stratégie adaptative de gestion énergétique d'un véhicule...

Stratégie adaptative de gestionénergétique d'un véhicule hybride

Alan Kéromnès – Université de Bourgogne – ISAT

Rui Da Silva – Danielson Engineering

2 avril 2019

Danielson Engineering

GENERAL PRESENTATION

DANIELSON ENGINEERING is a Contract Research Organizationengineering company specializing in the design, manufactureand test POC (Proof Of Concept) to validate new powertrainconcepts for OEM.

SYSTÈME HYBRIDE

APPLICATION : DÉFENSE

OBJET : NOUVEAU CONCEPT

D’HYBRIDATION ET STRATÉGIE

DURÉE : 6 MOIS

RÉALISATION DE PIÈCE À

FORTE VALEUR AJOUTÉE

APPLICATION : AÉRONAUTIQUE

OBJET : PETIT SÉRIE

DURÉE : 8 MOIS

INTÉGRATION DE GMP

APPLICATION : OFF-ROAD

OBJET : INTÉGRATION MOTEUR

DANS NOUVEAU VÉHICULE

DURÉE : 8/12 MOIS

MOTEUR/RANGE

EXTENDER POC

APPLICATION : AUTOMOBILE

OBJET: NOUVEAU CONCEPT

DURÉE: 6 MOIS

RÉDUCTEUR / BOITE DE

TRANSFERT

APPLICATION : AUTOMOTIVE

OBJET : NOUVEAU CONCEPT

DURÉE : 3 MOIS

2

ISAT – Laboratoire DRIVE

� Assemblage , réparation et collage

� Multi-sollicitations et durée de vie� Bois & Matériaux bio-sourcés

� Propriétés acoustiques de matériauxcomplexes

� Propriétés vibratoires de multicouches

Durabilité et Structures Composites

Vibrations et Acoustique pour le Transport

Mécanique et Acoustique pour les TransportsMatériaux de demain : Allègement, performances, confort et sécurité

→34 enseignants chercheurs

→1 ingénieur d’étude

Energie, Propulsion Véhicules Intelligents� Optimisation de la combustion

� Nouvelles architectures de GMPs

� Combustions et combustibles alternatifs

� Communications véhicules / infrastructures

� Optimisation d’itinéraires

� Véhicule autonome

→18 Doctorants en cours de thèse

→1 postdoc

Energie, Propulsion, Electronique EnvironnementEconomie d’énergie de temps et de km

3

Sommaire

• Introduction, contexte et enjeux

• Les besoins en mobilité

• Dimensionnement et résultats

• Stratégie adaptative

• Conclusions et perspectives

4

5

Environnement de l’étude

• Travail en collaboration entre DRIVE et DanielsonEngineering (GIS ID-Motion)

• Thèse de Loïc Joud (CIFRE Danielson)

Stratégie intelligente de gestion du système

énergétique global d’un véhicule hybride

• Objectif scientifique : Obtenir un outil de simulation qui permette d’optimiser les flux d’énergie au sein d’un véhicule hybride

• Objectif industriel : valoriser les véhicules de type Range-Extender

6


Evaluation de la destination :1- 60% de probabilité itinéraire domicile

2- 20% de probabilité supermarché

3- 10% de probabilité école d’ingénieur ISAT

4- 10% de probabilité autres

Stratégie de commande : (à 500m)1- MT(40%) + ME(60%) => Stratégie adoptée

2- ME(100%)

3- MT(60%) + ME(40%)

4- MT(70%) + ME(30%)Départ

MT : Moteur thermiqueME : Moteur électrique

7


Evaluation de la destination :1- 75% de probabilité itinéraire domicile

2- 20% de probabilité école d’ingénieur ISAT


probabilité supermarché

Stratégie de commande : (à 1200m)1- MT(40%) + ME(60%) => Stratégie conservée

2- MT(60%) + ME(40%)

3- MT(70%) + ME(30%)

Départ

8


Evaluation de la destination :1- 90% de probabilité école d’ingénieur ISAT

2- 5% de probabilité terrain de sport...


probabilité itinéraire domicile

Stratégie de commande : (11.5 km)1- MT(60%) + ME(40%) => Modification de la

stratégie

2- MT(70%) + ME(30%)

3- MT(70%) + ME(30%)

9


Evaluation de la destination :Itinéraire ISAT confirmé à 100%

Stratégie de commande : (21.2 km)Evaluation de la performance de la

stratégie en off line connaissant

l’itinéraire => 97%.

Enrichissement de la base :MAJ du profil conducteur (dynamique de conduite)

MAJ des probabilités sur ce parcours (en fonction de la

journée de l’itinéraire, de la position de départ, etc.)

Apprentissage

Contexte de l’étudeRéchauffement climatique Baisse des émissionsCO2

10

Source: ICCT

Contexte de l’étude

11

Adapted from : Elgowainy et al. 2013

Carburants alternatifs

Carburants alternatifs + GMP Hybrides

Les véhicules hybrides

12

Puissance thermique d’appoint

Autonomie électrique

Autonomie thermique

600 à 900 km

500 à 700 km

HybrideLégère

(Mild hybrid)

HybrideClassique

(HEV)

HybridePlug-in(PHEV)

Hybride à prolongateur d’autonomie

(EVRE)

Véhicule électrique

(BEV)

2 à 3 km30 à 60 km 50 à 120 km

300 à 500 km50 à 200 km

Puissance thermique prédominante

Puissance électrique d’appoint

Puissance électrique prédominante

Rechargeable sur secteur

Enjeux de l’hybridation

1313

v = f(t)

Sommaire






14

Les besoins en mobilité

15

La mobilité à longue distance est définie commel’ensemble des déplacements de plus de 80 kilomètresdu domicile. En 2008, cette mobilité représente 40 %des distances parcourues [1].

Mobilité à longue distance (> 80km)

40%

[1] La mobilité des Français : Panorama issu de l’enquête nationale transports et déplacements 2008.

Décembre 2012. Commissariat Général au Développement Durable


Commissariat général au développement durable, décembre 2010.

En 2011, la distance parcourue pour une voitureparticulière est en moyenne de 12 700 km/an [2].


16

La mobilité locale est définie comme l’ensemble desdéplacements réalisé dans un rayon de 80km autour dudomicile.

Cette mobilité représente 98% de leurs déplacementsmais seulement 60% des km qu'ils parcourent [1].

Mobilité locale (< 80km)

60%

20%

40%

40% 40%

Mobilité contrainte (< 80km)

Autres déplacements

(< 80km)


Décembre 2012. Commissariat Général au Développement Durable


17

Existe t-il des grandes disparités sur les distancesparcourues entre les zones d’habitation ?

26 km/j

Besoin de mobilité assez différent (15km / 39km)

Missions à couvrir

18

70% des trajets

97% des trajets

20 km 80 km

Comment se répartisse en % les distances (A/R) parcourues uniquement pour se rendre au travail ?

En moyenne, les petits déplacements(<20km) sont assez importants

Missions à couvrir

19

Trois points importants à retenir :

- 40% de nos déplacements sont supérieurs à 80km

- Nos besoins en mobilité locales sont différents suivantsnotre zone d’habitation (du simple au double)

- Dans nos déplacements « contraints », 97% sont <80km

Les véhicules électriques & hybrides

20

Renault Zoé (300km WLTP)65 à 79 kW / 41kWhÀ partir de 33 000€

Nissan Leaf (385km WLTP)110 à 160 kW/ 62kWh

À partir de 36 400€

Voiture électrique

BMW I3 (310km WLTP)125 à 135kW/42kWhÀ partir de 40 000€

Tesla 3 (544km WLTC)254 à 331kW/75kWhÀ partir de 58 000€

Peugeot (340km WLTP)100 kW/ 50kWhÀ partir de NC

Golf-e (300km WLTP)100 kW / 36kWh


Voiture rechargeables

Kia Niro (58km WLTP)45 kW(ME) / 105 kW(MT) / 9kWh


Toyota Prius (50km WLTP)53kW(ME) / ? kW(MT) / 9kWh


BMW 530e (50km WLTP)70 kW(ME) / 135kW(MT) / 9kWh


Volvo V60 T6 (45km WLTP)65kW(ME) / 186kW(MT) / 10kWh

À partir de 56 000 €

Mercedes C350de (57km NEDC)90kW(ME) / 143kW(MT) / 14kWh

À partir de 53 000 €

Peugeot Hybrid4 2019 (50km WLTP)82 kW(ME) / 150kW(MT) / 13,2kWh

À partir de NC

Autonomie moyenne de 360km WLTPPuissance moyenne 140 kW / 50kWhÀ partir de 41 000€ en moyenne

Autonomie moyenne de 50km WLTPPuissance moyenne 68 kW(ME) / 145kW(MT) / 11kWhÀ partir de 48 000€ en moyenne

Les questions ouvertes ?

21

A quoi bon embarquer 40 à 80 kWh de batteries dansune voiture électrique qui, dans une grand majorité des cas,ne parcourra pas plus de 50 kilomètres (10kWh) par jour ?


22

Il y a un grand absent sur le marché des véhicules hybrides…

Les voitures hybrides avec prolongateur d’autonomie nesont plus commercialisées (Chevrolet Volt et BMW i3 maisretirées de la vente récemment).


Un moteur thermique moderne, c’est avant tout unehistoire de compromis ! Il faut couvrir une plage defonctionnement très large en conservant un bon agrément.

2 points de fonctionnement optimisés en terme de consommation 23


24

Avez vous conduit un véhicule électrique ? Commentgérer le « Range Anxiety » ? Encore plus de batterie ?

La solution du mutation progressive de notremotorisation thermique vers l’hybridation est séduisante.

Les conditions de la réussite

25

L’hybridation avec un range extender, c’est surtout dumoteur électrique, un peu de moteur thermique, et parfoisles deux en même temps.

Avant tout chose, il nous faudrait pour développer unestratégie performante :- Des cycles de conduites réels, le plus représentatif

possible (pas de cycle normalisé),- Des modèles numériques pour représenter les véhicules- Un algorithme pour minimiser notre consommation

Mesures expérimentales

26

Les participants volontaires ont été sélectionnés suivant laméthode des quotas afin d’être équipé d’un GPS enregistrant,sur une durée de 1 mois environ, la position du véhicule, lavitesse, et l’accélération.


27

Ce panel représentatif des conducteurs de la Nièvre serendant sur leur lieu de travail en voiture, ou utilisant leurvéhicule quotidiennement nous a permis d’étudier :

- Les cycles de conduites,

- Le comportement dynamique du véhicule + conducteur,

- De déterminer la prédictibilité d’un trajet,

- De conserver un profil de besoin énergétique pour lestrajets


28

Comparaison des résultats à ceux de l’INSEE dans un milieurural. Au total, les mesures nous ont permis de récolterplus de 1625 trajets (13000 km)

Au quotidien INSEE, ADEME… Étude expérimentale

Temps passé (min) 49 28,7 ± 5,5

Distance parcourue (km) 29 24,6 ± 4,1

Vitesse (km/h) 35 52,2 ± 10,6

Nombre de trajets 3,15 3,2

• La distance parcourue est sensiblement la même.

• La vitesse moyenne est supérieur du fait de la présenced’une autoroute. Le temps passé est donc inférieur

29

Exemples de trajets type enregistrés

Trajets récurrents la semaine 2 trajet long en week-end

Trajets peu récurrents la semaine Nombreux trajet courts en week-end

En semaine En week-end

Nombre de trajets

Distancemoyenne

PrédictibilitéNombre de

trajetsDistance moyenne

Prédictibilité

F 20/30 53 15 km 87% 2 119 km 28 %

H 30/40 70 9,9 km 90 % 13 12,0 km 36 %

30

Trajets récurrents la semaine Plusieurs trajet courts en week-end

Exemples de trajets type enregistrés

31Les trajets sont prédictibles en semaine : mobilité contrainte

En semaine En week-end

Nombre de trajets

Distancemoyenne

PrédictibilitéNombre de

trajetsDistance moyenne

Prédictibilité

F 20/30 53 15 km 87% 2 119 km 28 %

H 30/40 70 9,9 km 90 % 13 12,0 km 36 %

F 40/50 80 7,5 km 60 % 21 10,6 km 10 %

H 50/60 35 5,6 km 80 % 4 104 km 17 %

BdDentière

1304 8,6 km 82 % 321 12,2 km 24 %

Analyse de la mobilité

32

Définir un cycle représentatif de la dynamique du conducteur ?

• Moyenne des cycles réalisés

• Réutiliser un cycle réel déjà effectué : Corrélation croisée

Profil de besoin énergétique

Conclusions sur les mesures

33

A partir de cette base de donnée, nous avons :

- Prouvé la bonne prédictibilité des trajets dans le cadred’une mobilité contrainte (locale),

- Construit une base de donnée des profils de besoinsénergétiques pour les trajets

- Intégré les dynamiques associées du véhicule avec sonconducteur

Sommaire






34

Objectif et enjeux• Objectifs :

– Définir les besoins énergétiques des véhicules

– Traduire les besoins de mobilité en puissance et énergie • Adapter le dimensionnement énergétique aux besoins réels des

utilisateurs

• Enjeux :

– Conférences (M. Forissier – Valeo)• Batterie : 40 – 100 kWh soit 300 – 850 kg et 6 000 – 15 000 €

• Moteur électrique : 60 – 220 kW

– Réduire le coût et la masse de la batterie

« une batterie vide pèse toujours le même poids ! »

35

Dimensionnement et résultats• Méthode de calcul :

– Impact des efforts appliqués au véhicule sur les besoins énergétiques pour les cycles de vitesses enregistrés

– Pas de pente, pas d’impact des auxiliaires

– Moteur thermique modélisé à partir d’une cartographie

Débit carburant = fonction (régime, couple)

36

Dimensionnement et résultats• Scenarios :

– 3 types de véhicules

– 3 groupes moto-propulseurs : MCI, Hybride (R.E), Electrique

– Résultats : dimensionnement du pack batterie et impact sur la consommation d’énergie

37

Citadine

Masse à vide 1050 kg

Cx 0,3

Surface frontale 1,8 m²

Volume réservoir 45 Litres

Cylindrée 1500 cm3

Berline


Cx 0,3



Cylindrée 2000 cm3

SUV


Cx 0,35



Cylindrée 2000 cm3

Dimensionnement et résultats

Pour un véhicule thermique

38

0 2 4 6 8 10 12 14 16 18 200

5

10

15

20

25

30

Rép

artit

ion

des

beso

ins

éner

gétiq

ues

jour

nalie

rs (

%)

Energie (kWh)

Citadine Berline SUV

0 20 40 60 80 100 120 1400

5

10

15

20

25

30

Rép

artit

ion

(%)

Puissance (kW)


95 % des besoins journaliers peuvent être couvert par une énergie de 10 kWh et une puissance entre 80 et 100 kW


Pour un véhicule électrique équipé d’une batterie 40 kWh (+300kg)

39

0 20 40 60 80 100 120 1400

5

10

15

20

25

30

Rép

artit

ion

(%)

Puissance (kW)


0 2 4 6 8 10 12 14 16 18 200

5

10

15

20

25

30

Rép

artit

ion

des

beso

ins

éner

gétiq

ues

jour

nalie

rs (

%)

Energie (kWh)


Augmentation de la masse → augmentaZon des besoins en puissance et énergieProblème : la batterie a toujours la même masse

Nécessité d’un dimensionnement au plus juste


40

Pour un véhicule électrique équipé d’un Range-extender

Evaluation de l’autonomie

électrique suivant WLTC

BatterieCellule SAFT VL34P

Energie spécifique: 120 Wh/kg

0 10 20 30 40 50 60 70 80 90 1000

100

200

300

400

500

Aut

onom

ie (

km)

Energie Batterie (kWh)


0 k€ 2 k€ 4 k€ 6 k€ 8 k€ 10 k€ 12 k€ 14 k€

0 kg 200 kg 400 kg 600 kg 800 kg


41

Pour un véhicule électrique équipé d’un Range-extender

Evaluation suivant WLTC

Moteur Combustion interne1 point de fonctionnement :

pme = 10 bar & CSE = 255 g/kW.h

Puissance mini : Citadine : 12,5 kW

(maintient charge) Berline : 12,5 kW

SUV : 16 kW

Dimensionnement et résultatsPour une berline électrique équipée d’un Range-extender

Stratégie :

Décharge / Recharge de la batterie

Evaluation :

600 km suivant WLTC

42

43

Pour une berline électrique équipée d’un Range-extender

Stratégie :

Décharge / maintient de charge

Evaluation :

600 km suivant WLTC



• GMP hybride :

– Batterie : 10 kWh pour une journée

– Puissance GMP : 80 – 100 kW

• Consommation de carburant fortement impactée par

– la stratégie

– La dimension de la batterie (masse)

– La puissance du moteur

• Nécessité d’une stratégie de gestion adaptée

44

Sommaire






45

Les stratégies basiques (RB)

46

La stratégie utilisée dans la plupart des véhicules hybridesactuellement est basée sur des règles et agit selon la méthodede CD/CS (décharge puis maintient de charge) [2]

Cette stratégie est loin d’être optimale puisque l’énergiethermique n’est pas forcément utilisée au bon moment

[2] Qiuming Gong, Yaoyu Li, and Zhong-ren Peng. Trip-Based Optimal Power Management of Plug-in

Hybrid Electric Vehicles. Vehicular Technology, IEEE Transactions on, 57(6) :3393–3401, 2008.

-50%

Les briques technologiques

47

Base de données expérimentale

Reconnaissance

Paramètres d’entrée

Méthode de corrélation croisée

DP du cycle sélectionné

MPC

Modèle dynamiqueApproche REM

Range ExtenderSérie

Consommation

Informations cycle

Profil conducteur

Paramètres d’entrée

Génération cycle

Stratégie

Modèle véhicule

Construction stratégie

Consignes

VéhiculesCritère

d’évaluation

� �

�

Stratégie adaptative

48

Distance des cycles de 9,2 km pour une vitessemoyenne de 44,02 km/h

CycleFacteur inter corrélation

DP du cycleDP du cycle

représentatifEcart relatif

Cycle 1 0,983 0,73 L 0,79 L 7,5 %

Cycle 2 0,979 0,64 L 0,67 L 4,4 %

Cycle 3 0,976 0,61 L 0,65 L 6,1 %

Cycle 4 0,981 0,73 L 0,77 L 5,2 %

Cycle 5 1 0,70 L 0,70 L /

Appliquer la stratégie issue de la DP du cycle le plus« représentatif » est éloigné de la stratégie optimale

49

(1-3) : Prédiction

(4-7) : Stratégie en temps réel

(8-9) : Changement d’itinéraire

(10-11) : Mise à jour de la base de données


Pertinence de cette stratégie

50

Tableau de comparaison suivant le cycle : WLTC, cycles issusde la base de données

Hypothèse : Le trajet est connu (pas de changement de cap)

La stratégie temps réel permet d’être optimal à près de 2 %pour des trajets

RB MPC DPPerformance

MPC/DPPerformance

RB/DP

WLTC 2,77 L 2,01 L 2,00 L 0,3 % 27,8 %

Cycles BdD 0,79 L 0,74 L 0,73 L 1,7 % 7,6 %

Sommaire






51

Bilan de la présentation

• Etude expérimentale : 1625 trajets – 13000 km

– En moyenne : 3 trajets/jour soit 25 km/jour à 52 km/h

• Besoins : 10 kWh/jour et 80 – 100 kW

• Mobilité fortement contrainte

– Avantages :

• Prédiction des trajets possibles à 82% en semaine

• Adaptation de la stratégie de gestion énergétique pour l’optimisation

• +2% avec une stratégie adaptative

52

53

Nouvelles perspectives de R&D

• Et la pollution ?

– Compromis consommation / pollution

– Collaboration avec IFSTTAR Bron (thèse en cours)

• Et la thermique batterie ?

– Etude du Comportement Thermique de la Batterie Lithium-ion pour Véhicules Electriques et Hybrides (thèse Z.H. Che Daud)

• Développement d’un Range Extender performant, compact, à faible coût (développement en cours chez DE).

54

Merci de votre attention

55/40

� Objectif : établir une stratégie de gestion énergétique (i.e. une répartition

de puissance) dont la consommation sera la plus basse possible.

[8] E. F. Camacho and C. Bordons. Model Predictive control. 2007

[9] Sundstrom, O. and Guzzella, L., "A Generic Dynamic Programming Matlab Function", In Proceedings of the 18th IEEE International

Conference on Control Applications, pages 1625-1630, Saint Petersburg, Russia, 2009

� Deux stratégies ont été implémentées :

� une méthode de contrôle prédictif (MPC en anglais) utilisée en temps réel

[8]

� la Programmation Dynamique (DP en anglais) effectuée à la fin du trajet [9]


� Equation d’état d’un système :

Avec � la variable d’état, � les entrées du système et � les sorties. A,B,C et D

sont les matrices d’évolution du système (modèle).

�� = �� + �� = � + �

� = �� = �� = ��

� Fonction objectif de la DP :

� Fonction objectif du MPC : � � � = � � � , � " �#�$

�

� � � = % � �& +� � � � , � � , � "��'

(



57

CSE min, Pmax

• Choix d’une zone cible

Architecture

• Monocylindre

• Bicylindre Cycle

• 4 Temps

• 2 TempsAdmission

• Atmosphérique

• CompresséTechnologies

• VVT

• Détente Prolongée

• EGR

• Injection directe

• PMF optimisée

• Refroidissement optimisé

Critères de choix de technologies d’un Range Extendeur. Des objectifs de réduction des coûts, meilleur compacité, silencieux, économe.

Pertinence de cette stratégie

58

Il est possible de faire des détours sur les trajets habituels, cequi change sensiblement l’optimalité de la stratégie. Il existeprincipalement 3 raisons :

• Poser/récupérer les enfants

• Faire des courses

A partir de 3 changements

� demander au conducteur de renseigner sa destination

Anticipation par analyse calendaire et horaire

59

� Etude de l’impact sur l’horizon de prédiction

� cycle le plus fréquent de la base de données : Nevers �

Magny-cours

� 2 cycles standards

Horizon (s) 10 20 30 40 50 60 120

Cycle BdD 0.92 0.934 0.951 0.96 0.971 0.987 0.991

� Plus l’horizon de prédiction est grand meilleure est la stratégie �

horizon de 60s retenu

� Compromis temps de calcul / optimalité à trouver

stratégie adaptative de gestion énergétique d'un véhicule...

Documents