Stratégies de gestion d’énergie fondée sur des méthodes d’optimisation 13

Les mesures qui décrivent le comportement des composants et les cycles de conduite du véhicule doivent être précises et correctes afin de pouvoir utiliser le contrôleur de façon efficace. Les avancées technologiques des capteurs (pour les mesures) et la possibilité de connaître le chemin parcouru d’un véhicule accroissent les perspectives des travaux de développement des algorithmes d’optimisation en ligne. Contrairement aux stratégies de gestion d’énergie fondées sur des règles, celles utilisant des algorithmes d’optimisation cherchent plutôt la solution optimale à partir d’une fonction de coût. Les approches peuvent être divisées en deux catégories : l’optimisation fondée sur les données historiques (hors-ligne) et l’optimisation fondée sur les données en temps réel (en ligne) [40,41].

Les contrôleurs qui adoptent la stratégie d’optimisation sur les données historiques cherchent le minimum de la fonction de coût dans le cas d’un cycle de conduite prédéfini avant la mise en œuvre dans le véhicule. Un exemple d’approche de cette méthode peut être la programmation dynamique. Comme c’est une méthode d’optimisation hors-ligne, elle est dépendante du cycle de conduite et de l’architecture de la chaîne de traction [40]. Par conséquent, leur implémentation sur des VEHs avec des architectures complexes de la

chaîne de traction, devient aussi complexe et nécessitent une puissance de calcul importante. D’autres approches d’optimisation permettant d’obtenir des solutions hors-ligne sont les algorithmes génétiques [45].

D’autre part, les superviseurs utilisant des problèmes d’optimisation résolus en temps réel font appel à des approches telles que la stratégie de minimisation de la consommation équivalente (en anglais, ECMS : Equivalent Consumption Minimatization Strategy), la straté-gie de la commande prédictive à base de modèle (en anglais, MPC : Model Predictive Control) ou de la commande prédictive fonctionnelle (en anglais, PFC : Predictive Functional Control).

1.2.2.1 Minimisation de la consommation équivalente (ECMS)

Cette méthode d’optimisation consiste à évaluer la fonction de coût comme une somme de la consommation de carburant et de la consommation de carburant corrigée. La consom-mation corrigée est calculée en utilisant la variation de l’état de charge de la batterie [46]. Comme les consommations de la source carburant et de la source électrique ne sont pas directement comparables, un facteur d’équivalence est nécessaire. Ce facteur peut être calculé par les trajectoires énergétiques moyennes des sources du véhicule. Comme les rendements des composants peuvent différer selon les zones d’opération, cette méthodologie est valable pour les évaluations des valeurs moyennes. Dans leChapitre 5, un des critères d’évaluation de la performance du véhicule, la consommation corrigée, est calculée en considérant cette approche, mais elle n’est pas utilisée pour l’optimisation énergétique du véhicule dans le cadre de cette thèse.

Dans [47], une stratégie de gestion d’énergie fondée sur la minimisation de la consom-mation équivalente est mise en œuvre pour les véhicules hybrides avec une architecture de chaîne de traction parallèle. Les simulations sont effectuées pour un cycle de conduite NEDC, pour un véhicule hybride ayant un moteur thermique, lequel s’il est utilisé seul (fonction-nement comme un véhicule conventionnel) conduit à une consommation de carburant de 8 l/100 km. Les résultats des simulations montrent que le véhicule hybride pris en considéra-tion a une consommaconsidéra-tion de carburant de 6,9 l/100 km, et en complément à ce résultat une augmentation de l’état de charge de la batterie de 1,5% est remarquée. Finalement, si cette augmentation est considérée, une consommation de carburant de 6,6 l/100 km est estimée et menant ainsi à une amélioration de 17,5% de la consommation de carburant.

Un autre exemple pour cette stratégie est décrit dans [48]. Cette analyse a été effectuée par TU Eindhoven et porte sur l’utilisation d’un démarreur-générateur intégré pour l’hybridation du véhicule considéré. Dans la stratégie proposée, la consommation de carburant pour charger la batterie est exprimée en fonction de la puissance utilisée. Ainsi, la consommation équivalente de la chaîne de traction électrique est prise en considération et avec cette valeur la consommation de carburant totale (la consommation corrigée) est utilisée. Les simulations sont effectuées avec un cycle de conduite NEDC comme dans l’exemple précédent, et les résultats de ces simulations illustrent que la performance de la stratégie de gestion d’énergie dépend aussi de la variation de l’état de charge de la batterie. Cela montre que dans cette

application, conserver l’état de charge à son niveau initial peut générer des dynamiques importantes aux composants et augmenter la consommation. Mais conserver l’état de charge initial en fin de conduite (pour le segment de conduite type autoroute pour ce cycle) et pas dans l’ensemble du cycle peut être avantageux selon les résultats de cet exemple. Néanmoins, l’écart entre les résultats est faible (∼1%). En conclusion, les auteurs précisent que la stratégie proposée pour l’implémentation dans le véhicule exclut des algorithmes d’optimisation complexes.

1.2.2.2 Commande prédictive (MPC)

La commande prédictive (en anglais MPC : Model Based Predictive Control) est une stratégie de commande fondée sur l’utilisation explicite d’un modèle pour prédire la sortie du processus sur une durée relativement importante. Plus précisément, ce n’est pas une stratégie spécifique mais un ensemble de techniques de commandes fondée sur des principes communs [20,41,49-55].

MPC a certains avantages par rapport à d’autres types de méthodes. Il permet :

i. de résoudre des problèmes de commande pour des systèmes ayant une dynamique importante,

ii. de traiter les systèmes multivariables,

iii. d’introduire naturellement une compensation des perturbations mesurées,

iv. de prendre en compte des contraintes sur une variable manipulée ou une variable contrôlée.

En revanche, MPC nécessite un temps de calcul relativement important ce qui représente un handicap important pour les processus rapides (systèmes mécaniques, robotique, ...).

Le désavantage principal est la nécessité d’un modèle représentant fidèlement le compor-tement dynamique du procédé. Une modélisation ou une identification du système est donc nécessaire ce qui représente, en général, un investissement important. La mise au point de la commande MPC peut être ensuite rapide.

Les principes d’une commande MPC sont :

• A chaque instant t, la sortie du processus est prédite sur un horizon relativement long (par rapport à l’approche PFC, Commande Prédictive Fonctionnelle). La prédiction utilise un modèle du procédé, elle dépend aussi du scénario de commande qu’on désire appliquer à partir de l’instant t.

• Une suite de commandes est ensuite déterminée de manière à minimiser l’écart entre la prédiction de la sortie du processus et la trajectoire de référence. Il est à noter que, dans la plupart des méthodes, la commande est créée dans le futur.

• Le premier échantillon de la séquence « optimale » de commande est appliqué. Les autres éléments ne seront pas utilisés : toute la procédure sera réitérée à l’instant suivant t+1. Ce principe est appelé « stratégie à horizon glissant ».

La stratégie décrite ci-dessus met en évidence les éléments caractéristiques d’une com-mande MPC :

• prédiction à l’aide d’un modèle, • choix d’une trajectoire de référence, • développement de la commande future,

• algorithme d’optimisation du scénario de commande.

Pour chacun de ces éléments, plusieurs options sont possibles, ce qui différencie entre elles les méthodes MPC. Des détails et une application sur un véhicule hybride électrique sont données enAnnexe B.

Dans [49] un cas d’étude est abordé avec l’application de gestion d’énergie d’un véhicule hybride rechargeable (poids-lourd, par exemple bus). Dans cette application, le véhicule hybride a plusieurs éléments de stockage électrique (batterie et super capacité) avec un ensemble d’éléments de puissance (chaîne de traction thermique) pour la traction. L’approche proposée fait appel à l’utilisation de MPC pour la répartition de puissance entre les stockages électriques et une stratégie fondée sur des règles pour la répartition de puissance entre les chaînes de traction thermique et électrique. Le processus de l’approche MPC utilise la prédic-tion sur un horizon fixé de la vitesse future. La résoluprédic-tion a été effectuée par programmaprédic-tion dynamique afin d’optimiser la stratégie de commande. L’approche est évaluée selon trois cycles de conduite différents. Ces cycles sont adaptés pour l’utilisation dans des applications pour des véhicules poids-lourd. Les résultats montrent que l’approche proposée dans les travaux effectuées conduit à une amélioration de la consommation de carburant de 21,88% pour le cycle Manhattan.

Un autre exemple [52] porte sur une application d’un véhicule hybride avec une archi-tecture Séries (en anglais range-extender). Les auteurs utilisent l’information obtenue par le système de navigation pour le déplacement du véhicule afin de résoudre le problème d’optimisation globale hors-ligne. La commande prédictive proposée assimile cette trajec-toire obtenue hors-ligne (trajectrajec-toire de l’état de charge de la batterie) comme des points de consigne pour chaque horizon glissant. Les simulations sont effectuées avec un état de charge initial de la batterie de 50% et les résultats des simulations montrent une amélioration de 15,18% de la consommation de carburant pour le cycle de conduite donné.

Un dernier exemple de la commande prédictive pour la gestion d’énergie d’un véhicule hybride est décrit dans [54]. Ce travail a été réalisé par le National Cheng Kung University, Taiwan. Dans ces travaux, un véhicule hybride rechargeable est pris en compte. Une ap-proche est proposée pour la gestion des ressources entre les chaînes de traction électrique et thermique pour une architecture parallèle afin de réduire la consommation de carburant. La stratégie présentée est utilisée pour déterminer les cycles d’allumage/arrêt de la chaîne de traction thermique. Les simulations sont effectuées avec 6 cycles NEDC et 6 cycles UDDS, au lieu d’un seul cycle de chaque norme de conduite, pour prolonger les distances parcourues en traction électrique (car les PHEV ont des stockages électriques avec des capacités relativement

importantes) afin d’obtenir une meilleure estimation de la consommation de carburant. Les résultats de simulation montrent une amélioration comprise entre 18,3% et 3,9% pour les cycles NEDC et entre 10,3% et 3,7% pour les cycles UDDS comparativement aux stratégies fondées sur des règles et ECMS.

1.2.2.3 Commande prédictive fonctionnelle (PFC)

La commande prédictive fonctionnelle (en anglais, PFC : Predictive Functional Control) est une méthode de commande appartenant à la famille des commandes MPC. Elle diffère des autres méthodes par le choix des éléments principaux qui seront précisés dans laSection 4.2.

Dans la littérature, cette approche est utilisée plutôt pour des applications industrielles mais les exemples sur les applications des véhicules hybrides de la MPC peuvent être considérés ainsi pour PFC [20,56-58].

Ces stratégies de gestion d’énergie utilisant des méthodes d’optimisation doivent être résolues par des méthodes de résolutions adaptées : la programmation dynamique [59-62], la programmation quadratique [50], [63-65] (procédé qui permet de trouver une solution à un problème d’optimisation quadratique, elle est utilisée dans ces travaux pour résoudre le problème d’optimisation posé par la commande prédictive dans leChapitre 4), la program-mation linéaire [66] (méthode permettant de résoudre un problème d’optimisation linéaire) et les algorithmes génétiques [67,68].