Chapitre 3 : De l’optimisation globale au temps réel : problème du véhicule en tournée
3.3 Formulation et résolution du problème d’optimisation
3.3.1 Mesures réelles
3.3.3 Stratégie proposée : _ PRES ... 104 3.3.4 Approximation de
i en temps réel ... 108 3.3.5 Algorithme pour la stratégie de commande _ PRES ... 111 3.3.6 Résultats de simulation ... 113 3.3.7 Filtrage de l‟état moteur et des rapports de boite ... 118 3.4 Conclusion ... 122Chapitre 3 : De l’optimisation globale au temps réel : problème du véhicule en tournée
98
3.1 Introduction
Comme indiqué au chapitre précédent, les algorithmes d‟optimisation globale nécessitent la connaissance a priori de l‟intégralité du parcours du véhicule. Ces algorithmes sont donc limités à la simulation. Le temps de calcul que requièrent ces derniers n‟est donc pas contraignant. Dans une situation de conduite réelle, la demande de puissance se fait par le conducteur via la pédale d‟accélérateur. Pour mieux répartir cette demande de puissance en temps réel entre les différentes sources d‟énergie à bord, la synthèse d‟une loi de gestion d‟énergie applicable en ligne est donc nécessaire. Dans ce cas, l‟algorithme appliqué doit tenir compte de deux contraintes :
Le temps de calcul de la loi de commande ne doit pas être prohibitif pour une application en ligne.
La non-connaissance des conditions de roulage futures du véhicule.
De manière générale, les lois de commande temps réel ne pourront donc pas produire de solutions optimales. L‟objectif est alors de synthétiser des lois de commande dont les performances se rapprochent le plus possible des commandes optimales obtenues hors ligne.
Dans ce chapitre, nous nous intéressons au cas particulier concernant un véhicule effectuant un trajet prédéfini (une tournée par exemple). Beaucoup de véhicules circulent dans ces conditions, notamment les véhicules professionnels tels que les bus, les camions de livraison, les machines de nettoyage, etc. Les véhicules particuliers peuvent être aussi concernés par ce cas particulier, notamment lors du trajet domicile/lieu de travail.
Le véhicule parcourant souvent le même trajet, il est tout à fait possible d‟enregistrer le cycle de vitesse et la demande de couple aux roues correspondante. Moyennant les hypothèses de modélisation, il est alors possible de calculer hors-ligne la commande optimale pour le cycle de vitesse ainsi enregistré. Si les conditions de roulage sont suffisamment reproductibles, cette commande optimale pourrait être appliquée en temps réel pour la commande du véhicule hybride. La difficulté en pratique, est la faible reproductibilité du cycle de vitesse d‟un véhicule sur un même trajet.
Dans ce chapitre, nous proposons une stratégie temps réel qui tient compte du problème de la variabilité des conditions de roulage sur le même trajet. Après une étude bibliographique sur ces problèmes, le problème de reproductibilité des conditions de roulage est étudié au travers de
l‟analyse d‟enregistrements sur un parcours réel. Une stratégie de commande basée sur une adaptation temps réel de l‟algorithme FL sera ensuite présentée. Nous montrons comment l‟algorithme proposé répond aux deux contraintes citées précédemment à savoir le temps de calcul, ainsi que la connaissance du parcours du véhicule. Enfin, des résultats de simulation sont présentés.
3.2 Etat de l’art
Nous présentons dans ce paragraphe quelques travaux visant à synthétiser des lois de gestion d‟énergie applicables en ligne dans le cas particulier d‟un véhicule circulant sur un même trajet prédéfini.
/Béguery & al. 2001/ proposent une stratégie de commande applicable en ligne pour un véhicule hybride série (bus). La méthode consiste, en utilisant l‟algorithme d‟optimisation globale FL et sur un cycle de vitesse donné, à construire hors ligne une cartographie donnant la puissance (optimale) du groupe électrogène en fonction de la puissance demandé aux roues à chaque instant (connue), et le paramètre de Lagrange
0 pour plusieurs variations d‟état de charge final. L‟application en ligne consiste à faire évoluer le paramètre
0 afin de réguler l‟état de charge dans une plage de variation spécifique.L‟application étant un bus parcourant toujours le même trajet, cette méthode peut être efficace à condition que les aléas de conduite soient similaires aux cycles utilisés pour la génération de la cartographie. Hypothèse difficilement satisfaite comme nous allons le voir dans la section 3.3.2. Une autre méthode fondée sur l‟utilisation de la programmation dynamique stochastique /Bonnans. 2004/ a été appliquée /Rutquist. 2002/, /Lin & al. 2004/, /Johannesson. 2005/. Elle consiste à réaliser un modèle stochastique des conditions de roulage (la demande de puissance à la roue) en utilisant les chaines de Markov. Il s‟agit de prédire la demande de puissance future à partir de la demande présente en utilisant une densité de probabilité. Cette dernière est déterminée à partir de mesures réelles sur le trajet considéré /Johannesson & al. 2005/. Il est clair que l‟efficacité de cette méthode dépend de la pertinence du modèle stochastique généré. /Deguchi & al. 2004/ proposent une stratégie basée sur le contrôle du niveau de charge/décharge de la batterie à partir des informations futures sur l‟état du trafic, et la pente de la route délivrées par des systèmes de navigation. Ces informations sont ensuite identifiées et classées selon six types de conditions de roulage (urbaine, périurbaine, autoroutière, etc.) avec
Chapitre 3 : De l’optimisation globale au temps réel : problème du véhicule en tournée
100
quatre niveaux de congestions (embouteillages, fluide, lent, pas d‟informations) définis au préalable. Bien entendu, dans le cas où la stratégie de commande proposée tient compte de la pente de la route empruntée, la connaissance du parcours peut améliorer sensiblement les performances énergétiques du véhicule, néanmoins, concernant les conditions de roulage, comme pour les méthodes stochastiques, les performances de cette stratégie dépendent de la pertinence d‟estimation de ces dernières.
Dans la suite du chapitre, nous montrons comment utiliser l‟algorithme FL pour synthétiser une loi de commande temps réel adaptée à ce problème particulier.
3.3 Formulation et résolution du problème d’optimisation
3.3.1 Mesures réelles
Dans la suite, le parcours du véhicule fait référence au cheminement du véhicule dans l‟espace entre ses points de départ et d‟arrivée. Le profil de vitesse fera référence à la vitesse du véhicule et au couple aux roues demandé par le conducteur lors d‟une réalisation de ce parcours.
Afin d‟étudier les variations d‟un profil de vitesse par rapport à un autre sur le même parcours, plusieurs enregistrements dans des conditions de conduites différentes (heure de pointe, heure creuse, beau temps, pluie, etc.) ont été réalisés par l‟INRETS. Ces essais ont eu lieu aux alentours de la ville de Lyon en utilisant un véhicule instrumenté sur 3 parcours différents (urbain : 4km, Routier : 12 km et Autoroutier : 16 km). Chaque parcours a été effectué une trentaine de fois. La position du véhicule et sa vitesse ont été enregistrées avec un GPS à une fréquence d‟une seconde. A titre d‟exemple, la figure 2.1 représente la carte du parcours routier étudié qui s‟étend sur 12 km. Le trajet en rouge représente l‟aller, et le bleu le retour.
Figure 3.1 : Architecture Parcours routier étudié
À titre d‟illustration, la figure 3.2 représente cinq profils de vitesses différents enregistrés sur le parcours routier. Le profil le plus rapide dure 775s, et le plus lent est de 872s. La vitesse moyenne est de 49,37km/h, et la vitesse maximale est de 90,65km/h.
Figure 3.2 : Profils vitesse en fonction du temps sur le parcours routier
Rappelons que les différents cycles de vitesse sont enregistrés sur le même parcours. La distance parcourue à chaque fois est quasi-identique. La figure 3.3 présente les 5 profils de vitesse considérés précédemment mais cette fois-ci tracés en fonction de la distance parcourue.
Chapitre 3 : De l’optimisation globale au temps réel : problème du véhicule en tournée
102
Les figure 3.2 et figure 3.3 illustrent clairement la problématique du choix de la variable indépendante. Si le temps est la variable la plus fréquemment utilisée, notamment pour établir les modèles énergétiques de véhicule et la synthèse des lois de commande, considérer la distance parcourue comme variable indépendante permet de mettre en évidence dans les profils de vitesse des caractéristiques intrinsèques au parcours.
Dans la suite de ce chapitre, nous allons utiliser cette information pour la synthèse d‟une commande temps réel dans ce cas particulier de « tournée » du véhicule.