Chapitre 4 : De l’optimisation globale au temps réel : généralisation à tout type de parcours
4.3.4 Résultats de simulation sur un cycle quelconque
60 Vi te s s e v é h ic u le (k m /h ) 0 100 200 300 400 500 600 700 800 50 55 60 Et a t d e c h a rg e (% ) 0 100 200 300 400 500 600 700 800 -10 -5 0 Temps (s) (0 )
Figure 4.6 : Exemple illustratif de la stratégie _ PRED sur un cycle répétitif
4.3.4 Résultats de simulation sur un cycle quelconque
La stratégie _ PRED a été appliquée, en simulation, sur les deux versions de véhicules hybrides considérées.
Choix de
0 : une valeur moyenne entre trois valeurs calculées sur un parcours urbain, routier et autoroutier a été choisie. N, NPREV et NPRED sont choisis d‟une manière empirique afin de trouver un compromis entre les trois critères cités précédemment.
Puissance accessoires PAUX 150W
Pas d‟échantillonnage Te 0,1s
Version Berlingo-Full-hybride-Essence :
Pour cette configuration nous avons choisi N NPREV NPRED 1000 échantillons (100 s). Les résultats sont donnés en figure 4.7 et figure 4.8. Les résultats équivalents dans le cas de l‟optimisation globale (le cycle de vitesse connu à l‟avance) sont aussi donnés.
La variation globale d‟état de charge obtenue après 7 adaptations du facteur
i est de 0,45% (X N
60, 45%). La consommation de carburant équivalente est de 6,08l/100km à même état de charge final. La consommation optimale obtenue si le cycle était connu à l‟avance est de 6,05l/100km. La dégradation des performances liée à l‟utilisation d‟une stratégie temps réel est donc seulement de 0,5%.Figure 4.7 : Résultats obtenus avec la stratégie _ PRED sur la version Berlingo-Full- hybride-Essence
Chapitre.4 De l’optimisation globale au temps réel : généralisation sur tout type de parcours
140
Figure 4.8 : Variables de commandes obtenues avec la stratégie _ PRED sur la version Berlingo-Full-hybride-Essence
Nb : On peut remarquer que la première réactualisation de la
i n‟a lieu qu‟après les premières 100 secondes, ce qui est normal, car dans les NPRED échantillons considérés, les instants d‟arrêts du véhicule ne sont pas pris en compte. Version Clio-Mild-hybrid-diesel
La capacité de la batterie étant moins importante que dans la version Berlingo-Full-
hybride-Essence, sa recharge ou sa décharge est donc plus rapide. Afin de mieux garantir la
« régulation » de l‟état de charge, le réglage des paramètres est :
1000
PREV PRED
N N et N 100.
En considérant le même cycle routier que précédemment, les résultats sont donnés figure 4.9 et figure 4.10. La variation d‟état de charge finale obtenue est de 1,68%
X N
61, 68%
. La consommation de carburant équivalente est de 3,02 l/100km, ce qui fait 1,34% de plus que l‟optimisation globale à même état de charge final (2,98 l/100km).Figure 4.9 : Résultats obtenus avec la stratégie _ PRED sur la version Clio-Mild-hybrid-diesel
Figure 4.10 : Variables de commandes obtenues avec la stratégie _ PRED sur la version Clio-Mild-hybrid-diesel
Chapitre.4 De l’optimisation globale au temps réel : généralisation sur tout type de parcours
142
Remarque 4.1 :
Pour évaluer les performances de la méthode proposée, ainsi que la pertinence de la régulation de l‟état de charge lors des variations importantes de conditions de roulage (ex : quitter un parcours urbain et entamer un parcours autoroutier), la stratégie _ PRED a été appliquée sur un cycle de vitesse représentant un trajet complet englobant différentes conditions de roulage : il combine un parcours urbain, routier et autoroutier en aller retour (issus de mesures réelles) , la durée du trajet est de 4239 s et la distance totale de 58 km.
Les résultats sont donnés sur la version Berlingo-Full-hybride-Essence, figure 4.11. La déviation globale de l‟état de charge à la fin du cycle est de -0,38%, et la consommation équivalente est de 7,27 l/100km, c'est-à-dire 1,75% de plus que l‟optimisation globale à même variation d‟état de charge finale (7,14 l/100km). La valeur de
0 estimée sur le trajet oscille toujours autour de la valeur optimale et l‟évolution de l‟état de charge de la batterie reste dans une plage de variation de 5% de sa valeur nominale (60%). Ces « bonnes » propriétés garanties par l‟algorithme assurent une consommation de carburant proche de l‟optimale, même si le cycle était interrompu avant la fin.On remarque aussi que pendant les transitions de passage d‟un type de conduite à un autre (ex : routier vers autoroutier), indiqués figure 4.11, l‟état de charge diverge un peu de l‟état nominal (-3,3% pour le premier point « 1 », et +2,5% au deuxième point « 1 »). Néanmoins après trois actualisation de
i l‟état de charge revient à sa valeur minimale, indiquée par les points « 2 ».Figure 4.11 : Résultats de la stratégie _ PRED sur le cycle mixte : version Berlingo-Full-hybride-Essence
Remarque 4.2 :
La stratégie proposée étant destinée à commander le véhicule en ligne, les démarrages/arrêts du moteur thermique et les changements des rapports de boite doivent être réalistes. Un filtrage de ces derniers est donc nécessaire. La même stratégie de filtrage que celle proposée au chapitre précédent est appliquée ici. Les figure 4.12 et figure 4.13 montrent un exemple en utilisant la version Clio-Mild-hybrid-diesel. Les rapports sont imposés et le coût associé au démarrage est
CARB
P = 0,3g/s. Les résultats suivants ont été obtenus :
une réduction des démarrages/arrêts du moteur thermique de 270 à 22 et des changements de rapports de boite de 398 à 36 ;
la variation d‟état de charge finale est de -1,55% avec une consommation de carburant de 3,1 l/100km. Dans les mêmes conditions, c'est-à-dire à même variation d‟état de charge finale et avec filtrage des rapports et l‟état moteur, la consommation obtenue en connaissant le cycle de vitesse à l‟avance est de 3,05 l/100km (-1,7%) pour un
50 6, 44 10
Chapitre.4 De l’optimisation globale au temps réel : généralisation sur tout type de parcours
144
la consommation minimale (connaissance du cycle a priori et sans filtrage) est de 2,95
l/100km pour
50 5,34 10
, c.-à-d. que le filtrage (notamment les rapports de boite imposés) à lui seul engendre une surconsommation de 3,5%.
Figure 4.12 : Résultats obtenus avec la stratégie _ PRED sur la version Clio-Mild-hybrid-diesel avec filtrage d’état moteur et rapports de boite imposés
Figure 4.13 : Variables de commandes obtenues en utilisant la stratégie _ PRED avec filtrage des états moteur et rapports de boite imposés
Pour aller plus loin dans l‟évaluation de la stratégie _ PRED, la consommation de carburant est tracée en fonction de plusieurs variations d‟état de charge final et est donnée figure 4.14. L‟écart moyen de consommation entre la stratégie temps réel (_ PRED) et l‟optimum atteignable (OG avec filtrage) en fonction de la variation globale d‟état de charge est inférieure à 3%.
Figure 4.14 : Ecart relatif de consommation de carburant entre _ PRED et l’algorithme d’OG avec filtrage des états moteur et rapports de boite imposés
La pertinence de la stratégie _ PRED dépend de la pertinence de l‟hypothèse posée sur les conditions de roulage futures. Dans le cas de faibles erreurs de prédiction les résultats de simulation trouvés sur plusieurs cycles de vitesse sont proches de l‟optimum et sont donc satisfaisants. Néanmoins la robustesse de l‟approche proposée n‟a pas été vérifiée et fait l‟objet du paragraphe suivant.