III.2 Etat de l’art des méthodes de gestion d'énergie
III.2.1 Méthodes de répartition des puissances à base d’optimisation
Le problème de la gestion énergétique revient dans ce cas à trouver la meilleure répartition de la puissance demandée entre les différentes sources de stockage d‘énergie, de manière à minimiser le coût du système. Ce dernier peut être basé sur la consommation de carburant, les émissions de polluants, la durée de vie des composants, le confort de conduite, etc [202][32]. Dans ce contexte, une série de techniques d'optimisation ont été appliquées ces dernières années pour résoudre le problème de gestion d’énergie dans les véhicules électriques hybrides, comme la programmation linéaire ou la programmation non linéaire (LP et NLP), la programmation dynamique (DP), la commande optimale linéaire-quadratique (LQ), et l’algorithme génétique (GA) [236]. L’objectif principal de ces techniques d'optimisation est d’assurer en permanence la puissance demandée le long d’un profil de mission, en minimisant autant que possible la fonction « coût » du système [237].
En ce que concerne la régulation énergétique des sources secondaires, un critère d’optimisation qui tient compte de plusieurs paramètres à la fois (surtout le maintien de l’état de charge de la source de puissance) est généralement utilisé dans ces stratégies de gestion de l’énergie basée sur l'optimisation.
Dans les deux parties suivantes, nous présentons une analyse de deux groupes de méthodes couramment utilisées pour la gestion optimale de l’énergie.
III.2.1.1 Stratégies de gestion hors ligne
Ces techniques d'optimisation sont destinées à la résolution de problèmes d’optimisation dits difficiles (avec contraintes, de taille importante, hybride, etc.) et sont généralement
Chapitre III Nouvelles stratégies de gestion de la source hybride
99
stochastiques et itératives [32]. Les stratégies de gestion d’énergie basées sur l’optimisation hors ligne nécessitent la connaissance du profil de conduite pour trouver la meilleure répartition de puissance entre les sources d’énergie à chaque point de la mission. Cela rend l’implémentation en temps réel de ces stratégies d’optimisation globale irréalisable, par contre elles sont très utiles pour l’ajustement d’autres stratégies de gestion à base de règles.
Dans la littérature, la recherche d’une technique exacte qui donne une solution optimale a été l’objectif de nombreuses recherches ces dernières années. Cependant, la programmation dynamique est une technique qui permet de résoudre un problème d’optimisation globale à travers une séquence de calculs successifs. Cette technique a été largement utilisée pour résoudre le problème de gestion d’énergie au sein de véhicules hybrides. Elle a été appliquée par E.VINOT et al [220] pour répartir la puissance dans un système hybride de stockage composé d’une batterie et de supercondensateurs avec une fonction objectif basée sur la minimisation du courant efficace de la source principale.
La théorie de la commande optimale a été utilisée aussi pour la résolution de problèmes de gestion d’énergie dans plusieurs travaux [222][223][221]. Avec cette théorie, les stratégies de gestion d’énergie permettent de calculer l’optimum global qui minimise (ou maximise) un critère de performance sur un cycle de vitesse donné et sous les hypothèses posées.
L’application d’une méthode d’optimisation multi-objectif pour la gestion d’énergie en utilisant un algorithme génétique pour le dimensionnement et le contrôle optimal de flux de puissance d’un système multi-source est présenté par M.G. MONTAZERI et al [224]. D’autres méthodes d’optimisation aléatoires (encore appelées stochastiques ou métaheuristiques) sont utilisées pour trouver la solution optimale de répartition de puissance dans un système hybride. A titre d’exemple, on peut citer l’algorithme par essaim de particules PSO (Particle Swarm
Optimization), l’algorithme d'optimisation (Bacterial Foraging), le recuit simulé, l’algorithme
de Monte-Carlo et de Tabou [236][238]...
III.2.1.2 Stratégies de gestion en ligne
Les techniques d’optimisation globale ne sont généralement pas applicables en temps réel et pour la plupart nécessitent d’importants temps et puissances de calcul. Pour cela, certains chercheurs proposent des stratégies permettant d’obtenir une commande instantanée (en temps réel) des flux énergétiques et ne nécessitent pas la connaissance du profil de conduite par avance. Dans ce contexte, la stratégie de commande optimale basée sur le principe du maximum de Pontriaguine a été utilisée pour obtenir une répartition de puissance optimale instantanée dans un véhicule hybride [238][233][225]. En général, dans cette approche, une cartographie donnant la puissance optimale du moteur thermique en fonction de la puissance demandée à la roue est établie ainsi qu’un paramètre scalaire K définissant la propension à plus ou moins décharger la source secondaire (batterie, PAC, supercondensateurs) sur le cycle. De ce fait, ce paramètre correspond à un profil d’état de charge optimal durant l’utilisation.
Une autre stratégie de gestion d’énergie en ligne dite « ECMS » pour Equivalent
Consumption Minimization Strategy, proposée par MUSTARDO et al [228], est basée sur un
algorithme adaptatif. Cet algorithme utilise une fonction qui calcule l’équivalent de l’énergie de recharge de la batterie en consommation de carburant. La consommation globale est égale à la somme de la consommation du véhicule hybride délivrée par le moteur thermique et l’équivalent délivré par le moteur électrique.
La programmation non-linéaire (NLP) permet aussi de résoudre le problème de répartition de puissance dans un système hybride en temps réel. F. TIEFENSEE et al [229], proposent une approche non-linéaire (Passivity Based Control-PBC methodology) basée sur la passivité du système pour trouver le point optimal de fonctionnement d’une source hybride (PAC, supercondensateurs). Cette approche, qui dans cette étude est échantillonnée, permet
100
entre autres de garantir la stabilité asymptotique de l’association commande/système ainsi qu’un meilleur rendement énergétique.
D.V.NGO et al [230] proposent une stratégie de gestion d’énergie pour un véhicule hybride
basée sur l’anticipation en utilisation d’informations délivrées par des systèmes de navigation (état du trafic, et la pente de la route). Ces informations sont ensuite identifiées et classées selon les types de conditions de roulage (urbaine, périurbaine, autoroutière, etc.). La programmation dynamique couplée avec la méthode du gradient d’optimisation a été utilisée pour trouver la solution optimale selon l’état du trafic. Dans cette stratégie de gestion d’énergie, la connaissance du parcours peut améliorer sensiblement les performances énergétiques du véhicule ; néanmoins, concernant les conditions de roulage, comme pour les méthodes d’optimisation stochastiques, les performances de cette stratégie dépendent de la pertinence d’estimation de ces dernières [32].