−𝑚𝑠0
G passe-bas et un filtre H passe-haut) et la décomposition peut se faire sur plusieurs niveaux.
La figure IV-4 montre les coefficients qui sont générés hiérarchiquement à travers une
transformée en ondelettes de niveau 3 [114].
Figure IV-4 Arbre d'ondelettes
IV.2.1.4. L'incohérence
La théorie du CS repose sur le principe d' « incohérence » entre la matrice relative aux
mesures Ф ∈ ԹMxN et celle de la base du domaine parcimonieux T. Afin que chaque mesure
puisse apporter une information globale sur l'ensemble des coefficients, il est important de
respecter
cette incohérence. Pour garantir cela, l'utilisation des matrices aléatoires [115] pour constituer
Ф, offre une grande probabilité sur le degré d'incohérence, quelle que soit la base T.
Par exemple, les processus ci-dessous sont souvent utilisés pour générer la matrice de mesure
Ф et permettent de garantir une incohérence avec la base parcimonieuse T.
 Un processus gaussien identique et indépendamment distribué (i.i.d).
 Un processus aléatoire équiprobable.
La cohérence mutuelle entre Ф et T est définie comme suit [98]:
 ,   N max  , (IV.13)

i, j
i
Où фi et †j représentent respectivement les vecteurs lignes de Ф et les vecteurs colonnes de T.
La cohérence mutuelle est une valeur bornée par les limites suivantes [98] :
1  (, )  N
Si µ(Ф,T)=1, nous obtenons alors un maximum d'incohérence [116] entre Ф et T.
Dans l'article [117] de A et B, les auteurs calculent la cohérence mutuelle entre les matrices Ф
et T avec une formule normalisée :
 ,
 ,   
ij
(IV.14)
N max 
i 2j 2
i, j
Dans le cas du calcul avec une formule normalisé est appliqué µ(Ф,T) varie entre 0 et 1.
Quand µ(Ф,T)=0, on dit qu'il y a une incohérence maximum entre les matrices Ф et T. Et si
µ(Ф,T)=1, il y'a une cohérence mutuelle entre les deux matrices.
Nous avons calculé la cohérence entre Ф et T sur plusieurs gammes de tailles d'échantillons N
(N=1000 ; N=800 ; N=500) aléatoires. Ce calcul est basé sur la méthode de l'article [98].
Quand T est une base de Fourier, nous avons obtenu une valeur de 1, il y a donc une
incohérence totale entre la matrice de mesure et le domaine de Fourier. Nous avons refait la
même opération dans la base DCT, nous avons obtenu une valeur de 1,41. Il est ainsi évident
qu'il y'a une grande incohérence avec la base DCT.
IV.2.1.5. Matrice Mesure et reconstruction
L'outil qui permet de faire la compression du signal dès l'étape d'acquisition est la matrice de
mesure Ф. Elle peut être catégorisée selon ses propriétés ou structures internes, on peut citer
par exemple [110]:
 Aléatoire : les éléments de la matrice sont générés à partir d'un processus aléatoire.
 Déterministe : les éléments de la matrice sont générés à partir d'un processus

déterministe.
 Ternaire : les éléments de la matrice prennent seulement trois valeurs possibles.
 Binaire : les éléments de la matrice prennent seulement deux valeurs possibles.
 Toeplitz : les éléments de la matrice sur une diagonale descendant de gauche à droite
sont les mêmes.
 Bloc-diagonale : une matrice possédant des blocs sur la diagonale principale, tels que
les blocs non-diagonaux soient des matrices nulles.
L'utilisation des matrices binaires {0, 1} est notamment répondue du fait qu'elle est moins
complexe et facilite la réalisation des dispositifs électroniques. Dans l'article [118], il a été
démontré que les matrices de mesure ayant une structure Toeplitz présentent des avantages.
Ainsi nous allons utiliser une matrice de mesure binaire avec une structure descendante de
gauche à droite, la matrice de mesure Ф est une matrice de dimension (MxN) où M et N sont
des lignes et des colonnes dans la matrice. Elle est composée de 1 et de 0 où chaque 1
représente la période que le nœud a transmis de façon aléatoire.
L'étape de reconstruction du signal 𝑥 s'effectue selon l'hypothèse suivante : les M valeurs de

y, la matrice de mesure Ф utilisée ainsi que le domaine T sont supposés connus. L'algorithme
de reconstruction cherche à retrouver les coefficients de  par une approche optimale sous
contrainte basée sur l'hypothèse que  est un signal creux :
min  (IV.15)
 0
Tel que y  A
que

Dans le cas où y est la mesure d'un signal issue d'un processus naturel, il est nécessaire de
relâcher la contrainte d'égalité pour permettre une tolérance d'erreur ε ≥ 0, ce qui permet de
prendre en compte que l'observation est contaminée par un bruit.
2
L'équation IV.11 devient :
ε est l'amplitude du bruit.
min  yTel  A  (IV.16)
 0
que
La résolution de l'équation IV.15 demande une recherche complète de la solution la plus
parcimonieuse  . Plusieurs algorithmes et leurs dérivés ont été proposés pour contourner ce
problème de la norme L0. Nous présentons deux types groupes qui résolvent ce problème
[119]:
i. Les algorithmes convexes :
Les algorithmes convexes résolvent les problèmes d'optimisations par programmation linéaire
[120] pour obtenir une reconstruction. Le nombre de mesures requises pour la reconstruction
exacte est petit mais les méthodes sont complexes en termes de calcul. Il a été démontré que
l'optimisation basée sur la norme L0 est équivalente à une optimisation en norme L1 [121]
[122]. Ces algorithmes permettent de retrouver exactement un signal K-parcimonieux. De ce
fait, le problème posé par l'équation IV.15 peut se réduire en un problème d'optimisation
linéaire, comme le montre la figure IV-5, l'optimisation de la norme L1 reconstruit bien la
même solution que dans le cas de la norme L0. Alors que la minimisation L2 donne une
solution grossière très différente de celle en norme L0. La poursuite de base ou « basis pursuit
(BP) » [123] est un des algorithmes qui traite les problèmes d'optimisation linéaire.
Figure IV-5 Résolution du problème min"𝑥"𝑝 𝑠o𝑢𝑠 𝑙𝑎 𝑐o𝑛𝑡𝑟𝑎i𝑛𝑡e 𝐴 · 𝑥 = 𝑏 dans les différentes normes
𝑥
L0, L1, et L2.
a) norme L0 : le nombre minimal de composantes satisfaisant 𝐴 · 𝑥 = 𝑏 est 1 et la solution est

𝑏
𝑥 = [0 ; ]
𝑎2
b) norme L1 : La solution est le point de contact entre la droite d’équation 𝐴 · 𝑥 = 𝑏

et la courbe définie par |𝑥1| + |𝑥2| = 𝐶 la solution est identique à celle obtenue en norme L0.
c) norme L2 : La solution est obtenue par le cercle tangent à la droite d'équation 𝐴 · 𝑥 = 𝑏.
Elle est différente de la solution en norme L0.
ii. Les algorithmes gloutons :
Ce sont des algorithmes itératifs qui à chaque itération cherchent une solution optimale. Par
exemple la poursuite adaptative ou « matching pursuit (MP) » [124] proposée par Mallat et
Zhang qui consiste à sélectionner à chaque itération l'élément du dictionnaire le plus en
corrélation avec le signal puis de réitérer ce procédé avec le vecteur résiduel. L'orthogonal
matching pursuit (OMP) [125] est une amélioration du MP sur la sélection des éléments dans
le dictionnaire. D'autres algorithmes reposant sur le même principe sont proposés : le
Stagewise OMP (StOMP) [126], le Regularized OMP (ROMP) [127] et le CoSaMP [128]
IV.2.1.6. Les méthodes d'évaluation de la qualité de reconstruction
La qualité du signal reconstruit est évaluée en mesurant la distorsion entre le signal original 𝑥
et celui reconstruit x .
Dans l'article [129] on a défini deux paramètres : le PRD « percentage root-mean-square

deviation» et le SNR « signal to noise ratio » sont définis pour mesurer la qualité de
reconstruction d'un signal. Les auteurs des articles [110], [130] utilisent le SNR pour mesurer
la précision de correspondance entre le signal original 𝑥 et celui reconstruit. Le SNR est défini
comme suit :
(IV.17)
SNR[dB]  20log10
x 2
x x 22
où 𝑥 et x représentent respectivement le signal original et celui reconstruit.
Le PRD quant à lui, mesure aussi la qualité de la reconstruction. Il est défini en pourcentage:
(IV.18)
x x
PRD[%]  2
100
x 2
SNR[dB]  20log10 0.01 (IV.19)

PRD[%]
Yaniv Zigel et al. [129] ont défini des intervalles PRD qui permettent de définir la qualité du
signal reconstruit, voir le tableau IV-1.
PRD[%] Qualité
0–2 Très bonne
2–9 Bonne
9 – 19 Assez bonne
19 – 60 Mauvaise
Tableau IV-1 Qualité de reconstruction
Nous définissons le taux de compression (« compression ratio (CR) ») et le facteur de

compression (« compression factor (CF) ») comme suit :
Le CS capture M mesures au lieu de N échantillons du signal d'origine, le facteur de

compression est défini par :
N
CF  (IV.20)
M
Le taux de compression « Compression Ratio -CR » est défini comme suit
:
NM (IV.21)
CR[%]  100
 
N
 
Où, M et N sont aussi respectivement les nombres de lignes et de colonnes de la matrice de
mesure Ф.
IV.3. Application du CS pour l'acquisition des données des capteurs du réseau

L'application du CS dans un réseau de capteurs sans fil doit permettre de réduire le taux
d'échantillonnage et donc de baisser la consommation du nœud. Avant d'appliquer le CS dans
le réseau nous devons déterminer les différents paramètres qui interviennent dans le CS. La
figure IV-6 illustre l'application du CS d'un signal d'origine 𝑥 aux instants d'échantillonnage i
∈ Գ.
Figure IV-6 Processus du CS
Pour déterminer x nous avons besoin de déterminer Ф et T. Pour cela on recourt au test du CS
sur différents signaux issus des mesures réalisées au sein de la plateforme. La simulation du
CS va permettre de trouver les paramètres pertinents pour appliquer le CS dans le réseau de
capteurs.
Avec un signal de longueur N échantillonné périodiquement, on peut vérifier la validité du CS

en récupérant M valeurs aléatoires. La répartition de ces M valeurs par rapport aux N valeurs
du signal d'origine permet de générer la matrice de mesure Ф. Ainsi le mode de détermination
des M valeurs permet de générer un code qui sera appliqué dans les nœuds de capteurs.
IV.3.1. Détermination de la matrice de représentation W

La matrice T est la matrice de transformation du signal temporel 𝑥 dans un domaine où le
signal transformé est parcimonieux. Pour déterminer le domaine le plus favorable, nous
allons représenter un signal de température dans deux domaines différents : Fourier et cosinus
discrète. Le choix de domaine s'est limité à ces deux domaines du fait de leurs simplicités de
calculs et du fait que le signal de température est un signal continu ayant un comportement
quasi-cyclique (cycles journaliers, saisonniers). La figure IV-7, présente le signal d'un 1
capteur sur la période du 16 au 31 Août 2017.
Figure IV-7 Signal température d’un capteur
Le signal représenté au niveau de la figure IV-7 est transformé dans deux domaines (DCT et
DFT), voir figure IV-8.
a) b)
Figure IV-8 Reconstruction du signal capteur1 a) en DCT / b) en DFT
La figure IV-8 montre la reconstruction du signal température du capteur dans les domaines
de Fourier et de cosinus discrète. Dans cette figure, on voit une représentation du signal dans
chaque domaine choisi, on observe que le signal est concentré sur les basses fréquences.
Pour évaluer nos domaines, nous avons choisi arbitrairement un seuil de bruit de 6% du
niveau max des amplitudes des coefficients (DCT ou DFT). Sous ce seuil tous les points sont
considérés comme non représentatifs. C'est à dire que les coefficients non nuls (K) qui
permettent de calculer la parcimonie du signal et de le reconstruire sont les points supérieurs
au seuil. Avec les éléments non nuls déterminés, nous avons observé que le nombre de
coefficient parcimonieux K de la DFT (K=20) est environ égal aux nombres coefficients DCT
(21). Sur la
précision de reconstruction, on observe que le domaine DFT est plus performant que le
domaine DCT avec un PRD respective de 1,10 et 1,37. Et enfin en comparant les facteurs de
compression nous avons un taux de compression en DCT de 76,6 et un taux DFT de 80 ,5.
Nous avons effectué la même reconstruction sur différents niveaux de seuils, pour déterminer
le meilleur domaine de représentation entre la DCT et la DFT. Cette évaluation s'appuie sur le
facteur de compression (CF) et le PRD. La figure ci-dessous illustre l'évolution du PRD en
fonction du CF de la DCT et DFT :
Figure IV-9 Représentation du PRD en fonction du CF
Cette évaluation montre, plus on tend vers un facteur de compression très grand mieux est
l'utilisation de la matrice DCT. Pour confirmer cette évaluation, une seconde analyse du
coefficient de corrélation a été effectuée.
La figure IV-10 donne le coefficient de corrélation entre signal d'origine et le signal reconstruit.
Figure IV-10 Coefficient de la corrélation
Le calcul de la PRD entre les bases DFT et DCT, a montré que la base DCT a des meilleurs
niveaux de PRD quand le CF est supérieur à 200. La capacité de la matrice DCT à garantir
une bonne reconstruction sur des taux de compression très élevé est déterminé dans la figure
IV-10.
Nous utiliserons donc la base DCT suite à l'impact de l'autodécharge des batteries et la
nécessite des mesures pour un monitoring dites temps réel.
IV.3.2. Détermination de la matrice de mesure Ф

Nous avons dit dans l'une des sections IV.2.1.3 qu'une matrice de mesure aléatoire et
équiprobable respecte l'incohérence avec la matrice de représentation T.
Soit la matrice de mesure aléatoire ФMxN telle que :
1 0 0 0 0 0 0 0 00
0 0
  0 1 0 0 0 0 0
M N 

0 
 0 0 0 0 0 0 0 1
N : Nombre d'échantillons du signal d'origine.
M : Nombre d'échantillons du signal compressé.
L'échantillonnage du signal y doit être aléatoire et l'extraction de la matrice de mesure doit

respecter l'incohérence avec la matrice de domaine. Nous effectuons un test de sélection
aléatoire (la fonction random) sur un signal 𝑥 (de 1348 échantillons) afin de voir si
l'échantillonnage respecte les conditions citées.
Cette matrice est constituée par des permutations aléatoires des colonnes d'une matrice
génératrice qui se met sous la forme.
Φ𝐺 = [1𝑀×𝑀 0𝑀×𝑁−𝑀]
Où 1𝑀×𝑀 est la matrice identité de dimension MxM et 0𝑀×𝑁−𝑀 est la matrice identiquement
nulle de dimensions MxN-M.
Pratiquement la matrice peut être construite à partir de plusieurs méthodes. Les différents tests
ont été effectués sur un ensemble de 1348 échantillons.
 Test 1 :
On réalise un échantillonnage aléatoire du signal 𝑥 en le permutant aléatoirement puis en

récupérant le premier quart des échantillons cela correspond à un facteur de compression de 4.
La permutation du signal 𝑥 est basé sur la fonction rand qui est un le générateur aléatoire de
loi uniforme. Cette méthode revient à réaliser une permutation aléatoire des colonnes de la
matrice Φ𝐺. Afin d'examiner la répartition temporelle des échantillons choisis on a représenté
l'histogramme des intervalles de temps entre les dates d'échantillonnage. Cet histogramme
représenté à la figure IV-11-b montre que les intervalles de temps entre deux prises
d'échantillons de l'ordre de la période minimale d'échantillonnage sont très largement
majoritaires. Ce test permet de déterminer que les échantillons sélectionnés aléatoirement
n'ont pas une loi uniforme. Ainsi cette méthode ne permet pas de générer un algorithme qui
peut être implémenté dans les nœuds de capteurs.
a) b)
Figure IV-11 a) Signal d’origine (Bleu) et signal échantillonné (Rouge), b) Répartition fréquentielle des
échantillons
Le deuxième test schématisé sur la figure IV-13 b) montre la répartition fréquentielle des
échantillons respectant une loi de distribution exponentielle. Dans cet exemple le coefficient
d'incohérence µ(A) est égal à 1,41. Un tel système de mesure aléatoire n'est pas adapter aux
nœuds du réseau de capteurs.
 Test 2 :
On effectue à nouveau un échantillonnage aléatoire du signal 𝑥 grâce à un algorithme qui

réalise une sélection aléatoire de ¼ des échantillons du signal 𝑥.
Figure IV-12 Echantillonnage aléatoire

Cet algorithme va échantillonner aléatoirement un signal 𝑥 de longueur N pour aboutir un
signal y de E échantillons. Le taux d'échantillonnage est de 4 qui va correspondre au ¼ des
indices Y(f) du signal 𝑥. La dernier indice Y(E) de y doit être compris entre [N-4, N]. Le
signal y créé, nous pouvons déterminer la matrice de mesure et vérifier la cohérence entre
cette matrice et la matrice de domaine tout en déterminant la loi de sélection aléatoire. Faire la
simulation du CS en passant par cet algorithme permet de générer un code random que l'on
peut appliquer sur les nœuds de capteurs sans fils.
a) b)
Figure IV-13 a) Signal d’origine (Bleu) et signal échantillonné (Rouge), b) Répartition fréquentielle des
échantillons
Dans ce deuxième test, la figure IV-13 montre une répartition fréquentielle des échantillons
respectant plus ou moins l'équiprobabilité (Loi de distribution uniforme). Dans cet exemple le
coefficient d'incohérence µ(A) est aussi égal à 1,41. Appliquer cet algorithme dans les nœuds
génère des économies d'énergie.
IV.3.3. Reconstruction d'un signal par CS

La matrice de représentation A    ainsi connue, nous avons maintenant tous les
paramètres pour effectuer la reconstruction du signal par CS comme décrit dans la figure IV-
14.
Figure IV-14 Etapes de reconstruction de xi

Nous allons considérer comme signal d'origine le signal 𝑥 de longueur N=1348.
Figure IV-15 Signal de température
A partir de ce signal 𝑥, nous allons faire quatre échantillonnages dont les facteurs de
compressions (CF) seront égaux à 2, 3, 4 et 5.
 Reconstruction d'un signal échantillonné avec un CF=2 :
CF=2 ; CR=50% ; BP_PRD[%]= 1,329; MP_PRD[%]= 1,335; BP_Cor[%]= 98,95; MP_Cor[%]= 98,94;
N=1348 ; Y=674.
Figure IV-16 Reconstruction du signal avec un CF=2

CF=3 ; CR=66.61% ; BP_PRD[%]=0,85; MP_PRD[%]=0,84; BP_Cor[%]= 99,50;

MP_Cor[%]= 99,51; N=1348 ; Y=450.

CF=4 ; CR=75% ; BP_PRD[%]=1,059; MP_PRD[%]=1,057; BP_Cor[%]= 99,314; MP_Cor[%]= 99,318 ;

N=1348 ; Y=337.

CF=5 ; CR=80% ; BP_PRD[%]=1,49; MP_PRD[%]= 1,50; BP_Cor[%]= 98,74; MP_Cor[%]=98,73 ; N=1348 ;

Y=270.

Les résultats de simulation sont résumés dans le tableau IV-3.
Longueur Longueur CF/C Ran[Min BP_PRD/ Cor[%]

du signal x du signal y R [%] Max]
MP_PRD BP / MP
Ech. 1 N=1348 M=674 2 / 50 [1 3] 0,88 / 0,85 99,45 / 99,5
Ech. 2 N=1348 M=450 3 / 66.61 [1 5] 0,85 / 0,93 99,50 / 99,42
Ech. 3 N=1348 M=337 4 / 75 [1 7] 1,06 / 1,06 99,27 / 99,32
Ech. 4 N=1348 M=270 5 / 80 [1 9] 1,61 / 1,64 98,38/ 98,38
Ech. 5 N=1348 M=225 6 / 83 [1 11] 1,88 / 1,89 97,78/ 97,76
Tableau IV-2 Les résultats de reconstructions
Le coefficient de corrélation (Cor) linéaire de deux signaux X et Y est égal à la covariance de

X et Y (Cov(X,Y)) divisée par le produit des écarts-types de X et Y ( X ).
Y
Cor( X , Y)  Cov( X ,Y (IV.22)

)
 X Y
La simulation du CS nous a permis de déterminer les paramètres de compressions à appliquer
à un nœud de capteur. La fiabilité de la reconstruction a été observée sur plusieurs ratios de
compression (CR). En analysant la qualité de reconstruction par rapport au paramètre PRD, la
qualité de reconstruction est très bonne sur l'ensemble de taux de compression. Enfin le
facteur de compression (CF) est le coefficient d'amélioration de la durée de vie des nœuds.
IV.4. Application du CS sur les nœuds de capteurs du réseau
Pour appliquer le CS dans le réseau de capteurs déployé, nous nous sommes basés sur des
résultats obtenus en simulation. Les tests effectués en simulation avec un CF de 2 à 5 ont
donnés de bons résultats. Le choix du taux de compression ne se fera pas uniquement sur le
CF qui impacte la durée de vie du réseau. Le choix est conditionné par la sensibilité et le bruit
sur les mesures des capteurs qui ont été introduits sur l'ensemble des tests, le paramètre
déterminant pour le choix de la compression est alors l'erreur moyenne de reconstruction.
Nous allons donc programmer nos nœuds avec un CF=3 qui est le bon compromis entre le
rythme de mesure aléatoire, l'amélioration de la durée de vie des nœuds et l'erreur de
reconstruction. Les nœuds effectueront une compression de mesure de 1/3, par rapport au
programme initial qui échantillonnait toutes les 10 minutes.
La compression des mesures est basée sur l'algorithme de la figure IV-20 qui met en évidence
la façon dont les nœuds vont sélectionner leurs échantillonnages.
Figure IV-20 Exécution du code CS dans les Nœuds
Le programme des nœuds de capteurs débute par l'exécution de la fonction d'initialisation

(Setup function) qui est déjà optimisée. Ensuite il passe à la fonction de lecture en boucle
(Loop function), où il effectue les mesures des capteurs puis l'envoi des données. La durée
d'hibernation est choisie aléatoirement à l'aide d'un tirage aléatoire d'un nombre de périodes
compris entre hmin et hmax par la fonction random. Afin de renforcer le caractère aléatoire de ce
tirage la graine (« seed ») de la fonction est déterminée par le résultat de la mesure de la
tension analogique d'une broche du circuit non connectée. L'étape de reconstruction est
ensuite menée au niveau du centre de fusion pour obtenir une estimation du signal initial.
Nous avons effectué un test, pour montrer que le code de reconstruction du CS appliqué aux
nœuds de capteurs permet de restaurer fidèlement le signal initial. Le test consiste à installer
deux nœuds de capteurs dans la même pièce à proximité l'un de l'autre. Le premier nœud fait
un échantillonnage périodique du signal toutes les 10 minutes. Le deuxième nœud quant à lui,
est programmé avec un code CS de CF=3.
Nous remarquons qu'entre les signaux initial et compressé (figure IV-21), il existe déjà une
erreur absolue qui est de +/- 0.5 dégrées.
Figure IV-21 Signal d’origine (Bleu) et signal échantillonné (Rouge)
CC
CF=4,03 ; CR=75,2 % ; BP_PRD [%]=1,32; MP_PRD [%]=1,32; BP_Cor[%]= 99,69; MP_Cor[%]= 99,68;
N=4568 ; Y=1136.
Figure IV-22 Reconstruction du signal avec un CF=4,03
Le résultat de la figure IV-22, montre une très bonne reconstruction par rapport à l'évaluation
de Yaniv Zigel et al. [129]. Pour vérifier l'efficacité du CS, nous avons vérifié le niveau de la
batterie entre le nœud synchrone et un nœud intégrant le code CS sur un mois (figure IV-23).
Les résultats montrent une consommation de 2 % (par rapport à la capacité du la batterie) sur
le nœud avec le code CS, et une consommation de 4 % sur le nœud de transmission
synchrone. Sur la période on constate une réduction de moitié de la consommation dans le
nœud exécutant le code du CS.
a) Nœud synchrone b) Nœud code CS
Figure IV-23 Niveau de batterie
Dans ce document nous utilisons le CS à des fins de compression de données et d'optimisation

de consommation énergétique. Il peut aussi être utilisé à des fins prédictives.
Si on considère une matrice de mesure Ф telle que :
1 0 0 0 0 0 0 0 0 0 0
 0 0 0 0
0 1 0 0 0 0 0 
0 0 0 1 0 0 0 00 00 0 0
 
0 0 0 0 0 1 0 0 0 0 0
 
M N 0 0 0 0 0 0 1 00 00 0 0
 
0 0 0 0 0 0 0 0 0 0 0
 
 
0 0 0 0 0 0 0 1 0 0 0

Dans cette matrice le nombre de lignes correspond à la longueur du signal compressé, et dans
chaque colonne la valeur 1 représente l'instant où la trame a été envoyée. Pour pouvoir faire
une prédiction les mesures à venir (30 prochaines minutes dans notre cas), on rajoute un
nombre colonne à 0 correspondant aux prochaines périodes d'échantillonnages (3 périodes
dans notre cas).
CF=4,03 ; CR=71.97% ; BP_PRD[%]=1,32; MP_PRD[%]=1,32; BP_Cor[%]= 99,69;
MP_Cor[%]= 99,68; N=4586 ; Y=1136.
Figure IV-24 Reconstruction prédictive
En se basant sur le signal de la figure IV-21, nous effectuons une reconstruction avec un
CF=4,03 et une prédiction sur les 3 dernières périodes. Pour cela, le signal de mesure va
s'arrêter à l'indice 4050 du signal x. Ainsi en effectuant la reconstruction de x sur une
longueur de 4586 points, on va effectuer une prédiction sur les 3 derniers échantillons.
La prédiction des trois instants nous a donné des valeurs avec une erreur en [+0.3 ; +0.4] °C
pour les deux résolutions (BP et MP). Cette erreur est inférieure à l'erreur relative du capteur
DHT22 qui est de +/- 0.5 °C. On peut donc appliquer le CS à des faits prédictifs pour pouvoir
anticiper les actions.
IV.5. CS spatio-temporel
La mesure de certains paramètres du bâtiment, la température notamment, indique une forte

corrélation spatiale entre les différents capteurs. Cette corrélation spatiale doit pouvoir être
exploitée pour réduire encore le nombre de mesures nécessaires pour reconstituer l'état du
bâtiment. Cette approche a été utilisée par de nombreux auteurs pour procéder à un
échantillonnage aléatoire dans l'espace, qui permet de réduire l'énergie consommée par le
réseau [131] [132]. Cependant la plupart de résultats présentés s'appuient sur une grille
spatiale déterminée pour obtenir la base de décomposition parcimonieuse. Dans notre cas
nous souhaitons nous appuyer sur une liste de capteurs dont la position dans l'espace est elle
aussi aléatoire, c'est-à-dire que les capteurs ne sont pas répartis sur une grille spatiale
déterminée. Les techniques de décomposition suivant la DCT ou la transformée en ondelettes
ne sont donc pas applicables directement. Dans le cadre d'un projet de la fédération de
recherche MIRES nous avons ouvert l'accès aux données aux collègues de Poitiers et avons
travaillé sur deux approches du CS spatio-temporel. Ces deux approches reposent sur une
décomposition de la répartition spatiale des mesures identique et différent dans les
algorithmiques implantées au niveau des capteurs. L'approche dite « CS spatial » exposée ci-
après a été mise en œuvre par nos collègues de Poitiers à partir des mesures réalisées sur la
plateforme. Nous avons pour notre part cherché un algorithme (dit « CS spatio-temporel par
produit de Kronecker ») compatible avec les programmes implantés au niveau des nœuds de
capteurs.
IV.5.1. Recherche d'une base de projection spatiale parcimonieuse
La recherche d'une base de projection repose sur l'analyse en composantes principales (PCA)
de la matrice de covariance telle qu'elle est décrite dans [133]. Si l'on définit la matrice des
mesures effectuées par N capteurs à K instants par X = {𝑥k𝑛}1 ≤ 𝑘 ≤ 𝐾, 1 ≤ 𝑛 ≤ 𝑁, on a à
chaque instant k un vecteur de mesures xk = {𝑥k1, 𝑥k2, ⋯ , 𝑥k𝑁} et le vecteur moyenne
temporelle x̅ = {̅𝑥1̅ ̅, ̅𝑥2̅ ̅, ⋯ , ̅𝑥̅𝑁̅}. La matrice de covariance entre les différentes mesures
est donnée par
1 K (IV.23)
   xx K K  xk  x T
T
1
k
Et les auteurs prennent comme base de décomposition les composantes principales de la

matrice de covariance soit
def
(IV.24)
S 
k  xk  x 
UT
def
T (IV.25)
 x k  x   UN S UN UN  I
k
Où 𝑈𝑁 est la matrice constituée par les composantes principales de la matrice de covariance
obtenue par une décomposition en valeurs singulières (SVD).
Connaissant le vecteur moyen x̅ et la matrice de covariance ∑ on peut reconstituer

l'ensemble des valeurs des capteurs à partir d'une acquisition partielle des mesures en utilisant
les algorithmes d'optimisation en norme l1 déjà décrits précédemment.
IV.5.2. CS spatial
L'approche précédente a été mise en œuvre par nos collègues de Poitiers sur un ensemble de
mesures de 13 capteurs (ceux disposés au 3ème étage du bâtiment). La méthode nécessitant la
connaissance de la moyenne et de la variance des mesures elle nécessite une phase
d'apprentissage où tous les capteurs du réseau vont émettre leurs données. La durée de cette
phase est le résultat de K transmissions synchrones l'ensemble des capteurs du réseau. La
moyenne des mesures et la matrice de covariance spatiale sont calculées à partir de ces
données.
La phase d'échantillonnage aléatoire consiste alors à sélectionner L nœuds parmi N pour

envoyer des données à l'instant k. Ceci est réalisé par un tirage aléatoire qui autorise une
transmission avec une probabilité égale à L/N. Avec les signaux des L capteurs récupérés, on
applique le CS pour reconstruire l'ensemble des mesures des N-L nœuds qui n'ont pas
transmis leurs données (figure IV-25).
Figure IV-25 Reconstruction temporelle des mesures au niveau d’un nœud avec L= 4 et N= 13
La méthode du « CS spatial » donne de bons résultats pour des facteurs de compression

spatiale de l'ordre de 4. Cependant la phase d'apprentissage nécessaire pour mesurer la
moyenne et la covariance des mesures vient réduire de façon significative le facteur de
compression global. La méthode sera particulièrement efficace pour des signaux stationnaires.
Par ailleurs cette approche nécessite de changer l'algorithme d'acquisition implanté au niveau
des capteurs entre les phases d'apprentissage et de mesure aléatoire. Nous avons donc
envisagé une approche alternative qui ne nécessite pas de phase d'apprentissage.
IV.5.3. CS spatio-temporel par produit de Kronecker

La recherche d'une base de représentation parcimonieuse pour des signaux
multidimensionnels a conduit certains auteurs à introduire le concept de « Kronecker
Compressive Sensing » [134].
Concrètement on considère un signal multidimensionnel représenté par la matrice de mesures

qui admet une représentation parcimonieuse suivant ses différentes dimensions. Par exemple
si un signal bidimensionnel de mesures X = {𝑥k𝑛}1 ≤ 𝑘 ≤ 𝐾, 1 ≤ 𝑛 ≤ 𝑁 peut être représenté
dans une base de Fourier les lignes et colonnes de la transformée S de X sont les transformées
de Fourier d'ordre N et K respectivement.
  2i j  (IV.26)

Sk WN  xK où WN  e N  0  i, j  N 1
 
2i j
  
 (IV.27)
Sn WK  xn où WK  e K
 0  i, j  K 1
 
Alors on peut définir les vecteurs VX=vec(X) et VS=vec(S) constitués de l'empilement des
colonnes de X et S respectivement. Ces vecteurs sont liés par la transformation de matrice W
obtenue en effectuant le produit de Kronecker des matrices transformées des lignes et des
colonnes.
Vs  W VX où W  WN WK (IV.28)
La propriété du produit de Kronecker des matrices de transformation est généralisable à un

nombre de dimension supérieur à 2 ou à d'autres transformations que la transformation de
Fourier.
Dans notre cas nous combinons la transformation en cosinus discrète utilisée dans le domaine
temporel avec la transformation spatiale basée sur la décomposition en composantes
principales exposée précédemment. La transformation résultante est donc
W  U T  DCT (IV.29)
N
Si on considère les mesures réalisées sur les 13 capteurs du 3 ème étage représentées à la Figure
IV-26 : Ensemble des mesures des capteurs placés au 3ème étage entre le 20/09/2016 à 0h00 et
le 21/09/2016 à 23h59 on peut calculer la transformée du champ de température spatio-
temporel Vx. Cette transformée est représentée à la Figure IV-27 : Spectre du vecteur champ
spatio- temporel obtenu par la transformation W . On retrouve N ilots de fréquences spatio-
temporelles qui correspondent aux N valeurs singulières de la transformation SVD. Le
nombre de composantes dont la valeur est supérieure à 1% de la valeur maximum est de 323
dans ce cas.
Figure IV-26 : Ensemble des mesures des capteurs placés au 3ème étage entre le 20/09/2016 à 0h00 et le
21/09/2016 à 23h59
Figure IV-27 : Spectre du vecteur champ spatio-temporel obtenu par la transformation W . On retrouve N ilots
de fréquences spatio-temporelles qui correspondent aux N valeurs singulières de la transformation SVD. Le
nombre de composantes dont la valeur est supérieure à 1% de la valeur maximum est de 323 dans ce cas.
On peut donc raisonnablement envisager d'appliquer la méthode du CS en prenant pour

matrice de transformation  la matrice W𝑇. La matrice de mesure A est alors donnée par 𝐴 =
Φ · W𝑇 et le recouvrement du champ de température est obtenu par la minimisation l1 du
spectre du signal spatiotemporel. L'application du CS spatio-temporel sur la première période
sélectionnée du 20/09/2016 à 0h00 au 21/09/2016 à 23h59 a soulevé certains problèmes de
corrélations. Ces problèmes viennent de la transmission synchrone des données qui génère du
bruit pendant la reconstruction.
La deuxième application du CS spatio-temporel a été effectuée sur une nouvelle période

d'échantillonnage du 16/02/2018 au 22/02/2018 dans laquelle les nœuds sont programmés
avec le code CS. Une comparaison entre les mesures initiales et le signal reconstruit est
donnée aux Figure IV-28 : Comparaison des signaux initiaux et reconstruits avec un facteur
de compression de 5. Figure IV-29 Comparaison des signaux initiaux et reconstruits avec un
facteur de compression de 10 pour des facteurs de compression de 5 et 10 respectivement. Les
signaux sont correctement restitués après l'application du CS spatio-temporel.
Signal reconstruit
Signal d'origine
=5 N=13104 M=2583 PRD=0,4 Cor=99,64%
µ=1,27
Figure IV-28 Comparaison des signaux initiaux et reconstruits avec un facteur de compression de 5.
Signal reconstruit
Signal d'origine
10 N=13104 M=1315 PRD=0,79 Cor=98,89%
µ=1,27
Figure IV-29 Comparaison des signaux initiaux et reconstruits avec un facteur de compression de 10.
IV.6. Conclusion
Enfin le chapitre quatre nous a permis de mettre en œuvre une optimisation de la couche
application. Cette optimisation est basée sur la technique du Compressive Sensing (CS), qui
permet d'obtenir des réductions très significatives du nombre de mesures à réaliser. Ce
nombre de mesures impacte directement la consommation des capteurs et représente un
facteur clé de l'optimisation de la durée de vie des capteurs. Les performances de la méthode
ont été évaluées pour l'acquisition temporelle des signaux au niveau d'un capteur ainsi que
pour l'acquisition spatiale mettant en œuvre plusieurs capteurs – cette dernière évaluation
ayant été réalisée à partir des données issues de la plateforme par nos collègues de Poitiers- .
Finalement une approche spatio-temporelle a été menée sur ces ensembles de capteurs avec de
très bons résultats. Certains problèmes rencontrés, comme les remontées de bruit par exemple
ont été résolus. D'autres approches théoriques pour déterminer les bases de décomposition
optimisées ainsi que le choix des algorithmes d'optimisation seront nécessaires pour améliorer
l'application du CS spatio-temporel.
Néanmoins l'optimisation menée révèle un grand potentiel pour l'optimisation énergétique des
réseaux de capteurs d'une part mais aussi pour la mise au point d'un modèle de bâtiment
intelligent à partir d'un apprentissage basé sur les mesures.
Conclusion
En conclusion dans l'ensemble des chapitres, nous avons proposé le déploiement et

l'optimisation d'un réseau de capteurs sans fil pour une application de bâtiment intelligent.
En premier lieu, nous avons commencé par présenter les généralités sur les réseaux sans fil,
plus précisément sur les réseaux de capteurs. Cette étude nous a permis de prendre
connaissance de quelques types de protocoles existants et des topologies qu'ils génèrent.
Dans le deuxième chapitre, nous avons décrit les différents types d'optimisations qui peuvent
s'effectuer dans un réseau de capteurs sans fil. Ces méthodes d'optimisations peuvent être
matérielles ou logicielles. La première optimisation est matérielle, elle passe par l'ajout d'un
organe de récupération d'énergie qui va apporter une efficacité énergétique significative voir
une autonomie totale selon le type de source d'énergie. Nous avons ainsi fait une étude sur
l'ajout d'un organe de récupération d'énergie de type panneau solaire. Les résultats ont montré
qu'il est possible de rendre autonome un nœud installé dans une pièce éclairée par la lumière
naturelle et artificielle à certains niveaux d'éclairage. La deuxième méthode d'optimisation est
logicielle, elle s'appuie sur les couches protocolaires de la norme utilisée dans le réseau de
capteurs sans fil. Dans cette thèse nous avons utilisé la norme ZigBee, plus précisément le
standard 802.15.4, et nous avons montré les améliorations que l'on peut apporter sur chaque
couche. En commençant par la couche physique qui permet de déterminer les caractéristiques
physiques des nœuds, le type de topologie (protocole utilisé) selon la zone d'installation du
réseau, l'étude radio des canaux de transmissions a permis de déterminer le meilleur canal,…
ensuite la couche MAC quant à elle permet d'étudier l'accès au canal, les retransmissions, les
corrections d'erreurs,… Et en dernier la couche application qui est l'interface entre l'utilisateur
et le réseau de capteurs. Au niveau de cette couche on gère le type de mesures effectuées, la
méthode de mesure et sa fréquence. Nous avons effectué l'optimisation de la couche
application par l'application du CS.
Le troisième chapitre a permis de présenter la mise en œuvre de la plateforme d'acquisition de

données du réseau de capteurs et celui des automates. Nous avons fait une description
détaillée de l'installation du réseau de capteurs sans fil qui mesure les paramètres ambiants et
l'état du bâtiment. Aussi nous avons présenté le réseau de mesure des énergies qui est un
réseau d'automates en modbus TCP/IP.
Enfin le chapitre quatre nous a permis de faire une optimisation de la couche application du
standard 802.15.4. Cette optimisation est appliquée grâce au compressive Sensing (CS), qui
permet de faire une réduction de mesures d'un facteur 3 dans notre réseau. La performance de
cette méthode a été évaluée par la corrélation temporelle qui existe sur les mesures un nœud.
Un second test d'évaluation a été effectué par l'équipe Xlim de Poitiers en exploitant la
corrélation spatiale entre les nœuds de capteurs dans le réseau.
Les perspectives des travaux pour cette thèse seraient de :
 Développer un nœud autonome avec un module de récupération d'énergie
 Elargir la zone de couverture en intégrant un routage dynamique optimisé

 Exploiter les corrélations temporelle et spatiale pour une reconstruction plus efficace.
Références bibliographiques
[1] R. Lopes Pereira, J. Trindade, F. Gonçalves, L. Suresh, D. Barbosa, et T. Vazão, « A wireless

sensor network for monitoring volcano-seismic signals », Nat. Hazards Earth Syst. Sci., vol.
14, no 12, p. 3123–3142, déc. 2014.
[2] K. Casey, A. Lim, et G. Dozier, « A Sensor Network Architecture for Tsunami Detection and
Response », Int. J. Distrib. Sens. Netw., vol. 4, no 1, p. 27-42, janv. 2008.
[3] C. Alippi, R. Camplani, C. Galperti, et M. Roveri, « A Robust, Adaptive, Solar-Powered WSN
Framework for Aquatic Environmental Monitoring », IEEE Sens. J., vol. 11, no 1, p. 45-55,
janv. 2011.
[4] V. Jelicic, M. Magno, D. Brunelli, G. Paci, et L. Benini, « Context-Adaptive Multimodal
Wireless Sensor Network for Energy-Efficient Gas Monitoring », IEEE Sens. J., vol. 13, no 1,
p. 328-338, janv. 2013.
[5] K. Shahzad et B. Oelmann, « A comparative study of in-sensor processing vs. raw data
transmission using ZigBee, BLE and Wi-Fi for data intensive monitoring applications », in 2014
11th International Symposium on Wireless Communications Systems (ISWCS), 2014, p.
519-524.
[6] N. Mendes, G. H. Oliveira, et H. X. De Araújo, « Building thermal performance analysis by
using matlab/simulink », in Seventh International IBPSA Conference, Rio de Janeiro,
Brazil, 2001, p. 473–480.
[7] F. Pramudianto, J. Simon, M. Eisenhauer, H. Khaleel, C. Pastrone, et M. Spirito,
« Prototyping the Internet of Things for the future factory using a SOA-based middleware and
reliable WSNs », in 2013 IEEE 18th Conference on Emerging Technologies Factory
Automation (ETFA), 2013, p. 1-4.
[8] M. Berning, T. Riedel, D. Karl, F. Schandinat, M. Beigl, et N. Fantana, « Augmented service in
the factory of the future », in 2012 Ninth International Conference on Networked Sensing
(INSS), 2012, p. 1-2.
[9] P. van Zeijl et al., « A Bluetooth radio in 0.18- mu;m CMOS », IEEE J. Solid-State Circuits,
vol. 37, no 12, p. 1679-1687, décembre 2002.
[10] K. Mikhaylov, N. Plevritakis, et J. Tervonen, « Performance Analysis and Comparison of
Bluetooth Low Energy with IEEE 802.15.4 and SimpliciTI », J. Sens. Actuator Netw., vol. 2,
no 3, p. 589-613, août 2013.
[11] A. Shrestha et L. Xing, « A Performance Comparison of Different Topologies for Wireless
Sensor Networks », in 2007 IEEE Conference on Technologies for Homeland Security,
2007, p. 280-285.
[12] A. Darif, R. Saadane, et D. Aboutajdine, « Energy consumption of IR-UWB based WSN in a
start topology », in 2014 International Conference on Multimedia Computing and
Systems (ICMCS), 2014, p. 663-667.
[13] M. G. Zanchi, « Comparison of Classic Bluetooth and BLE Technical Specifications ». [En
ligne]. Disponible sur:
http://litepoint.com/whitepaper/Bluetooth%20Low%20Energy_WhitePaper.pdf. [Consulté le:
21-juill-2017].
[14] M. Choi, W. K. Park, et I. Lee, « Smart Office Energy-Saving Service Using Bluetooth Low
Energy Beacons and Smart Plugs », in 2015 IEEE International Conference on Data
Science and Data Intensive Systems, 2015, p. 247-251.
[15] « IEEE Standard for Information Technology - Telecommunications and Information Exchange
Between Systems - Local and Metropolitan Area Networks - Specific Requirement Part 15.4:
Wireless Medium Access Control (MAC) and Physical Layer (PHY) Specifications for Low-
Rate Wireless Personal Area Networks (WPANs) », IEEE Std 802154a-2007 Amend. IEEE
Std 802154-2006, p. 1-203, 2007.
[16] « IEEE Standard for Low-Rate Wireless Networks », IEEE Std 802154-2015 Revis. IEEE
Std 802154-2011, p. 1-709, avr. 2016.
[17] « IEEE Standard for Information Technology - Telecommunications and Information Exchange
Between Systems - Local and Metropolitan Area Networks Specific Requirements Part 15.4:
Wireless Medium Access Control (MAC) and Physical Layer (PHY) Specifications for Low-
Rate Wireless Personal Area Networks (LR-WPANs) », IEEE Std 802154-2003, p. 0_1-670,
2003.
[18] S. R. Saunders et A. Aragón-Zavala, Antennas and propagation for wireless
communication systems, 2nd ed. Chichester, England ; Hoboken, NJ: J. Wiley & Sons,
2007.
[19] B. Chowkwale, D. Yadav, et R. Abhyankar, « Energy harvesting techniques for low power RF
sensors », in 2015 17th International Conference on Advanced Communication
Technology (ICACT), 2015, p. 49-53.
[20] F. Touvat, J. Poujaud, et N. Noury, « Indoor localization with wearable RF devices in 868MHz
and 2.4GHz bands », in 2014 IEEE 16th International Conference on e-Health
Networking, Applications and Services (Healthcom), 2014, p. 136-139.
[21] A. Kara et H. L. Bertoni, « Effect of people moving near short-range indoor propagation links at
2.45 GHz », J. Commun. Netw., vol. 8, no 3, p. 286-289, sept. 2006.
[22] M. Liu, M. Zhang, D. Han, L. Lang, et P. Luo, « Performance analysis of a DSSS-based UV
communication with inter-symbol interference », in 2015 20th European Conference on
Networks and Optical Communications - (NOC), 2015, p. 1-5.
[23] M. S. Mezghanni, N. Kandil, et N. Hakem, « IEEE 802.15.4 performance evaluation for the
underground mine radio-channel », in 2016 IEEE International Symposium on Antennas
and Propagation (APSURSI), 2016, p. 2057-2058.
[24] « XBee 802.15.4 Protocol Comparison ». [En ligne]. Disponible sur:
https://www.digi.com/pdf/xbee-802-15-4-protocol-comparison.pdf. [Consulté le: 21-juill- 2017].
[25] « Demystifying 802.15.4 and ZigBee ». [En ligne]. Disponible sur:
http://www.pikkerton.de/_mediafiles/44-whitepaper-zigbee.pdf. [Consulté le: 21-juill- 2017].
[26] « Product manual XBEE 802.15.4 OEM RF Modules ». [En ligne]. Disponible sur:
https://www.sparkfun.com/datasheets/Wireless/Zigbee/XBee-Datasheet.pdf. [Consulté le: 21-
juill-2017].
[27] « XBee-PRO 868 Range Validation ». [En ligne]. Disponible sur:
http://www.comfort.net.tw/wp_xbeepro868range.pdf. [Consulté le: 21-juill-2017].
[28] I. E. Korbi et L. A. Saidane, « Enhanced energy computation of unslotted IEEE 802.15.4 under
unsaturated traffic conditions », in 2016 International Wireless Communications and
Mobile Computing Conference (IWCMC), 2016, p. 976-981.
[29] Z. Dahham, A. Sali, B. M. Ali, et M. S. Jahan, « An efficient CSMA-CA algorithm for IEEE
802.15.4 Wireless Sensor Networks », in 2012 International Symposium on
Telecommunication Technologies, 2012, p. 118-123.
[30] C. Buratti et R. Verdone, « Performance Analysis of IEEE 802.15.4 Non Beacon-Enabled Mode
», IEEE Trans. Veh. Technol., vol. 58, no 7, p. 3480-3493, sept. 2009.
[31] « PRISM - Case Studies - IEEE 802.15.4 CSMA-CA Protocol (ZigBee) ». [En ligne]. Disponible
sur: http://www.prismmodelchecker.org/casestudies/zigbee.php. [Consulté le: 21-juill-2017].
[32] A. Koubaa, M. Alves, et E. Tovar, « A comprehensive simulation study of slotted CSMA/CA for
IEEE 802.15.4 wireless sensor networks », in 2006 IEEE International Workshop on Factory
Communication Systems, 2006, p. 183-192.
[33] F. Wang, D. Li, et Y. Zhao, « Analysis and Compare of Slotted and Unslotted CSMA in IEEE
802.15.4 », in 2009 5th International Conference on Wireless Communications,
Networking and Mobile Computing, 2009, p. 1-5.
[34] K. Kaushal, T. Kaur, et J. Kaur, « ZigBee based wireless sensor networks », Kanchan Kaushal
AlIJCSIT Int. J. Comput. Sci. Inf. Technol., vol. 5, no 6, p. 7752–7755, 2014.
[35] M. Zhou et Z. Nie, « Analysis and design of ZigBee MAC layers protocol », in 2010
International Conference on Future Information Technology and Management
Engineering, 2010, vol. 2, p. 211-215.
[36] « Optimized Link State Routing Protocol (OLSR) ». [En ligne]. Disponible sur:
http://www.ietf.org/rfc/rfc3626.txt. [Consulté le: 21-juill-2017].
[37] P. Jacquet, P. Muhlethaler, T. Clausen, A. Laouiti, A. Qayyum, et L. Viennot, « Optimized link
state routing protocol for ad hoc networks », in Proceedings. IEEE International Multi Topic
Conference, 2001. IEEE INMIC 2001. Technology for the 21st Century., 2001, p. 62-68.
[38] « Ad hoc On-Demand Distance Vector (AODV) Routing ». [En ligne]. Disponible sur:
https://www.ietf.org/rfc/rfc3561.txt. [Consulté le: 21-juill-2017].
[39] I. Minakov, R. Passerone, A. Rizzardi, et S. Sicari, « Routing behavior across WSN simulators:
The AODV case study », in 2016 IEEE World Conference on Factory Communication
Systems (WFCS), 2016, p. 1-8.
[40] J. Thangaraj et S. Kumari, « Evaluating feasibility of using Wireless Sensor Network in
agricultural land through simulation of DSR, AOMDV, AODV, DSDV protocol », in 2016
International Conference on Wireless Communications, Signal Processing and
Networking (WiSPNET), 2016, p. 301-305.
[41] N. Garepalli, K. Gopalan, et P. Yang, « Control Message Reduction Techniques in Backward
Learning Ad Hoc Routing Protocols », in 2008 Proceedings of 17th International
Conference on Computer Communications and Networks, 2008, p. 1-6.
[42] « Wireless Sensor Networks - Wireless Sensor Networks (Akyildiz).pdf ». [En ligne].
Disponible sur:
http://doktora.kirbas.com/Kitaplar/Wireless%20Sensor%20Networks%20(Akyildiz).pdf.
[Consulté le: 30-janv-2018].
[43] Y. Gadallah et M. Jaafari, « A Reliable Energy-Efficient 802.15.4-Based MAC Protocol for
Wireless Sensor Networks », in 2010 IEEE Wireless Communication and Networking
Conference, 2010, p. 1-6.
[44] S. Saha, T. Tyagi, et D. V. Gadre, « ARM(R) Microcontroller Based Automatic Power Factor
Monitoring and Control System », in 2013 Texas Instruments India Educators’ Conference,
2013, p. 165-170.
[45] Q. Wang et W. Yang, « Energy Consumption Model for Power Management in Wireless Sensor
Networks », in 2007 4th Annual IEEE Communications Society Conference on Sensor,
Mesh and Ad Hoc Communications and Networks, 2007, p. 142-151.
[46] H. Unterassinger et al., « A power management unit for ultra-low power wireless sensor
networks », in AFRICON, 2011, 2011, p. 1-6.
[47] V. Raghunathan, C. Schurgers, S. Park, et M. B. Srivastava, « Energy-aware wireless
microsensor networks », IEEE Signal Process. Mag., vol. 19, no 2, p. 40-50, mars 2002.
[48] I. F. Akyildiz, W. Su, Y. Sankarasubramaniam, et E. Cayirci, « A survey on sensor networks »,
IEEE Commun. Mag., vol. 40, no 8, p. 102-114, août 2002.
[49] W. K. G. Seah, Z. A. Eu, et H. P. Tan, « Wireless sensor networks powered by ambient energy
harvesting (WSN-HEAP) - Survey and challenges », in 2009 1st International Conference on
Wireless Communication, Vehicular Technology, Information Theory and Aerospace
Electronic Systems Technology, 2009, p. 1-5.
[50] M. Chen et G. A. Rincon-Mora, « Accurate electrical battery model capable of predicting
runtime and I-V performance », IEEE Trans. Energy Convers., vol. 21, no 2, p. 504-511, juin
2006.
[51] L. Gao, S. Liu, et R. A. Dougal, « Dynamic lithium-ion battery model for system simulation »,
IEEE Trans. Compon. Packag. Technol., vol. 25, no 3, p. 495-505, sept. 2002.
[52] D. N. Rakhmatov et S. B. K. Vrudhula, « An analytical high-level battery model for use in
energy management of portable electronic systems », in IEEE/ACM International Conference
on Computer Aided Design. ICCAD 2001. IEEE/ACM Digest of Technical Papers (Cat.
No.01CH37281), 2001, p. 488-493.
[53] S. Castillo, N. K. Samala, K. Manwaring, B. A. Izadi, et D. Radhakrishnan, « Experimental
Analysis of Batteries Under Continuous and Intermittent Operations. », in ESA/VLSI, 2004, p.
18–24.
[54] M. Swierczynski, D. I. Stroe, A. I. Stan, R. Teodorescu, et S. K. Kær, « Investigation on the Self-
discharge of the LiFePO4/C nanophosphate battery chemistry at different conditions », in 2014
IEEE Conference and Expo Transportation Electrification Asia- Pacific (ITEC Asia-
Pacific), 2014, p. 1-6.
[55] A. El-Hoiydi, « Spatial TDMA and CSMA with preamble sampling for low power ad hoc
wireless sensor networks », in Proceedings ISCC 2002 Seventh International Symposium
on Computers and Communications, 2002, p. 685-692.
[56] A. Giridhar et P. R. Kumar, « Maximizing the functional lifetime of sensor networks », in IPSN
2005. Fourth International Symposium on Information Processing in Sensor Networks,
2005., 2005, p. 5-12.
[57] V. P. Mhatre, C. Rosenberg, D. Kofman, R. Mazumdar, et N. Shroff, « A minimum cost
heterogeneous sensor network with a lifetime constraint », IEEE Trans. Mob. Comput., vol. 4,
no 1, p. 4-15, janv. 2005.
[58] J. Deng, Y. S. Han, W. B. Heinzelman, et P. K. Varshney, « Balanced-energy sleep scheduling
scheme for high density cluster-based sensor networks », in 2004 4th Workshop on
Applications and Services in Wireless Networks, 2004. ASWN 2004., 2004, p. 99-108.
[59] A. Cerpa et D. Estrin, « ASCENT: adaptive self-configuring sensor networks topologies »,
IEEE Trans. Mob. Comput., vol. 3, no 3, p. 272-285, juill. 2004.
[60] D. Tian et N. D. Georganas, « A Coverage-preserving Node Scheduling Scheme for Large
Wireless Sensor Networks », in Proceedings of the 1st ACM International Workshop on
Wireless Sensor Networks and Applications, New York, NY, USA, 2002, p. 32–41.
[61] W. Mo, D. Qiao, et Z. Wang, « Mostly-sleeping wireless sensor networks: Connectivity, k-
coverage, and α-lifetime », in Proceedings of the 43rd Annual Allerton Conference on
Communication, Control, and Computing, 2005, p. 1–10.
[62] M. Bhardwaj et A. P. Chandrakasan, « Bounding the lifetime of sensor networks via optimal role
assignments », in Proceedings.Twenty-First Annual Joint Conference of the IEEE
Computer and Communications Societies, 2002, vol. 3, p. 1587-1596 vol.3.
[63] M. Bhardwaj, T. Garnett, et A. P. Chandrakasan, « Upper bounds on the lifetime of sensor
networks », in ICC 2001. IEEE International Conference on Communications.
Conference Record (Cat. No.01CH37240), 2001, vol. 3, p. 785-790 vol.3.
[64] S. Kumar, A. Arora, et T. H. Lai, « On the lifetime analysis of always-on wireless sensor
network applications », in IEEE International Conference on Mobile Adhoc and Sensor
Systems Conference, 2005., 2005, p. 3 pp.-188.
[65] R. J. M. Vullers, R. v Schaijk, H. J. Visser, J. Penders, et C. V. Hoof, « Energy Harvesting for
Autonomous Wireless Sensor Networks », IEEE Solid-State Circuits Mag., vol. 2, no 2, p. 29-
38, Spring 2010.
[66] K. Rühle, L. M. Reindl, et M. Kasemann, « Energy Capture with Optimized Photovoltaic Cells
under Low Lighting Conditions », in 2012 IEEE International Conference on Green
Computing and Communications, 2012, p. 628-630.
[67] A. Chirap, V. Popa, E. Coca, et D. A. Potorac, « A study on light energy harvesting from indoor
environment: The autonomous sensor nodes », in 2014 International Conference on
Development and Application Systems (DAS), 2014, p. 127-131.
[68] A. Liberale, E. Dallago, et A. L. Barnabei, « Energy harvesting system for wireless body sensor
nodes », in 2014 IEEE Biomedical Circuits and Systems Conference (BioCAS)
Proceedings, 2014, p. 416-419.
[69] F. Caracciolo, E. Dallago, D. G. Finarelli, A. Liberale, et P. Merhej, « Single-Variable
Optimization Method for Evaluating Solar Cell and Solar Module Parameters », IEEE J.
Photovolt., vol. 2, no 2, p. 173-180, avr. 2012.
[70] U. Bergqvist et al., « Mobile telecommunication base stations–exposure to electromagnetic
fields », Rep. Short Term Mission COST-244bis COST-244bis Short Term Mission Base
Stn. Expo., 2000.
[71] D. K. Ho, I. Kharrat, V. D. Ngo, T. P. Vuong, Q. C. Nguyen, et M. T. Le, « Dual-band rectenna
for ambient RF energy harvesting at GSM 900 MHz and 1800 MHz », in 2016 IEEE
International Conference on Sustainable Energy Technologies (ICSET), 2016, p. 306-
310.
[72] C. Song, Y. Huang, J. Zhou, J. Zhang, S. Yuan, et P. Carter, « A High-Efficiency Broadband
Rectenna for Ambient Wireless Energy Harvesting », IEEE Trans. Antennas Propag., vol. 63,
no 8, p. 3486-3495, août 2015.
[73] M. Pinuela, P. D. Mitcheson, et S. Lucyszyn, « Ambient RF Energy Harvesting in Urban and
Semi-Urban Environments », IEEE Trans. Microw. Theory Tech., vol. 61, no 7, p. 2715-2726,
juill. 2013.
[74] A. Sample et J. R. Smith, « Experimental results with two wireless power transfer systems », in
2009 IEEE Radio and Wireless Symposium, 2009, p. 16-18.
[75] V. Dang et O. Kilic, « A Simple Method for Calculating the Output Voltage at Receive Antenna
Terminals Using the Complex Antenna Factor », IEEE Antennas Wirel. Propag. Lett., vol. 16,
p. 756-759, 2017.
[76] I. Al-Anbagi, M. Erol-Kantarci, et H. T. Mouftah, « A delay mitigation scheme for WSN- based
smart grid substation monitoring », in 2013 9th International Wireless Communications and
Mobile Computing Conference (IWCMC), 2013, p. 1470-1475.
[77] W. Sun, X. Yuan, J. Wang, D. Han, et C. Zhang, « Quality of Service Networking for Smart Grid
Distribution Monitoring », in 2010 First IEEE International Conference on Smart Grid
Communications, 2010, p. 373-378.
[78] « Datasheet_SHTxx_E.doc - SHT11humiditySensor.pdf ». .
[79] W. M. N. A. M. Nour, « Design A sensor to Control the Temperature of X-ray Machine », PhD
Thesis, Sudan University of Science and Technology, 2017.
[80] « CC2650 SimpleLinkTM Multistandard Wireless MCU datasheet (Rev. B) - cc2650.pdf ».
.
[81] « waspmote_technical_guide.pdf ». .
[82] P. Koopman et T. Chakravarty, « Cyclic redundancy code (CRC) polynomial selection for
embedded networks », in International Conference on Dependable Systems and
Networks, 2004, 2004, p. 145-154.
[83] D. Mankar et B. S. Chaudhari, « Dynamic performance analysis of IEEE 802.15.4 devices under
various RF interferences », in 2016 International Conference on Inventive Computation
Technologies (ICICT), 2016, vol. 1, p. 1-4.
[84] A. Berger, M. Pichler, D. Ciccarello, P. Priller, et A. Springer, « Characterization and adaptive
selection of radio channels for reliable and energy-efficient WSN », in 2016 IEEE Wireless
Communications and Networking Conference, 2016, p. 1-6.
[85] P. D. Marco, P. Park, C. Fischione, et K. H. Johansson, « Analytical Modeling of Multi- hop
IEEE 802.15.4 Networks », IEEE Trans. Veh. Technol., vol. 61, no 7, p. 3191-3208, sept.
2012.
[86] J. Y. Ha, T. H. Kim, H. S. Park, S. Choi, et W. H. Kwon, « An Enhanced CSMA-CA Algorithm
for IEEE 802.15.4 LR-WPANs », IEEE Commun. Lett., vol. 11, no 5, p. 461- 463, mai 2007.
[87] L. Wang, J. Mao, L. Fu, H. Zhu, et N. Guo, « An improvement of IEEE 802.15.4 MAC protocol
in high-density wireless sensor networks », in 2015 IEEE International Conference on
Information and Automation, 2015, p. 1704-1707.
[88] Q. Liu et P. Li, « Backoff algorithm optimization and analysis for IEEE 802.15.4 wireless sensor
networks », in 2014 9th International Symposium on Communication Systems, Networks
Digital Sign (CSNDSP), 2014, p. 411-416.
[89] T.-M. Hoang, V.-T. Nguyen, N.-G. Nguyen, et T.-N. Lang, « Analysing the performance of
unslotted sensor networks based on the IEEE 802.15.4 employed EIED algorithm », in 2017
International Conference on Information Networking (ICOIN), 2017, p. 682-685.
[90] M. Gribaudo, D. Manini, A. Nordio, et C. F. Chiasserini, « Transient Analysis of IEEE
802.15.4 Sensor Networks », IEEE Trans. Wirel. Commun., vol. 10, no 4, p. 1165-1175, avr.
2011.
[91] C. K. Singh et A. Kumar, Performance Evaluation of an IEEE 802.15.4 Sensor Network
with a Star Topology. .
[92] G. Anastasi, M. Conti, et M. D. Francesco, « A Comprehensive Analysis of the MAC
Unreliability Problem in IEEE 802.15.4 Wireless Sensor Networks », IEEE Trans. Ind.
Inform., vol. 7, no 1, p. 52-65, févr. 2011.
[93] M. M. Rahaman, K. Ashrafuzzaman, M. S. Chowdhury, et M. O. Rahman, « Performance
measurement of different backoff algorithms in IEEE 802.15.4 », in 2016 International
Conference on Innovations in Science, Engineering and Technology (ICISET), 2016, p.
1-4.
[94] M. Petrova, J. Riihijarvi, P. Mahonen, et S. Labella, « Performance study of IEEE 802.15.4 using
measurements and simulations », in IEEE Wireless Communications and Networking
Conference, 2006. WCNC 2006., 2006, vol. 1, p. 487-492.
[95] B. M. Khan, F. H. Ali, et E. Stipidis, « Improved backoff algorithm for IEEE 802.15.4 wireless
sensor networks », in 2010 IFIP Wireless Days, 2010, p. 1-5.
[96] M. Khanafer, M. Guennoun, et H. T. Mouftah, « Priority-Based CCA Periods for Efficient and
Reliable Communications in Wireless Sensor Networks », Wirel. Sens. Netw., vol. 04, no 02, p.
45-51, 2012.
[97] S. Y. Lee, Y. S. Shin, J. S. Ahn, et K. W. Lee, « Performance Analysis of a Non- Overlapping
Binary Exponential Backoff Algorithm over IEEE 802.15.4 », in Proceedings of the 4th
International Conference on Ubiquitous Information Technologies Applications, 2009, p.
1-5.
[98] E. J. Candes et M. B. Wakin, « An Introduction To Compressive Sampling », IEEE Signal
Process. Mag., vol. 25, no 2, p. 21-30, mars 2008.
[99] « FS5.pdf ». .
[100]S. Yi et B. Scholz-Reiter, « Collaborative Transfer Operations between Drayage Companies and
a Container Terminal », Int. Grad. Sch. Dyn. Logist., p. 63, 2013.
[101]C. Lloyd, S. Issa, W. Lang, et R. Jedermann, « Empirical airflow pattern determination of
refrigerated banana containers using thermal flow sensors », in Fifth Int. Workshop Cold
Chain Management, Bonn, Germany, 2013, p. 10–11.
[102]E. Ciancamerla, B. Fresilli, M. Minichino, T. Patriarca, et S. Iassinovski, « An electrical grid and
its SCADA under cyber attacks: Modelling versus a Hybrid Test Bed », in 2014 International
Carnahan Conference on Security Technology (ICCST), 2014, p. 1-6.
[103]A. M. Grilo, J. Chen, M. Díaz, D. Garrido, et A. Casaca, « An Integrated WSAN and SCADA
System for Monitoring a Critical Infrastructure », IEEE Trans. Ind. Inform., vol. 10, no 3, p.
1755-1764, août 2014.
[104]M. S. Almas, L. Vanfretti, S. Løvlund, et J. O. Gjerde, « Open source SCADA implementation
and PMU integration for power system monitoring and control applications », in 2014 IEEE
PES General Meeting | Conference Exposition, 2014, p. 1- 5.
[105]« meshlium_technical_guide.pdf ». .
[106]D. L. Donoho, « Compressed sensing », IEEE Trans. Inf. Theory, vol. 52, no 4, p. 1289- 1306,
avr. 2006.
[107]E. J. Candes, J. Romberg, et T. Tao, « Robust uncertainty principles: exact signal reconstruction
from highly incomplete frequency information », IEEE Trans. Inf. Theory, vol. 52, no 2, p.
489-509, févr. 2006.
[108]M. S. Manikandan, B. Ramkumar, P. S. Deshpande, et T. Choudhary, « Robust detection of
premature ventricular contractions using sparse signal decomposition and temporal features »,
Healthc. Technol. Lett., vol. 2, no 6, p. 141-148, 2015.
[109]M. Brajović, I. Orović, M. Daković, et S. Stanković, « Compressive Sensing of Sparse Signals
in the Hermite Transform Basis », IEEE Trans. Aerosp. Electron. Syst., vol. PP, no 99, p. 1-1,
2017.
[110]A. M. R. Dixon, E. G. Allstot, D. Gangopadhyay, et D. J. Allstot, « Compressed Sensing System
Considerations for ECG and EMG Wireless Biosensors », IEEE Trans. Biomed. Circuits
Syst., vol. 6, no 2, p. 156-166, avr. 2012.
[111]J. Zhang et al., « An Efficient and Compact Compressed Sensing Microsystem for Implantable
Neural Recordings », IEEE Trans. Biomed. Circuits Syst., vol. 8, no 4, p. 485
-496, août 2014.
[112]P. A. Milder, F. Franchetti, J. C. Hoe, et M. Puschel, « FFT Compiler: from math to efficient
hardware HLDVT invited short paper », in 2007 IEEE International High Level Design
Validation and Test Workshop, 2007, p. 137-139.
[113]B. Shen, I. K. Sethi, et V. Bhaskaran, « DCT convolution and its application in compressed
domain », IEEE Trans. Circuits Syst. Video Technol., vol. 8, no 8, p. 947-952, déc. 1998.
[114]S. Rein et M. Reisslein, « Low-Memory Wavelet Transforms for Wireless Sensor Networks: A
Tutorial », IEEE Commun. Surv. Tutor., vol. 13, no 2, p. 291-307, Second 2011.
[115]E. J. Candes et T. Tao, « Near-Optimal Signal Recovery From Random Projections: Universal
Encoding Strategies? », IEEE Trans. Inf. Theory, vol. 52, no 12, p. 5406-5425, déc. 2006.
[116]E. Candès et J. Romberg, « Sparsity and incoherence in compressive sampling », Inverse Probl.,
vol. 23, no 3, p. 969-985, juin 2007.
[117]K. Hayashi, M. Nagahara, et T. Tanaka, « A User’s Guide to Compressed Sensing for
Communications Systems », IEICE Trans. Commun., vol. E96.B, no 3, p. 685-712, 2013.
[118]E. G. Allstot, A. Y. Chen, A. M. R. Dixon, D. Gangopadhyay, et D. J. Allstot,
« Compressive sampling of ECG bio-signals: Quantization noise and sparsity considerations »,
in 2010 Biomedical Circuits and Systems Conference (BioCAS), 2010, p. 41-44.
[119]J. A. Tropp et S. J. Wright, « Computational Methods for Sparse Solution of Linear Inverse
Problems », Proc. IEEE, vol. 98, no 6, p. 948-958, juin 2010.
[120]E. J. Candès et B. Recht, « Exact Matrix Completion via Convex Optimization », Found.
Comput. Math., vol. 9, no 6, p. 717-772, déc. 2009.
[121]D. Li, Q. Wang, et Y. Shen, « GASA Based Signal Reconstruction for Compressive Sensing », in
2015 Fifth International Conference on Instrumentation and Measurement, Computer,
Communication and Control (IMCCC), 2015, p. 422-426.
[122]H. Chen, J. Tao, Y. Sun, Z. Ye, et B. Qiu, « Magnetic resonance image reconstruction via Lo-
norm minimization », in 2015 IET International Conference on Biomedical Image and
Signal Processing (ICBISP 2015), 2015, p. 1-6.
[123]S. Narayanan, S. K. Sahoo, et A. Makur, « Greedy pursuits assisted basis pursuit for compressive
sensing », in 2015 23rd European Signal Processing Conference (EUSIPCO), 2015, p.
694-698.
[124]S. G. Mallat et Z. Zhang, « Matching pursuits with time-frequency dictionaries », IEEE Trans.
Signal Process., vol. 41, no 12, p. 3397-3415, déc. 1993.
[125]V. Abolghasemi, S. Ferdowsi, B. Makkiabadi, et S. Sanei, « On optimization of the measurement
matrix for compressive sensing », in 2010 18th European Signal Processing Conference,
2010, p. 427-431.
[126]D. L. Donoho, Y. Tsaig, I. Drori, et J. L. Starck, « Sparse Solution of Underdetermined Systems
of Linear Equations by Stagewise Orthogonal Matching Pursuit », IEEE Trans. Inf. Theory,
vol. 58, no 2, p. 1094-1121, févr. 2012.
[127]D. Needell et R. Vershynin, « Signal Recovery From Incomplete and Inaccurate Measurements
Via Regularized Orthogonal Matching Pursuit », IEEE J. Sel. Top. Signal Process., vol. 4, no
2, p. 310-316, avr. 2010.
[128]M. A. Herman et D. Needell, « Mixed operators in compressed sensing », in 2010 44th Annual
Conference on Information Sciences and Systems (CISS), 2010, p. 1-6.
[129]Y. Zigel, A. Cohen, et A. Katz, « The weighted diagnostic distortion (WDD) measure for ECG
signal compression », IEEE Trans. Biomed. Eng., vol. 47, no 11, p. 1422-1430, nov. 2000.
[130]D. Gangopadhyay, E. G. Allstot, A. M. R. Dixon, K. Natarajan, S. Gupta, et D. J. Allstot,
« Compressed Sensing Analog Front-End for Bio-Sensor Applications », IEEE J. Solid- State
Circuits, vol. 49, no 2, p. 426-438, févr. 2014.
[131]F. Fazel, M. Fazel, et M. Stojanovic, « Random Access Compressed Sensing for Energy-
Efficient Underwater Sensor Networks », IEEE J. Sel. Areas Commun., vol. 29, no 8, p.
1660-1670, sept. 2011.
[132]L. Quan, S. Xiao, X. Xue, et C. Lu, « Neighbor-Aided Spatial-Temporal Compressive Data
Gathering in Wireless Sensor Networks », IEEE Commun. Lett., vol. 20, no 3, p. 578-581,
mars 2016.
[133]R. Masiero, G. Quer, D. Munaretto, M. Rossi, J. Widmer, et M. Zorzi, « Data Acquisition
through Joint Compressive Sensing and Principal Component Analysis », 2009, p. 1-6.
[134]M. F. Duarte et R. G. Baraniuk, « Kronecker Compressive Sensing », IEEE Trans. Image
Process., vol. 21, no 2, p. 494–504, févr. 2012.
Publications et communications relatives à ce travail
[ITO 1] ITOUA ENGOTI F., QUERE R., LALANDE M., Optimisation d'un réseau Zigbee de
diagnostic énergétique pour la gestion intelligente d'un bâtiment, 19ème Journées Nationales du
Réseau Doctoral en Micro-nanoélectronique, Toulouse, 11-13 mai 2016.
[ITO 2] ITOUA ENGOTI F. & Al, A Low Cost Wireless Sensor System for Monitoring the Air
Handling Unit of the University Building, 11th International Conference on Intelligent systems
and control (ISCO), Tamilnadu, India, january 2017
[ITO 3] ITOUA ENGOTI F., QUERE R., LALANDE M., Co-conception hardware/software pour la
minimisation de la consommation d’un nœud de capteur dans un réseau zigbee, Journées
Scientifiques URSI Energie et Radiosciences, Rennes, 15-16 mars 2016.
[ITO 4] ITOUA ENGOTI F., Angellier Nicolas, Ulmet Laurent, Quéré Raymond, Lalande Michèle,
Dubois Frédéric Modélisation thermique dynamique d’un amphithéâtre à l’aide d’un réseau
de capteurs sans fil : vers un démonstrateur d’outil de diagnostic énergétique dans un
bâtiment public, Les 35èmes Rencontres universitaires de Génie Civil de l’AUGC, Nantes, 22-24
mai 2017.
Réalisation d'une plate-forme pour l'optimisation de réseaux de capteurs sans fil
appliqués au bâtiment intelligent
La thèse porte sur le déploiement d'un réseau de capteurs pour le diagnostic énergétique d'un bâtiment
universitaire. Elle s'inscrit dans la thématique Bâtiment intelligent et durable de l'Université de
Limoges. Il s'agit au cours de cette thèse, dans un premier temps, d'optimiser l'architecture d'un réseau
de capteurs Zigbee ainsi que les méthodes d'interrogation de ces capteurs, pour minimiser la
consommation énergétique des nœuds du réseau. On s'appuiera notamment sur des concepts
de compressive sensing" pour augmenter la durée de vie des nœuds autonomes qui pourra être
éventuellement renforcée par des organes de récupération d'énergie. "
Mots-clés : capteurs, réseaux, énergie, compressive sensing, optimisation, Zigbee
Realization of a platform for the optimization of wireless networks sensors applied to

the intelligent building
This thesis deals with the roll out of Wireless Sensor Network for the energetic monitoring of an
existing building of the University. This work wil be incorporated in the framework of the smart
building program of the University of Limoges. The work aims to optimize the architecture of a Zigbee
network as well as data collection methods to minimize the energy consumption of the network's
nodes. Methods based on the compressive sensing concepts will be investigated to reduce the number
of nodes and to extend the lifetime of the nodes. Those methods will eventually be complemented with
energy harvesting techniques
Keywords : Sensors, networks, energy, compressive sensing, optimization, Zigbee

Wifi FR

Transféré par

Droits d'auteur :

Formats disponibles

Wifi FR

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Wifi FR

Transféré par

Droits d'auteur :

Formats disponibles

Thèse de doctorat

Thèse pour obtenir le grade de

Présentée et soutenue par

Réalisation d'une plate-forme pour l'optimisation de réseaux de

Thèse dirigée par Raymond Quéré, Michèle Lalande, Fabien Courrèges

Frank ITOUA ENGOTI | Thèse de doctorat | Université de Limoges | 2018 2

Ce projet a été développé au sein de l'IUT du limousin, site de Brive-la-Gaillarde dans le

J'adresse également mes remerciements à l'ensemble de ma famille qui m'a soutenu et

Cette création est mise à disposition selon le Contrat :

Table des figures....................................................................................................................................7

De nombreuses applications nécessitent de prendre en compte les paramètres

Figure 2. Smart grid campus Brive-la-Gaillarde

Aujourd'hui, le bâtiment est le secteur le plus consommateur d'énergie en France. Face à la

• Le confort (thermique, acoustique, visuel, ...)

• La consommation d'énergie (électricité, gaz, énergie renouvelable, …)

• Les impacts environnementaux (rejets, gestion des déchets, transports, ...)

L'usine connectée industrielle correspond à la généralisation des capteurs et agents intelligents

I.2. Caractéristiques principales des réseaux de capteurs

I.2.1. Les réseaux sans fil

Figure I-1 Les catégories de réseaux sans fil

Bluetooth est un standard de communication permettant l'échange bidirectionnel de données à

ZigBee est un protocole de haut niveau permettant la communication radios à consommation

Bande Disponibilité Nombre de canaux Vitesse maxi théorique

868 MHz Europe 1 20 kbit/s

915 MHz Amériques et Australie 10 40 kbit/s

2.4 GHz Disponible partout 16 250 kbit/s

Tableau I-1 Bandes de fréquences utilisables pour le 802.15.4

 Les réseaux Wi-Fi (Wireless-Fidelity) :

Norme Débit Débit réel Fréquence

802.11n 450 200 2.4 ou 5

Tableau I-2 Comparaison des normes WI-FI

Les réseaux HiperLAN 2 (High Performance LAN 2.0) :

Le HiperLAN (ou HIgh PERformance radio LAN) est un standard européen de

I.2.1.3. Le réseau métropolitain sans fil (WMAN)

 Les réseaux Wimax (Worldwide interoperability for Microwave Access) :

I.2.1.4. Le réseau étendu sans fil (WWAN)

I.3. Description d'un réseau de capteurs :

I.3.1. L'Architectures d'un Réseau de capteurs:

 Dispositif terminal (End Device):

 Le dispositif ayant des fonctions limitées (RFD : Reduced Function Device)

Figure I-2 La topologie étoile

Avantages : simplicité et faible consommation d'énergie des nœuds, moins de latence de

Figure I-3 La topologie arborescente ou hiérarchique

 Topologie maillée (Mesh) :

Avantages : Possibilité de passer à l'échelle du réseau, avec redondance et tolérance aux

La topologie sélectionnée pour déployer un réseau de capteurs dépend du type de protocole

I.3.2. Le groupe IEEE 802:

I.3.3. Bluetooth Low Energy (BLE) :

Comparé au Bluetooth classique, le BLE permet un débit du même ordre de grandeur (1

Caractéristiques techniques Classic Bluetooth BLE

Débit 1-3 Mbit/s 1 Mbit/s

Débit d'application 0.7–2.1 Mbit/s 0.27 Mbit/s

Sécurité 56/128 bits et la couche AES 128 bits

Tableau I-3 Les performances comparées entre le Bluetooth classique et BLE

I.3.4. Caractéristique du Standard IEEE 802.15.4 :

Figure I-6 La pile protocolaire de la norme 802.15.4

I.3.5. La couche physique PHY de 802.15.4

 Détection d'énergie (Energy detection : ED) dans le canal actuel

 Ecoute du canal (Clear channel assessment : CCA) pour le CSMA – CA