En conclusion de ce troisième chapitre consacré à l’optimisation du système de puissance du véhicule électrique, nous revenons sur les différents types d’optimisation qu’il est possible de mettre en place sur le même système. De même que dans le chapitre 11, nous avions identifié différents modèles du même organe en fonction du domaine de validité fréquentiel (quasi-statique, transitoire lent, transitoire rapide), il est possible de distinguer différentes échelles d’optimisation. L’optimisation que nous avons qualifiée de globale pourrait également être appelée optimisation « quasi-statique », tandis que l’optimisation locale correspondrait à de l’optimisation « transitoire rapide » (commande des convertisseurs) ou « transitoire lente » (commande de la machine).
Qu’il s’agisse d’optimisations globale ou locale, la démarche reste similaire : avant d’attaquer tout problème, il convient d’identifier clairement les trois catégories critères, contraintes, degrés de liberté que nous avons citées tout au long de ce chapitre. Une fois ces paramètres renseignés, leur contenu nous oriente directement vers les modèles à utiliser ou concevoir. Il est ainsi inutile d’utiliser des modèles à commutations, aussi précis soient-ils, si nous souhaitons optimiser la commande de la machine, car les caractéristiques de ces modèles ne font partie d’aucune des trois catégories de ce problème d’optimisation (une expression des pertes par commutation et conduction suffit). Un compromis représentativité/simplicité des modèles est à faire pour chaque problème d’optimisation.
Nous avons largement étudié l’optimisation locale de la chaîne de traction (commande machine, pilotage des interrupteurs,...). Celle-ci peut paraître d’une importance moindre sur l’autonomie et les performances du véhicule par rapport à l’optimisation globale, mais il faut garder à l’esprit qu’un tel système (véhicule-machine-batterie) aussi bien dimensionné soit-il, fournira des performances bien inférieures à sa capacité s’il n’est pas correctement piloté. Son rendement en sera également fort impacté.
4
Conclusion générale
Le travail présenté dans cette thèse est une contribution à l’étude de l’augmentation de l’autonomie et à l’amélioration des performances dynamiques des véhicules électriques.
Avant de procéder à l’optimisation du système complexe qu’est la chaîne de traction électrique et de ses consommateurs auxiliaires, nous avons effectué une étape préliminaire de modélisation du système. Cette étape est essentielle à la compréhension des phénomènes qui interviennent au niveau des organes et des interactions entre ces sous-systèmes. L’approche qu’il convient d’adopter pour résoudre un tel problème ne suit pas exactement le plan de ce mémoire qui présente deux étapes bien distinctes et successives de modélisation et d’optimisation. En réalité, la réflexion sur le problème d’optimisation intervient avant toute conception de modèle. Une fois les objectifs et contraintes clairement identifiés (il se peut que d’autres contraintes apparaissent par la suite), la réalisation des modèles peut débuter. Cette démarche permet de concevoir des modèles suffisamment représentatifs des phénomènes à prendre en compte en veillant à ce qu’ils soient le plus simple possible.
Nous avons ainsi identifié différentes catégories de modèles d’un même organe, suivant leurs domaines de validité fréquentielle, mais aussi physique (thermique, électrique, mécanique,...). La notion de multi-échelles, multi-physiques est ainsi clairement apparue. Observer le courant consommé au niveau de la batterie de traction au cours d’un cycle de roulage ou observer les ondulations de ce même courant dues à la présence d’un onduleur entre la batterie et le stator de la machine va impliquer l’utilisation de modèles différents des composants de la chaîne de traction. Dans le premier cas, il s’agit de modèles moyens sans commutations compatibles du point de vue temps de calcul avec la simulation d’un cycle de roulage complet. Dans le second cas, des modèles à transitoire rapide prenant en compte les commutations d’interrupteurs seront nécessaires.
De même que différentes catégories de modèles ont été présentés au chapitre 2, différents types d’optimisations ont été exposés au chapitre 3. Nous avons distingué l’optimisation globale (ou hard) qui s’attache à modifier l’architecture du système ou qui s’intéresse au dimensionnement macroscopique des organes du système (technologie de batterie, structure du pack batterie, caractéristiques du véhicule, dimensionnement du moteur électrique) de l’optimisation locale (ou soft) qui concerne essentiellement le pilotage du système organe par organe. La démarche présentée ici est qualifiée de séquentielle : une fois l’étape de modélisation réalisée, optimisations globale puis locale sont mises en place, avec un éventuel rebouclage vers l’optimisation globale.
Perspective d’étude : l’optimisation simultanée architecture / commande
L’une des perspectives des travaux serait de s’intéresser à une approche simultanée qui consiste à optimiser conjointement l’architecture du système et la commande associée. L’optimum de cet ensemble (architecture-commande) serait au moins aussi satisfaisant sinon davantage que celui obtenu par l’approche séquentielle. En effet, la notion de bonnes performances d’une chaîne de traction n’a de sens que si elle est correctement pilotée : une chaîne de traction bien dimensionnée mais mal pilotée présentera des performances médiocres, nettement inférieures à ce qu’elle pourrait fournir.
La Figure 14.1 présente succinctement le principe d’une approche simultanée. Les paramètres surlignés correspondent aux variables d’optimisation. Il s’agit aussi bien de paramètres figés (masse du véhicule, section frontale, coefficient de résistance au roulement, structure du pack batterie,...), que de paramètres de commande (courants dans la machine à chaque instant). Notons que les résultats de ce problème sont extrêmement liés au choix du cycle de roulage imposé en entrée. Il convient donc de choisir un cycle le plus représentatif possible de la conduite d’un utilisateur lambda.