Représentation d‟une variable environnementale ou d‟une mission à l‟issue d‟une

Pour optimiser l‟efficacité énergétique d‟un système au regard des variables environnementales, la prise en compte des aspects statistiques s‟avère indispensable. Nous distinguerons dans cette partie deux approches. La première est basée sur l‟analyse de distribution statistique relative à la variable d‟environnement considérée (typiquement histogramme de répartition de puissance). La seconde repose sur l‟analyse des variables d‟environnement à l‟aide de méthodes de classification.

1.3 Prise en compte de la mission et des variables environnementales : état de l‟art 21

 Exploitation des distributions statistiques des variables environnementales

La prise en compte des occurrences statistiques relatives aux points de fonctionnement d‟un système est primordiale si l‟on souhaite que celui-ci soit optimisé au mieux pour l‟ensemble de ces opérations. Nous avons déjà signalé au paragraphe1.3.1 qu‟un dimensionnement en un point nominal permettant de respecter des contraintes d‟énergie ou de puissance, ne garantissait en aucun cas une efficacité énergétique « optimale » et un dimensionnement optimal sur l‟ensemble d‟une mission. Pour remédier à ce problème, et généraliser des approches de dimensionnement à un ensemble de points de missions, nous pouvons en première approximation considérer la mission comme une succession de régimes statiques pondérés par leurs occurrences. L‟inconvénient de cette méthode est l‟absence de prise en compte des aspects dynamiques liés aux transitions entre les différents points de fonctionnement. Toutefois, si ces phénomènes ne sont pas prépondérants dans les bilans globaux, elle offre un intérêt tout particulier vis-à-vis de la minimisation des temps de calculs. On notera par ailleurs qu‟il est tout à fait possible de synthétiser des échantillons temporels à partir d‟occurrences statistiques si l‟on souhaite inclure les aspects dynamiques. Cette approche a notamment été utilisée pour la génération de signaux de vent en éolien. Le gisement éolien associé à un site donné peut être caractérisé en termes d‟occurrences statistiques à partir de mesures de vitesses de vent sur de longues périodes. Habituellement, les gisements sont représentés par des lois de Weibull [KRE 09]. Il est alors possible de générer pour la variable de vent un signal temporel de durée réduite à partir de la distribution statistique [ABD 07]. L‟approche est basée sur un générateur de nombre aléatoire ayant comme densité de probabilité la distribution statistique ainsi déterminée. La séquence des échantillons obtenus est ensuite interpolée pour construire le signal temporel (cf. Figure 1.13). Nous reviendrons dans le chapitre 3 sur les détails de cette approche dans un contexte de génération d‟un profil représentatif de la vitesse du vent.

Échantillonnage Interpolation

Distribution statistique Base de données

réelles Signal continu de durée réduite

0 0.5 1 0 5 10 15 20 25 Temps (h) A m p lit u d e 0 500 1000 1500 0 5 10 15 20 25 Temps (h) A m p lit u d e

 Utilisation de méthodes de classification

La complexité liée à l‟intégration d‟un ensemble de points de fonctionnement ou de cycles temporels liés aux variables d‟environnement peut être réduite en utilisant des méthodes de classification. Nous illustrons ce type d‟approche à l‟aide de deux exemples distincts : l‟intégration des missions de circulation pour des véhicules automobiles et la prise en compte des caractéristiques d‟un gisement éolien relatif à un site géographique particulier.

(a) Analyse de missions de circulation de véhicules automobiles

Bien que les cycles normalisés présentés précédemment permettent d‟établir une comparaison de la consommation et de la pollution des véhicules dans une même sphère européenne, ces derniers sont loin de décrire les conditions réelles d‟utilisation du véhicule. Pour remédier à cette insuffisance, l‟INRETS (Institut national de recherche sur les transports et leur sécurité) devenu aujourd‟hui l‟IFSTTAR, en collaboration avec d‟autres partenaires, s‟est investi dans la détermination des cycles représentatifs des conditions d‟usage et de fonctionnement des véhicules. L‟idée est d‟extraire des profils de vitesse représentatifs, à partir de l‟analyse d‟une base de données importante. Il s‟agit plus précisément de classer les séquences de circulation réelle enregistrées d‟une part selon les conditions de circulation (vitesse, accélération, température, situation du trafic,…) ce qui donne lieu à des classes types et d‟une autre part selon les conditions d‟usages (trajets, distance, conditions de démarrage, …) ce qui permet de définir des classes de trajets (urbain, routier et autoroutier)

[JOU 99], [AND 04]. Les cycles retenus sont typiquement déterminés selon un enchaînement ou un séquencement des profils représentatifs des classes obtenues (cf. Figure 1.14).

Dans ce contexte, l‟INRETS a équipé plusieurs véhicules français par une instrumentation embarquée permettant de relever plusieurs paramètres de fonctionnement (vitesse, accélération, durée, distance, régime moteur, conditions de démarrage, température,…) lors d‟un usage quotidien par leurs propriétaires. Dans le cadre du projet européen HYZEM (European Development of Hybrid Vehicle Technology approaching efficient Zero Emission Mobility), une campagne d‟enregistrement a concerné 77 voitures privées européennes utilisées pendant un mois, en France, Allemagne, Grande-Bretagne et Grèce,sur 10 400 trajets et 90 000 km [AND 97]. L‟analyse de ces profils a donné lieu à deux partitions imbriquées en 3 et 8 classes dont chacune est représentée par le profil le plus proche de son centre. La première classification concerne les types de trajets (urbain, routier et autoroutier) tandis que la deuxième permet une description plus fine de ces trois principaux trajets. Il s‟agit par

1.3 Prise en compte de la mission et des variables environnementales : état de l‟art 23

exemple de qualifier un cycle ou un trajet principal (urbain, routier et autoroutier) selon les critères de stabilité de la vitesse, la durée d‟arrêt, le niveau de vitesse et la distance du trajet

[JOU 99]. Nous donnons à la Figure 1.15 les profils de vitesse des principaux cycles HYZEM.

Observation des usages et conditions de fonctionnement des véhicules

(instrumentation et suivi d‟un échantillon de véhicules privés en usage normal)

Construction des cycles d‟essai représentatifs des

classes obtenues

Description des conditions de circulation

(analyse des profils de vitesse en classes types)

Description des conditions d‟usage

(analyse des trajets en classes types)

Figure 1.14. Principe de la détermination des cycles représentatifs [JOU 99]

HYZEM Urbain HYZEM Routier HYZEM Autoroutier

Figure 1.15. Cycles représentatifs HYZEM

La base de donnée du projet HYZEM a été ensuite réutilisée dans le cadre du projet européen ARTEMIS (Assessment and Reliability of Transport Emission Models and Inventory Systems) avec plusieurs autres enregistrements appartenant à différents laboratoires dont l‟objectif est l‟amélioration des méthodes d‟estimation et d‟inventaire des émissions de polluants dans le domaine du transport. Depuis 2005, ce projet a donné lieu à différents cycles

représentatifs des divers trajets et de l‟ensemble des conditions de conduite [AND 04],

[AND 05].

(b) Analyse de gisements éoliens

Ce deuxième exemple repose sur les mêmes principes que ceux évoqués dans la partie précédente. Il s‟agit de regrouper dans une même classe, des séquences temporelles caractérisées par des distributions statistiques similaires. La similarité entre les distributions statistiques des séquences temporelles à classer peut être décrite par les premiers moments statistiques (moyenne, écart type) [CAL 04] ou plus finement par les caractéristiques d‟ensemble de la distribution statistique en considérant tous les moments statistiques

[CAL 08]. La répartition obtenue propose, pour un nombre de classes donné, la distribution type définissant chaque classe ainsi que la probabilité associée pour qu‟une séquence appartienne à une classe. Le chronogramme temporel représentatif de chaque classe est ensuite obtenu à partir des caractéristiques statistiques de sa distribution type.

Cette approche a été appliquée pour la classification de la vitesse du vent dans le cadre des travaux de recherches menés au GRER (Groupe de Recherche en Energie Renouvelable d‟Antilles Guyane en collaboration avec le MAPMO (Laboratoire de Mathématiques et Applications Mathématiques et Physiques d‟Orléans). 106 séquences temporelles de 10 minutes de la vitesse du vent ont été mesurées sur le site de « Petit Canal » de la Guadeloupe. Trois classes de vent typiques du gisement ont pu être dégagées. La première classe, regroupant les évènements météorologiques les plus probables (90%), est caractérisée par une distribution statistique unimodale symétrique. La deuxième classe, représentative de 9% seulement des événements, est définie par une distribution unimodale asymétrique. Enfin, à la troisième classe sont affectés les événements qui se produisent très rarement (1%) caractérisés par une distribution bimodale.

1.4 Nouvelle approche de classification et de synthèse d’une mission représentative dimensionnante