With the number of communicating sensors linked to the Internet of Things (IoT) ecosystem increasing dramatically, well-designed indoor light energy harvesting solutions are needed. A first step in this direction would be to be able to accurately estimate the harvestable energy in a specific light environment. However, inside, this energy varies in spectral composition and intensity, depending on the emission source as well as the time of day. These challenging conditions mean that it has become necessary to obtain accurate information about these variations and determine their impact on energy recovery performance. In this context, this manuscript presented a method to apply an innovative energy harvesting estimation method to obtain practical and accurate insight for the design of energy harvesting systems in indoor environments. It used a very low-cost device to obtain spectral information and fed it to supervised machine learning classification methods to recognize light sources. From the recognized light source, a model developed for flexible GaAs solar cells was able to estimate the harvestable energy. To validate this method in real indoor conditions, the estimates were compared to the energy harvested by an energy harvesting prototype. The mean absolute error percentage between estimates and the experimental measurements was less than 5% after more than 2 weeks of observation. This demonstrated the potential of this low-cost estimation system to obtain reliable information to design energetically autonomous devices.

Rendre autonomes en énergie les appareils connectés qui nous entourent devient aujourd’hui un enjeu important. Différentes sources d’énergie ambiante peuvent alors servir à les alimenter. Cependant, selon le type d’environnements dans lesquels ils sont installés, les sources d’énergie ambiante présentes peuvent varier. La quantité d’énergie des sources disponibles peut être inégale et inconstante. L’entreprise Bureaux A Partager (BAP), initiatrice de cette thèse, entend appliquer cette approche à des tablettes d’affichage connectées, utilisées dans les espaces communs de ses bureaux, afin de réduire les contraintes et coûts de leur installation et de leur utilisation. Néanmoins, la quantité d’énergie consommée par cette tablette numérique est entre cent et mille fois supérieure à celle des dispositifs généralement rendus autonomes par cette méthode d’alimentation électrique. La rendre autonome est donc un défi de taille qui nécessite de connaitre avec précision les sources d’énergie à disposition dans son environnement et la quantité d’énergie qui peut en être récupérée.Cette thèse CIFRE expose tout d’abord en quoi la lumière semble être l’énergie ambiante la plus favorable à rendre autonome un appareil qui consomme plus de 10 mW de puissance moyenne dans un environnement de bureaux. Le besoin de connaitre l’énergie récupérable en pratique dans un environnement précis afin de développer des récupérateurs d’énergie adaptés a mené à développer une méthode de calcul. Elle repose sur des mesures de caractéristiques électrique et optique d’un convertisseur photovoltaïque et du spectre lumineux ambiant. Ces performances de calculs sont validées en comparant ses calculs aux mesures de récupération d’énergie d’un prototype de récupérateur. Pour s’affranchir des contraintes liées aux instruments de mesure coûteux et complexes nécessaires à l’acquisition du spectre lumineux, un système d’analyse à faible coût et à faible résolution spectrale est développé. Grâce à l’utilisation de méthodes de classifications des sources lumineuses et de reconstruction spectrale, ce système est capable de réaliser des évaluations de l’énergie récupérable équivalentes en précision à celles obtenues avec les instruments à haute résolution. Les résultats d’observations obtenus ont permis d’établir que pour rendre autonome le dispositif d’affichage de BAP, un récupérateur d’énergie d’une surface d’environ 250 cm² de cellules en arséniure de gallium serait adapté.

With the number of communicating sensors linked to the Internet of Things (IoT) ecosystem in-creasing dramatically, well-designed indoor light energy harvesting solutions are needed. The first step towards this development is to determine the harvestable energy in real indoor environ-ments. But the harvestable energy varying over time with nature (spectra) and intensity of the light multi-sources, lighting data must be collected for sufficiently long periods. Besides, for a real implementation on-site, studies must be able to be carried out simultaneously in several places to determine locations with the highest energy harvesting potential. In this context, this manuscript presents a very low-cost prototype based on commercial photodiodes (rather than very expensive spectrometers), which measures only a very rudimentary number of spectral data. Thanks to a classification supervised machine learning from Matlab, in which an algorithm learns to classify new observations, and thanks to a simple principle of the superposition approximation model de-veloped for flexible GaAs solar cells, our harvestable energy estimation error is less than 5 percents after more than 2 weeks of observation. To measure this error, the data collected leading to an estimate of the harvestable energy is compared to what has been experimentally harvested in a real IoT system Li-ion battery and compared to what has been estimated using an expensive spectrometer during the same period. Our prototype should allow the development and the massive deploy-ment of a new generation of low cost indoor light energy harvesting sensors for future reliable indoor energy harvesters.