31/03/2017 Dimensionnement de la chaîne de traction d’un véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Merci.

Présentation au sujet: "31/03/2017 Dimensionnement de la chaîne de traction d’un véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Merci."— Transcription de la présentation:

1 31/03/2017 Dimensionnement de la chaîne de traction d’un véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Merci M. le Président. M. Le Président, Madame et Messieurs les membres du jury, Mesdames et Messieurs, Je vais vous présenter une synthèse de mes travaux de recherche conduits au sein du laboratoire IREENA qui portent sur le “dimensionnement de la chaîne de traction d’un véhicule électrique hybride, basé sur une modélisation stochastique de ses profils de mission”. Cette étude a été dirigée par M. Patrick Guérin et encadrée par Mme Laurence Miègeville. Gwenaëlle Souffran Directeur de thèse : Patrick Guérin Encadrante : Laurence Miègeville

2 Transports : Vers le développement durable
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Transports : Vers le développement durable Réchauffement climatique et pollution de l’air Epuisement des ressources fossiles Je vais commencer par vous présenter le contexte de ces travaux, à la suite de quoi j’introduirai le plan de ma présentation. Le domaine des transports doit aller vers plus de développement durable. En effet, le réchauffement climatique est une réalité et la pollution de l’air est inquiétante notamment dans les grandes villes. De plus l’épuisement des ressources fossiles se profilent : d’après ce graphique, on voit que les découvertes vont se faire de plus en plus rare, alors que la consommation et donc la production ne cessent d’augmenter partout dans le monde. L’objectif est donc de réduire la dépendance des transports aux carburants fossiles. Réduction de la consommation de carburant fossile

3 Véhicule à moteur à combustion Véhicule électrique hybride
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Transports : Quelles solutions ? Critère Véhicule électrique à batterie à PAC (H) Véhicule à moteur à combustion Véhicule électrique hybride Bicyclette Energie embarquée    Rendement Rejet de polluants Recyclage Maintenance Durée de vie Autonomie NOTE 1 2 5 Véhicule hybride : un compromis… Mais quelles sont les solutions pour réduire cette consommation de carburant ? Nous avons comparé cinq types de véhicules : le véhicule à pile à combustible hydrogène, le véhicule électrique sur batteries, le véhicule thermique conventionnel, le véhicule électrique hybride et… le vélo… Ils ont été évalués sur huit critères allant de la dépendance de l’énergie embarquée aux énergies fossiles à l’autonomie des véhicules. X Selon un 1er groupe de critères : les véhicules électriques ont l’avantage par rapport aux véhicules tout ou partiellement thermiques. Selon un 2ème groupe de critères : les véhicules thermiques reprennent l’avantage. Comme vous pouvez le constater, cette étude comparative nous amènerait à choisir la bicyclette… Cela dit, n’ayant pas matière suffisante pour un sujet de thèse, nous avons choisi de nous intéresser au VEH Qui apparaît actuellement comme un bon compromis pour un véhicule grand public

4 Véhicules hybrides : Quels composants ?
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Véhicules hybrides : Quels composants ? Moyens de production Moteur thermique Pile à combustible Eléments de stockage Batterie Super Capacité Convertisseurs d’énergie Moteur électrique Génératrice Un véhicule électrique hybride est un véhicule combinant : un moyen de production d’énergie comme un moteur thermique avec son réservoir de carburant ou une pile à combustible un élément de stockage qui fournit ou récupère de l’énergie un ou plusieurs convertisseurs d’énergie électrique vers mécanique et inversement, typiquement une machine électrique. X Dans cette étude, nous nous sommes intéressés au véhicule hybride combinant un moteur thermique classique, une batterie et une machine électrique. Maintenant que les composants sont choisis, intéressons-nous au choix de l’architecture.

5 Véhicules hybrides : Quelle architecture ?
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Véhicules hybrides : Quelle architecture ? Structure Série Parallèle Combinée Degré d’hybridation ? Ebat ? Pme ? Pmt ? Parmi les véhicules électriques hybrides, il existe différentes structures qui dépendent de la manière dont sont connectés entre eux le moteur thermique, la batterie et la machine électrique. Parmi les architectures les plus connues, on trouve les structures série, parallèle et un combiné des deux. On a ensuite le choix du degré d’hybridation entre le véhicule tout thermique et le véhicule électrique, allant du micro-hybrid avec un système de stop&start au plug-in hybrid qui peut être rechargé sur une prise secteur. X La question est donc : comment choisir la structure et la puissance nominale des composants ? Comment concevoir et optimiser la chaîne de traction ?

6 Critère d’optimisation
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Critère d’optimisation Critères possibles : Masse Volume Durée de vie Coût Emissions de CO2 et de NOx Consommation énergétique Afin d’effectuer ces choix, il existe plusieurs critères Comme la masse et le volume de la chaîne de traction, Sa durée de vie et son coût, Ses émissions de polluants Ou sa consommation énergétique. X Nous avons choisi de la consommation énergétique comme critère d’optimisation car cette grandeur est partiellement liée à plusieurs des autres critères. En effet, plus la masse du véhicule est élevée, plus la consommation sera importante, plus le véhicule consommera, plus les émissions de polluants seront élevées et plus les dépenses pour l’achat de carburants seront élevées.

7 Objectif : Dimensionnement d’une chaîne de traction hybride
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Objectif : Dimensionnement d’une chaîne de traction hybride Par rapport à l’usage réel du véhicule Sur une mission réaliste Sur un usage spécifique (urbain, routier, livraison…) De manière « robuste » En prenant en compte la variabilité de la mission Sur un grand nombre de missions Sans faire de choix « a priori » Sur la structure Sur les composants (Pnominale) L’objectif de cette étude est donc de proposer une méthode de dimensionnement de la chaîne de traction d’un véhicule électrique hybride selon trois contraintes : D’abord, par rapport à l’usage réel d’un véhicule, ce qui implique de considérer une mission réaliste. De plus, afin d’optimiser la chaîne de traction, on doit considérer l’usage spécifique du véhicule. Ensuite nous souhaitons développer cette méthode de manière robuste, c’est-à-dire qu’on prendra en compte la variabilité de la mission et qu’on ne se limitera pas à une mission standard unique Enfin, nous ne souhaitons pas faire de choix a priori, ni sur la structure, ni sur la puissance nominale des composants. A partir d’une famille de missions du véhicule, le processus de dimensionnement sera donc capable de conseiller la puissance du moteur thermique, de la machine électrique et de la batterie. Pmt Pme Ebat Missions du véhicule Dimensionnement

8 Sommaire Modèle de l’usage d’un véhicule
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Modèle de l’usage d’un véhicule Qu’est-ce que la mission d’un véhicule ? Comment la modéliser ? Modèle de la chaîne de traction Quels modèles des composants ? Quelle gestion de l’énergie ? Pré-dimensionnement d’un véhicule urbain Quelle méthode ? Quelle mission choisir ? Quels résultats ? Conclusion & Perspectives Afin de répondre à cette problématique, ma présentation est composée de trois parties : - Dans un premier temps, je vais présenter la modélisation de l’usage d’un véhicule, je vais définir ce qu’est la mission d’un véhicule et nous verrons comment elle peut être modélisée. Dans un second temps, je vais présenter la modélisation de la chaîne de traction. Nous verrons quel modèle utilisé pour chacun des composants et la stratégie de gestion de l’énergie proposée. Ces modélisations seront ensuite appliquées à un cas de pré-dimensionnement d’un véhicule urbain. Nous verrons quelle méthode utiliser pour effectuer ce pré-dimensionnement, quelle mission apparaît comme la plus pertinente et quels résultats seront obtenus. Finalement, je conclurai et vous donnerai les perspectives sur cette étude. X Commençons par la modélisation de l’usage d’un véhicule.

9 Comment définir la mission d’un véhicule ?
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Comment définir la mission d’un véhicule ? Influence du processus de dimensionnement Dépendance de {Pmt, Pme, Ebat} à Proues (difficilement mesurable) Utilisation du modèle mécanique du véhicule avec 2 entrées Masse du véhicule Grandeurs caractérisant la mission du véhicule Problème : mvéhicule dépend de mtraction qui dépend du dimensionnement mission {?} Proues Pmt Pme Ebat Modèle mécanique Dimension- nement mvéhicule masse mchâssis + mtraction Calcul de mtraction Pour notre problématique de pré-dimensionnement, on cherche la puissance du moteur thermique, de la machine électrique et de la batterie qui dépendent de la puissance demandée aux roues du véhicule. Une idée serait donc de considérer le profil de puissance comme mission du véhiucle. Seulement cette puissance n’est pas disponible ou difficilement mesurable. X Classiquement, on utilise donc le modèle mécanique qui possède deux entrées : la masse du véhicule et les grandeurs caractérisant la mission du véhicule. Le problème est que la masse du véhicule dépend du résultat du dimensionnement. Ceci exclut donc de considérer un profil de puissance comme mission du véhicule. On voit donc qu’on a besoin du modèle mécanique pour définir la mission du véhicule.

10 résistance au roulement
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Modèle mécanique Bilan des forces Force aérodynamique Fw = ½  Af Cw ν² Force de roulement Fr = m g Cr cos Force due à l’inclinaison Fh = m g sin Force d’accélération Fa = m λ γ Seconde loi de Newton Puissance aux roues Proues = (Fw + Fr + Fh + Fa ) x ν = f (m, ν, γ, ) Bilan des forces agissant sur le véhicule poids résistance au roulement force d’inertie force aérodynamique 1 paramètre dépendant du dimensionnement : Masse du véhicule m 3 variables définissant la mission du véhicule : Vitesse : ν Accélération : γ Inclinaison : α D’après ce modèle mécanique et le bilan de puissance associé, il y a quatre forces agissant sur un véhicule : La force aérodynamique qui dépend de la vitesse au carré, Les forces de roulement et due à l’inclinaison sont fonction de la masse du véhicule et de la pente de la route, Et la dernière est la force d’accélération qui dépend de la masse et de l’accélération du véhicule. Ceci pour des caractéristiques de châssis données. Ensuite, la seconde loi de Newton permet de calculer la puissance roues par la somme de ces quatres forces multipliée par la vitesse du véhicule. Ainsi, pour un châssis donné, la puissance aux roues est fonction d’un paramètre qui dépend du dimensionnement, la masse du véhicule, et de trois variables, la vitesse, l’accélération et l’inclinaison de la route, qui définissent la mission du véhicule. On peut alors se demander si la puissance demandée aux roues est autant sensible à chacune de ces quatre variables. C’est pourquoi nous avons effectué une analyse de sensibilité.

11 Analyse de sensibilité (Puissance)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Analyse de sensibilité (Puissance) Sensibilité de Proues à la vitesse Sensibilité de Proues à l’accélération m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h =0% Variation quadratique Variation linéaire x2 +29 kW 0 - 0,3 m/s² 0 à 100 km/h en 93s km/h Sensibilité de Proues à l’inclinaison Sensibilité de la puissance aux 3 variables de la mission du véhicule : {ν, γ, } Qu’en est-il de la masse ? m=1500kg ν=90km/h γ=0m/s² Variation linéaire L’analyse de sensibilité en termes de puissance est présentée ici en fonction de chacune des grandeurs. Pour l’analyse de la sensibilité par rapport à la vitesse, les autres grandeurs ont été fixées à 1500kg pour la masse, une accélération et une pente nulles. On observe une variation quadratique de la puissance en fonction de la vitesse. A accélération et inclinaison nulles, une vitesse de 120km/h engendre une puissance demandée aux roues de 28kW. X Pour déterminer la sensibilité par rapport à l’accélération, la vitesse du véhicule est fixée arbitrairement à 90km/h. La puissance évolue linéairement en fonction de l’accélération du véhicule. Une accélération moyenne de 0,3m/s² entraîne une augmentation de 100% de la puissance par rapport à une accélération nulle. Concernant la sensibilité des forces à l’inclinaison, on observe ce même ordre de grandeur pour une pente allant de -5% à 5%. Ce qui n’est du tout négligeable. >>> Afin d’évaluer l’impact de la masse du véhicule sur la puissance demandée, nous avons repris cette analyse pour une masse de véhicule divisée par 2. x2 0 - 3%

12 Analyse de sensibilité (Puissance)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Analyse de sensibilité (Puissance) Sensibilité de Proues à la vitesse Sensibilité de Proues à l’accélération m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h =0% m=750kg γ=0m/s² =0% m=750kg ν=90km/h =0% Sensibilité de Proues à l’inclinaison Sensibilité de la puissance à la masse notamment pour γ et  non nulles Comment la mission du véhicule est-elle prise en compte dans la littérature ? m=1500kg ν=90km/h γ=0m/s² Pour chacune des variables, la courbe de la puissance pour une masse de véhicule de 750kg a été superposée. On voit que la masse a un impact non négligeable, notamment pour des accélérations et des inclinaisons nulles. Ainsi, nous avons mis en évidence l’importance de prendre en compte ces quatres grandeurs dans notre problème de modélisation de l’usage d’un véhicule. Nous allons maintenant voir comment ces grandeurs sont prises en compte dans la littérature. m=750kg ν=90km/h γ=0m/s²

13 Cycles de conduite à réalité limitée
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Mission d’un véhicule : état de l’art Trois types de cycles Cycles de conduite à réalité limitée Cycles développés à partir de mesures Cycles générés de manière stochastique Dans quel objectif ces cycles ont-ils été développés ? Ces cycles sont-ils adaptés à notre étude de dimensionnement ? Dans la littérature, plusieurs cycles ont été développés en prenant plus ou moins en compte les trois variables de la mission d’un véhicule…

14 Mission d’un véhicule : état de l’art
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Mission d’un véhicule : état de l’art Cycles de conduite à réalité limitée Exemples de cycle Usage Véhicule Objectif Ex. d’utilisation NEDC (New European Driving Cycle) Mixte urbain et extra-urbain Léger Emissions + Consommation Conception + Contrôle (Kleimaier, 2000) JPN (Japonais) Contrôle (Barsali, 2004) NEDC Adaptation au dimensionnement ?  Parfaitement défini  Simple  Profil de vitesse non réaliste !  Inclinaison non prise en compte… La première catégorie contient des cycles de conduite à réalité limitée comme le cycle européen NEDC ou le cycle japonais JPN Ces cycles représentent la vitesse du véhicule en fonction du temps comme on peut le voir… Ces cycles sont bien spécifiques et simple de mise en oeuvre sur banc d’essai mais ils ont été conçu dans un contexte particulier qui est le calcul des émissions de polluants et de la consommation des véhicules afin de pouvoir les comparer entre eux. On peut se demander s’ils sont bien adaptés à notre problématique de dimensionnement. JPN 10-15

15 Mission d’un véhicule : état de l’art
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Mission d’un véhicule : état de l’art Cycles développés à partir de mesures Exemples de cycle Usage Véhicule Objectif Ex. d’utilisation ARTEMIS (André, 2004) Urbain, routier et autoroutier Léger Estimation des émissions Dimensionnement batterie (Bertram,2011) West Virginia University (WVU) Urbain + Inter-urbain + Banlieue Lourd Analyse rendement traction (Li, 2008) Artemis urbain Adaptation au dimensionnement ?  Parfaitement défini  Réalisme (mesures >1000h et >7000 véhicules)  Cycle unique pour représenter une mission  Inclinaison non prise en compte… Une deuxième catégorie de cycles a été développée à partir de mesures. Ceci afin de mieux estimer les émissions de polluants. Parmi ceux-ci on trouve les cycles développés dans le cadre du projet européen Artemis avec plus de 1000h de mesure sur plus de 7000 véhicules différents. Les cycles WVU pour West Virginia University ont été développés afin d’évaluer différents types de carburant pour les poids lourds. Dans notre contexte de dimensionnement, on peut se demander si ces cycles uniques sont représentatifs de la variabilité d’une mission. Une autre limite de ces cycles dans le cadre de notre étude, est qu’ils ne prennent pas en compte l’inclinaison de la route. WVU inter-urbain

16 Mission d’un véhicule : état de l’art
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Mission d’un véhicule : état de l’art Cycles générés de manière stochastique Exemples de cycle Usage Véhicule Objectif Méthode (Ravey, 2010) Ramassage des ordures Lourd Dimensionnement pile à combustible Approche probabiliste (Lin, 2004) Basé sur les cycles WVU Optimisation de la gestion de l’énergie Matrice de Markov Adaptation au dimensionnement ?  Prise en compte du caractère aléatoire (variabilité)  Prise en compte d’un grand nombre de missions (robustesse)  Prise en compte de l’inclinaison  Non prise en compte de la corrélation entre les variables C’est pourquoi certains auteurs ont développés des cycles de manière stochastique. Des travaux ont été menés par Ravey en 2010 afin de modéliser la mission d’un camion à ordure par une approche probabiliste pour dimensionner un véhicule à pile à combustible. Plusieurs grandeurs comme la vitesse du véhicule, la masse de sac poubelle récolté à un arrêt ou l’inclinaison de la route ont été modélisées par une loi de probabilité et un tirage aléatoire permet de générer une infinité de cycles différents. La limite de cette méthode est de ne pas prendre en compte la corrélation entre les variables. Exemple de mission générée (Ravey, 2010)

17 Mission d’un véhicule : état de l’art
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Mission d’un véhicule : état de l’art Cycles générés de manière stochastique Exemples de cycle Usage Véhicule Objectif Méthode (Ravey, 2010) Ramassage des ordures Lourd Dimensionnement pile à combustible Approche probabiliste (Lin, 2004) Basé sur les cycles WVU Optimisation de la gestion de l’énergie Matrice de Markov Adaptation au dimensionnement ?  Prise en compte du caractère aléatoire (variabilité)  Prise en compte d’un grand nombre de missions (robustesse)  Conservation de la corrélation entre les variables  Non prise en compte de l’inclinaison Dans un autre article publié par Lin en 2004, des cycles composés de deux variables {puissance et vitesse} sont générés à partir d’une matrice de Markov. Ces cycles ont permis d’optimiser la gestion de l’énergie d’un véhicul hybride lourd. L’avantage de cette méthode est de garder la corrélation entre les variables vitesse et puissance. Mais une limite de cette méthode est de ne pas prendre en compte l’inclinaison de la roue. Ainsi, dans le contexte de notre étude de dimensionnement, on peut se demander si l’on peut utiliser ces cycles. En effet, ils ont été conçu avec des objectifs particuliers, ils sont donc adaptés à leur domaine d’application mais pas forcément au notre. On retient cependant que la matrice de Markov semble un outil intéressant. Exemple de mission générée (Lin, 2004)

18 Objectifs de la modélisation
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Objectifs de la modélisation Mission à modéliser Trio de variables Vitesse ν Accélération γ Inclinaison  Mission spécifique Ex. : trajet urbain Basée sur des profils réels Mesures GPS Modèle Trio de variables Conservation des relations entre les variables Conservation des caractéristiques Statistiques Dynamiques Simulations Aléatoires (variabilité) Nombre élevé (« robustesse ») Modèle par Matrice de Markov … Un bon moyen d’avoir cette base de données à modéliser est de les mesurer à l’aide d’un GPS. Ainsi, le type de mission et le contexte des mesures nous est connu. Après un état de l’art des modélisations possibles, le modèle par Matrice de Markov a été retenu.

19 Processus de Markov Modèle de Markov Caractéristique :
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Modèle de Markov Processus de Markov Caractéristique : L’état futur ne dépend que de l’état présent et non pas du passé Probabilité de transition : pij = ℙ ( E(t+1) = Ej | E(t) = Ei ) Modèles matriciels : Matrice de transitions Matrice de Markov E1 E3 E2 p31 p13 p23 p32 p21 p12 p33 p22 p11

20 1ère étape : estimation de la matrice de transitions
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Modèle de Markov 1ère étape : estimation de la matrice de transitions Début E2 E1 E1 E3 E1 Fin E1 r21 = r21 + 1 r11 = r11 + 1 r13 = r13 + 1 r31 = r31 + 1 r11 = r11 + 1 2ème étape : estimation de la matrice de Markov La première étape est d’estimer la matrice de transition du processus. Dans cet exemple, on commence à l’état E2 et l’état suivant est E1, donc le nombre de la ligne 2 pour l’état présent E2 et de la colonne 1 pour l’état futur E1 est incrémenté dans la matrice de transition . Ensuite on reste dans l’état E1 donc le nombre de ligne 1 colonne 1 est incrémenté. La transition à l’état E3 implique d’incrémenter le nombre de la ligne 1 colonne 3. Et ainsi de suite. Finalement on obtient la matrice de transition du processus de Markov. Il est ensuite assez simple d’estimer la matrice de Markov dans la 2ème étape puisqu’il suffit de calculer les probabilités de transition d’un état présent aux futurs états. (((Donc si l’état présent est E1, nous avons une probabilité de 2/3 que le prochain état soit E1, une probabilité nulle de transiter vers l’état E2 et 1/3 de passer à E3.))) Matrice de transitions Matrice de Markov

21 Traitement des mesures GPS (pas d’échantillonnage de 1s)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Campagnes de mesures Traitement des mesures GPS (pas d’échantillonnage de 1s) Latitude Longitude Altitude Deux campagnes de mesures Mission extra-urbaine Trajets St Nazaire – Rennes 4 allers-retours x 1h30 voie rapide + route + urbain Mission urbaine Trajets auto-école à Nantes 22 trajets - 29h de mesures urbain + périphérique Vitesse Accélération Inclinaison Système de mesure GPS (Géo-Positionnement par Satellite) Simple Pratique « Précis » From the latitude, longitude and altitude measurements, we assessed our three variables defining the vehicle mission : the speed, acceleration and road slope. We did two measurements campaigns, one in extra-urban conditions. As you can see here, there is short city way-in and way-out, road stretches and motorway portions. Urbain présente des vitesses plus faibles et des accélérations d’amplitude et de fréquence plus élevées.

22 (pas d’échantillonnage de 1s)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Campagnes de mesures Traitement des mesures GPS (pas d’échantillonnage de 1s) Latitude Longitude Altitude Deux campagnes de mesures Mission extra-urbaine Trajets St Nazaire – Rennes 4 allers-retours x 1h30 voie rapide + route + urbain Mission urbaine Trajets auto-école à Nantes 22 trajets - 29h de mesures urbain + périphérique Vitesse Accélération Inclinaison Ces caractéristiques se retrouvent dans la campagne de mesure effectuée en milieu urbain. These recorded missions are more representative of a real-world vehicle mission, however they are specific to the record conditions. So we search for a model which allows us to simulate different random missions.

23 Modélisation d’une mission par Markov
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Modélisation d’une mission par Markov Mission urbaine mesurée Etat présent E1 {ν1(t), γ1(t), 1(t)} Etat futur E2 {ν2(t+1), γ2 (t+1), 2 (t+1)} ν(t) Matrice de Markov γ(t) Cette base de données mesurée peut alors être modélisée par une matrice de Markov. Cette matrice contiendra alors les probabilités de transition d’un état présent… X … défini par des valeurs du triplet de variables, À l’état futur… X … défini par une autre combinaison de valeurs des trois variables. (t) La matrice de Markov contient les probabilités de transition de l’état présent à l’état futur

24 Simulation de missions aléatoires
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Simulation de missions aléatoires Missions urbaines simulées Etat présent E1 {ν1(t), γ1(t), 1(t)} Etat futur E2 {ν2(t+1), γ2 (t+1), 2 (t+1)} ν(t) Matrice de Markov γ(t) Maintenant que la matrice de Markov contient les caractéristiques de la mission mesurée, on est capable de simuler des missions composées des trois variables en conservant leur dépendance. Pour cela, à partir d’un état initial, on est capable de simuler de manière aléatoire une succession d’états qui constitue une mission lorsque la durée de la simulation est atteinte. Un état est toujours constitué du triplet de variable v,g,a au même instant temporel. (t)

25 Validation des simulations urbaines
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Validation des simulations urbaines Vitesse Inclinaison Accélération Bonne reproduction des caractéristiques de la mission mesurée en simulations Afin de valider la simulation, nous avons comparé dans un premier temps les histogrammes de la mission mesurée et des missions simulées. Comme montré dans ces figures, les caractéristiques des trois variables vitesse, accélération et inclinaison sont bien reproduite en simulation.

26 Statistique Dynamique Validation en termes de puissance
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Validation en termes de puissance Statistique Dynamique Bonne reproduction des caractéristiques statistiques et dynamiques en termes de puissance Dans un second temps, les simulations peuvent être validées en termes de puissance par rapport à la mesure d’après ces figures. D’après ces figures, les caractéristiques statistiques et dynamiques de la puissance sont bien conservées.

27 Validation de la corrélation entre les variables
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Validation de la corrélation entre les variables =f() =f() Bonne conservation de la corrélation entre l’accélération et la vitesse Enfin, la corrélation entre les variables simulées peut être validée. Pour cela, nous avons illustré la répartition de l’accélération en fonction de la vitesse et l’inclinaison en fonction de l’accélération. La mesure est comparée à 88 simulations afin de respecter le même ordre de durée. On peut voir la grande similitude entre ces caractéristiques. Bonne conservation de la corrélation entre l’inclinaison et l’accélération

28 Synthèse sur la modélisation de l’usage du véhicule
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Synthèse sur la modélisation de l’usage du véhicule Avantages du modèle Prise en compte de missions réalistes & spécifiques Prise en compte des trois variables { ν, γ,  } Possibilité de prendre en compte d’autres variables (vent, qualité de la route) Conservation des caractéristiques statistiques et dynamiques Conservation de la corrélation entre les variables Simulations aléatoires (variabilité) et nombreuses (robustesse) Limite Etat non mesuré  non simulé Conclusion : on est capable de générer un ensemble de scénarii sur lesquels on pourra optimiser la chaîne de traction d’un véhicule hybride

29 Sommaire Modèle de l’usage d’un véhicule
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Modèle de l’usage d’un véhicule Qu’est-ce que la mission d’un véhicule ? Comment la modéliser ? Modèle de la chaîne de traction Quels modèles des composants ? Quelle gestion de l’énergie ? Pré-dimensionnement d’un véhicule urbain Quelle méthode ? Quelle mission choisir ? Quels résultats ? Conclusion & Perspectives Maintenant que nous avons modéliser l’usage d’un véhicule, passons à la modélisation de la chaîne de traction.

30 Modélisation de la chaîne de traction
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Structure hybride série Modélisation de la chaîne de traction Energie thermique directe {,} {U,I} {,} Energie carburant Moteur thermique Machine électrique Machine électrique Batterie Energie de boost ou tout électrique Energie de charge Nous avons développé la modélisation de la chaîne de traction pour les deux structures : série et parallèle. Pour cette présentation, nous avons choisi la structure série pour illustrer le développement de cette modélisation. Il y a donc 4 flux d’énergie dans cette architecture : - L’énergie thermique directe où le moteur thermique entraîne les roues du véhicule à travers les machines électriques, L’énergie allant du moteur thermique vers la batterie pour la recharger, L’énergie de boost allant de la batterie aux roues afin d’assister la moteur thermique pour répondre à une forte demande de puissance, and l’énergie de récupération au freinage du véhicule. X Dans une modélisation classique, les composants sont caractérisés par deux variables. Le duo {couple ; vitesse} mécanique ou {tension ; courant} électrique. Ainsi un moteur thermique peut être modélisé par sa cartographie en rendement comme illustré ici. Dans un contexte de dimensionnement, cette modélisation pose problème car elle impose de faire un choix a priori sur les composants comme la tension de fonctionnement du système. Energie chimique Récupération au freinage Cette modélisation impose un choix a priori des composants

31 Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Structure hybride série Modélisation par les flux de puissance (Dupriez, 2010) Groupe électrogène pcarb {,} pge pme proues Energie carburant mt ? Moteur thermique me ? Machine électrique me ? Machine électrique pbat bat ? Batterie pchim Nous avons donc besoin d’un modèle dont les caractéristiques ne dépendent pas de la puissance nominale des composants Pour cela, nous nous sommes inspirés de la modélisation par les flux de puissance abordée / traitée par Florian Dupriez en 2010 au laboratoire. Au lieu de considérer les couples {vitesse, couple} mécanique et {tension, courant} électrique, seule la puissance échangée entre les composants est calculée. X A une exception près qui est le noeud entre le moteur thermique et la machine électrique puisqu’en fonctionnement groupe électrogène, le point de fonctionnement {vitesse, couple} peut être optimiser de manière à maximiser le rendement. Ainsi nous cherchons à modéliser chacun des composants par un modèle générique adimensionnel en rendement. Energie chimique Introduction de modèles génériques adimensionnels

32 Moteur thermique pour groupe électrogène
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Moteur thermique pour groupe électrogène Cartographie d’un moteur thermique mt = f ( Γ , Ω ) Extraction de la caractéristique mt = f (pmt(t)/Pmt) maximisant mt max pmt(t)/Pmt = 50% Pour cela, nous nous sommes appuyé sur les cartographies de composants contenues dans la base de donnée PSAT. Les cartographies figurent le rendement en fonction du point de fonctionnement {vitesse, couple}. Afin de modéliser le moteur thermique pour une utilisation en groupe électrogène, nous avons sélectionné les moteurs ayant cette caractéristique : le rendement est maximisé pour une vitesse définie et une large plage de couple. En se plaçant au point de rendement maximal, on peut extraire la courbe de rendement en fonction de la puissance réduite, la grandeur de référence étant la puissance maximale du moteur. Cartographies de différents moteurs thermiques ayant une caractéristique de groupe électrogène (base de données Matlab PSAT)

33 Moteur thermique pour groupe électrogène
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Moteur thermique pour groupe électrogène Placement au point de rendement maximal Moyenne des courbes de rendements Modèle générique d’un moteur thermique pour groupe électrogène Cartographies de différents moteurs thermiques à caractéristiques de groupe électrogène (base de données Matlab PSAT) Les courbes obtenues pour chacun des moteurs de la base de données sont ensuite moyennées pour obtenir le modèle générique adimensionnel du moteur thermique pour une application en groupe électrogène.

34 Même processus pour la machine électrique
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Machine électrique pour groupe électrogène Même processus pour la machine électrique Modèle générique d’une machine électrique pour groupe électrogène Cartographies de différentes machines électriques (base de données Matlab PSAT) Le même processus est effectué pour la machine électrique en fonctionnement groupe électrogène. Une machine électrique peut être surchargée et peut donc fournir plus que sa puissance nominale. Ce mode est interdit dans un groupe électrogène.

35 Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Groupe électrogène Modèle générique d’un moteur thermique pour groupe électrogène Modèle générique d’une machine électrique pour groupe électrogène Modèle générique d’un groupe électrogène A partir des modèles génériques du moteur thermique et de la machine électrique, on peut maintenant en déduire le modèle générique adimensionnel en multipliant leur rendement sur la même base de puissance.

36 Limites en profondeur de décharge
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Batterie Rendement d’une cellule Lithium-Ion (base de données Matlab PSAT) Approximation linéaire du rendement en fonction de la puissance réduite Limites en profondeur de décharge Etat de charge min 40% Etat de charge max 100% Limites en puissance 10C en décharge 5C en charge Modèle générique d’une batterie Maintenant nous allons nous intéresser à la modélisation de la batterie. Voici la cartographie du rendement d’une cellule lithium-ion en fonction de sa puissance réduite, et de son état de charge. Si on observe le rendement pour un état de charge allant de 40% à 100%, on voit que le rendement dépend plus de la puissance réduite que de son état de charge. Ainsi, pour chaque puissance réduite, le rendement est approximé à la moyenne des rendements. Ceci donne le modèle générique adimensionnel suivant. Les limites en profondeur de décharge sont fixées entre 40 et 100% et les limites en puissance sont fixées à 10C en décharge et 5C en charge.

37 Machine électrique (synchrone à aimants permanents)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Machine électrique (synchrone à aimants permanents) Cartographie d’une machine électrique me = f ( Γ , Ω ) Extraction de la caractéristique me = f (pme(t)/Pme) moyennant me moy pme(t)/Pme = 50% Enfin, nous avons cherché à modéliser la machine électrique qui est directement connectée aux roues. Pour cela nous nous sommes de nouveau appuyé sur les cartographies de la base de données PSAT. Ici le rendement ne peut pas être maximisé car le point de fonctionnement {vitesse, couple} dépend de la demande au niveau des roues. Nous avons donc choisi, pour chaque iso-puissance de considéré un rendement moyen. Cartographies de différentes machines électriques (base de données Matlab PSAT)

38 Autorisation de surcharge à 200% pendant 180s
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Machine électrique (synchrone à aimants permanents) Autorisation de surcharge à 200% pendant 180s Modèle générique d’une machine électrique Cartographies de différentes machines électriques (base de données Matlab PSAT) Dans un premier temps, pour chacune des cartographies, nous avons évalué le rendement moyen à puissance réduite. Dans une 2ème étape, nous avons moyenné ces courbes afin de définir le modèle générique adimensionnel de la machine électrique. Cette fois-ci, une surcharge est accepté à 200% de la puissance nominale pendant un temps maximal de 180s. Moyenne des rendements par iso- puissance pour chaque moteur Moyenne de ces courbes de rendements pour obtenir le modèle générique

39 Structure hybride série
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Architecture de la chaîne de traction Structure hybride série Besoin d’une gestion de l’énergie indépendante du dimensionnement ν(t) γ(t) (t) Groupe électrogène Machine électrique pcarb Stratégie de gestion pge pme proues Energie carburant pbat Batterie Estimation de la consommation de carburant Ccarb et de l’état d’énergie SOE à la fin de la mission Ainsi chacun des composants de la chaîne de traction série est modélisé par un modèle générique adimensionnel. X A partir d’une mission du véhicule, cette modélisation permet d’estimer la consommation de carburant du véhicule ainsi que l’état d’énergie à la fin de la mission. Cependant, nous avons deux sources potentielles d’énergie et un consommateur. Il nous reste à définir la stratégie de gestion de l’énergie entre le groupe électrogène et la batterie. Et une contrainte est qu’elle doit être indépendante du dimensionnement des composants. pchim Energie chimique

40 Conditions de passage entre stratégies
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Gestion de l’énergie Objectifs Indépendance au dimensionnement des composants Stratégie en ligne « légère » Trois stratégies « Optimale » « Charge » « Décharge » Conditions de passage entre stratégies Concernant la gestion de l’énergie, nos objectifs sont donc de définir une stratégie en ligne qui soit indépendante du dimensionnement des composants et légère en termes de temps de calcul. En effet, elle sera exécutée sur un ensemble d’un millier de missions… Nous avons donc mené une étude du rendement de la chaîne de traction. Pour chacun des modes, le rendement peut être évalué en fonction de la puissance équivalente de carburant fournie au moteur pcarb, de la puissance fournie ou récupérer par la batterie pchim, et de la puissance fournie ou récupérer par la machine électrique pme connectée aux roues. Pour chacun des modes, le rendement peut être évalué en fonction des puissances fournies ou récupérée par le groupe électrogène et la batterie, cad Putile/Pabsorbée

41 Rendement = Putile / Pabsorbée
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Gestion de l’énergie Etude du rendement de la chaîne de traction Mode Rendement = Putile / Pabsorbée Boost / Electrique Thermique Régénération Récupération A partir de là nous avons mis en place trois stratégie de gestion. Une stratégie dite optimale qui a été déduite de l’analyse précédente. Une stratégie qui favorise la décharge de la batterie lorsque son état d’énergie est élevé. Et une stratégie qui favorise la charge de la batterie lorsque son état d’énergie est faible. Les conditions de passage entre ces trois stratégies sont définies suivant une hystéresis en fonction de l’état d’énergie de la batterie. Cartographie  = f (pge(t), pbat(t) )

42 Cartographie du rendement de la chaîne de traction
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Gestion de l’énergie Cartographie du rendement de la chaîne de traction  = f (pge(t), pbat(t) ) Extraction des caractéristiques pge(t) = f (pme(t)) pbat(t) = f (pme(t)) maximisant  pge(t) = 12kW max pme(t) = 5kW pge(t) (kW) Grâce aux modèles génériques adimensionnels de chacun des composants, on peut établir la cartographie du rendement de la chaîne de traction en fonction de la puissance du groupe électrogène et de la batterie. Afin de définir la stratégie de gestion de l’énergie, l’idée est alors de trouver le couple {pge, pbat} qui, pour une puissance de machine électrique demandée, maximisera le rendement de la chaîne de traction. X Pour cela, pour chaque iso-puissance pme, le rendement maximal a été identifié et les puissances de groupe électrogène et de batterie correspondantes ont été relevées. Typiquement, pour un besoin de 5kW au niveau de la machine électrique, on demandera 12kW au groupe électrogène et la batterie est rechargée. Ceci a été répété pour chaque iso-puissance pme, ce qui a permis d’extraire les caractéristiques pge en fonction de pme et pbat en fonction de pme qui maximisent le rendement de la chaîne de traction. Pbat(t) = -7kW pbat(t) (kW)

43 Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Gestion de l’énergie Stratégie « optimale » maximisant le rendement de la chaîne de traction pge(t) = f (pme(t)) pbat(t) = f (pme(t)) pge(t) = 12kW pge(t) (kW) pbat(t) (kW) Voici les courbes caractéristiques relevées. Pour chaque puissance demandée à la machine on est donc capable d’en déduire la meilleure répartition de la puissance entre le groupe électrogène et la batterie au regard du rendement de la chaîne de traction. Dans cet exemple, si une puissance de 5kW est demandée à la machine électrique, la puissance est répartie à 12kW pour le groupe électrogène et -7kW pour la batterie. Pbat(t) = -7kW pme(t) (kW) pme(t) = 5kW pme(t) (kW) pme(t) = 5kW

44 Mise en œuvre des modèles de composants + gestion
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Mise en œuvre des modèles de composants + gestion Bilan de puissance pour Pge = 10 kW et Ebat = 4 kWh (cycle NEDC) Fonctionnement du groupe électrogène à ses points de meilleur rendement Modes boost et récupération assurés par la batterie associée à la machine électrique SOEfin > SOEdébut Conservation de la gestion de l’énergie en mode « optimal » Voici un exemple de mise en oeuvre de la modélisation de la chaîne de traction. Le bilan de puissance est ici présenté pour un groupe électrogène de 10 kW et une batterie de 4 kWh sur le cycle NEDC. … L’état d’énergie de la batterie à la fin de la mission atteint une valeur légèrement supérieure à sa valeur initiale

45 Simulation très rapide (10s pour une mission de 29h)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Synthèse sur la chaîne de traction Modélisation des composants Avantages Pas de choix a priori Compacte Limites Plusieurs approximations (à valider avec un modèle dédié à la simulation) Prendre en compte la consommation à chaque démarrage du moteur thermique Stratégie de gestion de l’énergie Stratégie en ligne Indépendante du dimensionnement « Rudimentaire » A optimiser Logiciel Matlab v7.0.4 Processeur Intel Core 2 Duo CPU 2,93 GHz Windows XP 3,5 Go de mémoire RAM Simulation très rapide (10s pour une mission de 29h)

46 Sommaire Modèle de l’usage d’un véhicule
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Modèle de l’usage d’un véhicule Qu’est-ce que la mission d’un véhicule ? Comment la modéliser ? Modèle de la chaîne de traction Quels modèles des composants ? Quelle gestion de l’énergie ? Pré-dimensionnement d’un véhicule urbain Quelle méthode ? Quelle mission choisir ? Quels résultats ? Conclusion & Perspectives Dans la première partie nous avons modéliser l’usage d’un véhicule et un ensemble de mission du véhicule ont été simulées. Dans la deuxième partie, nous avons proposé un modèle de la chaîne de traction afin de calculé la consommation de carburant. Dans cette troisième partie, nous allons proposé une méthode de pré-dimensionnement d’un véhicule hybride pour une mission de type urbain.

47 Algorithme de dimensionnement
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Algorithme de dimensionnement Objectif : Trouver le couple {Pge , Ebat} minimisant Ccarb Table de groupes électrogènes Boucle pour parcourir les dimensionnements {Pge , Ebat} (plan d’expériences) Consommations moyennes sur l’ensemble des missions en fonction du dimensionnement Pge 1 Pge 2 … Pge n Table de batteries Ebat 1 Ebat 2 … Ebat q Boucle pour tester un grand nombre de missions Ebat 1 Ebat 2 … Ebat q Pge 1 Ccarb 1,1 Ccarb 1,2 Ccarb 1,q Pge 2 Ccarb 2,1 Ccarb 2,2 Ccarb 2,q Pge n Ccarb n,1 Ccarb n,2 Ccarb n,q Ensemble de missions ν(t) Boucle pour converger sur la masse γ(t) L’objectif de l’algorithme de dimensionnement est de trouver le dimensionnement du groupe électrogène et de la batterie minimisant la consommation de carburant sur un ensemble de missions. En entrée de cet algorithme, il y a trois éléments : Une table de groupe électrogène Une table de batteries Un ensemble de missions simulées. L’algorithme de dimensionnement est composé de 3 boucles : Une boucle pour parcourir les dimensionnements du groupe électrogène et de batterie à la manière d’un plan d’expériences. Une boucle pour tester l’ensemble des missions simulées Une boucle pour converger sur la masse du véhicule en fonction du dimensionnement. Lorsque la convergence est atteinte, la consommation de carburant moyenne sur l’ensemble des missions est calculée. Ainsi en sortie de l’algorithme, on obtient le tableau des consommations moyennes de carburants pour chacun des dimensionnements testés. X On identifie alors le dimensionnement qui minimise la consommation. Calcul de la consommation de carburant moyenne Ccarb (t) Identification du dimensionnement {Pge ; Ebat} minimisant Ccarb

48 Exemple de résultat de l’algorithme
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Exemple de résultat de l’algorithme Consommations moyennes pour les 1000 missions urbaines simulées En considérant les pré-dimensionnements assurant 95% des missions la consommation est réduite d’un dizième et Pge est divisée par 2

49 Consommation de carburant moyenne Ccarb (ℓ/100km)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Résultats en fonction de la mission Consommation de carburant moyenne Ccarb (ℓ/100km) Standard ECE x4 Artemis urbain 22 trajets urbains mesurés 1000 simulations urbaines Pge = 10 kW mtraction = 44 kg 2,80 Ebat = 2 kWh Pge = 17 kW 83 kg 3,06 3,83 Ebat = 4 kWh mtraction = 80 kg 3,21 4,07 3,28 Ebat = 5 kWh Pge = 13 kW mtraction = 104 kg 3,38 4,25 3,46 3,44 Ebat = 6 kWh Mission Dimensionnement Voici les résultats de pré-dimensionnement pour différentes missions urbaines. Les cases colorées correspondent au pré-dimensionnement optimal pour la mission. X Si l’on considère le premier dimensionnement associant un groupe électrogène de 10kW à une batterie de 2kWh, celui-ci permet d’obtenir la plus faible consommation de 2,80l/100km sur le cycle urbain européen ECE répété 4 fois. Cependant, ce dimensionnement ne permet pas de satisfaire les autres missions.  Pré-dimensionnement optimal pour le cycle standard ECE  Ne satisfait pas les autres missions urbaines

50 Consommation de carburant moyenne Ccarb (ℓ/100km)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Résultats en fonction de la mission Consommation de carburant moyenne Ccarb (ℓ/100km) Standard ECE x4 Artemis urbain 22 trajets urbains mesurés 1000 simulations urbaines Pge = 10 kW mtraction = 44 kg 2,80 Ebat = 2 kWh Pge = 17 kW 83 kg 3,06 3,83 Ebat = 4 kWh mtraction = 80 kg 3,21 4,07 3,28 Ebat = 5 kWh Pge = 13 kW mtraction = 104 kg 3,38 4,25 3,46 3,44 Ebat = 6 kWh Mission Dimensionnement Le 2ème prédimensionnement est optimal pour effectué le cycle Artemis urbain. Cependant il ne l’ai pas pour le cycle ECE et il ne permet pas d’assurer les missions mesurée et simulées.  Pré-dimensionnement satisfaisant les cycles ECE et Artemis urbain  Non optimal pour le cycle ECE  Ne satisfait pas les missions urbaines mesurée et simulées

51 Consommation de carburant moyenne Ccarb (ℓ/100km)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Résultats en fonction de la mission Consommation de carburant moyenne Ccarb (ℓ/100km) Standard ECE x4 Artemis urbain 22 trajets urbains mesurés 1000 simulations urbaines Pge = 10 kW mtraction = 44 kg 2,80 Ebat = 2 kWh Pge = 17 kW 83 kg 3,06 3,83 Ebat = 4 kWh mtraction = 80 kg 3,21 4,07 3,28 Ebat = 5 kWh Pge = 13 kW mtraction = 104 kg 3,38 4,25 3,46 3,44 Ebat = 6 kWh Mission Dimensionnement Pour satisfaire au mieux la mission mesurée, la capacité doit être augmentée à 5kWh, ce qui permet de réduire la puissance du groupe électrogène. Cependant, on remarque que ce dimensionnement ne permet pas d’assurer l’ensemble des 1000 missions simulées…  Pré-dimensionnement satisfaisant les cycles ECE, Artemis et mesuré  Non optimal pour les cycles standards  Ne satisfait pas l’ensemble des missions simulées

52 Pré-dimensionnements optimaux différents pour chacune des missions
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Résultats en fonction de la mission Consommation de carburant moyenne Ccarb (ℓ/100km) Standard ECE x4 Artemis Urbain 22 trajets urbains mesurés 1000 simulations urbaines Pge = 10 kW mtraction = 44 kg 2,80 Ebat = 2 kWh Pge = 17 kW 83 kg 3,06 3,83 Ebat = 4 kWh mtraction = 80 kg 3,21 4,07 3,28 Ebat = 5 kWh Pge = 13 kW mtraction = 104 kg 3,38 4,25 3,46 3,44 Ebat = 6 kWh Mission Dimensionnement En effet, pour répondre à toutes les missions urbaines, le groupe électrogène doit être augmenté à 13kW. La consommation est alors optimale sur les simulations mais cela implique une consommation bien plus élevée pour les autres missions. Pré-dimensionnements optimaux différents pour chacune des missions Qu’en est-il de la structure parallèle ?  Pré-dimensionnement satisfaisant toutes les missions  Pré-dimensionnement optimal pour les simulations  Consommation plus élevée pour les autres missions

53 Masse de la chaîne de traction Consommation de carburant moyenne
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Résultats en fonction de l’architecture Type de mission urbaine Architec-ture Moteur thermique Pge / Pmt (kW) Batterie Ebat (kWh) Machine électrique Pme Masse de la chaîne de traction m (kg) Consommation de carburant moyenne Ccarb (ℓ/100km) Standard ECE x4 Série 10 2 8 44 2,80 Parallèle 15 34 2,64 Artemis urbain 17 4 18 83 3,83 27 6 91 3,87 22 trajets mesurés 5 24 80 3,28 13 7 20 3,72 1000 simulations 35 104 3,44 30 16 23 167 3,51 -6% de consommation avec la structure parallèle Masse de chaîne de traction inférieure

54 Masse de la chaîne de traction Consommation de carburant moyenne
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Résultats en fonction de l’architecture Type de mission urbaine Architec-ture Moteur thermique Pge / Pmt (kW) Batterie Ebat (kWh) Machine électrique Pme Masse de la chaîne de traction m (kg) Consommation de carburant moyenne Ccarb (ℓ/100km) Standard ECE x4 Série 10 2 8 44 2,80 Parallèle 15 34 2,64 Artemis urbain 17 4 18 83 3,83 27 6 91 3,87 22 trajets mesurés 5 24 80 3,28 13 7 20 3,72 1000 simulations 35 104 3,44 30 16 23 167 3,51 Meilleure structure : série Fonctionnement du moteur thermique à son meilleur rendement dans le groupe électrogène

55 Masse de la chaîne de traction Consommation de carburant moyenne
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Résultats en fonction de l’architecture Type de mission urbaine Architec-ture Moteur thermique Pge / Pmt (kW) Batterie Ebat (kWh) Machine électrique Pme Masse de la chaîne de traction m (kg) Consommation de carburant moyenne Ccarb (ℓ/100km) Standard ECE x4 Série 10 2 8 44 2,80 Parallèle 15 34 2,64 Artemis urbain 17 4 18 83 3,83 27 6 91 3,87 22 trajets mesurés 5 24 80 3,28 13 7 20 3,72 1000 simulations 35 104 3,44 30 16 23 167 3,51 Globalement la nature de la mission a plus d’impact sur la consommation que le type de structure choisi Obtention de résultats différents si masse du châssis réduite

56 Synthèse sur le pré-dimensionnement d’un véhicule
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Synthèse sur le pré-dimensionnement d’un véhicule Avantages Pas de choix a priori Outils d’aide à la conception Rapide (7h pour tester 564 dimensionnements sur 1000 missions de 20min) Améliorations à apporter Algorithme basique (plan d’expériences) à optimiser Tables des composants testés à resserrer Nombre de missions simulées utile à étudier

57 Sommaire Modèle de l’usage d’un véhicule
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Modèle de l’usage d’un véhicule Qu’est-ce que la mission d’un véhicule ? Comment la modéliser ? Modèle de la chaîne de traction Quels modèles des composants ? Quelle gestion de l’énergie ? Pré-dimensionnement d’un véhicule urbain Quelle méthode ? Quelle mission choisir ? Quels résultats ? Conclusion & Perspectives En conclusion…

58 Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Bilan des travaux Modèle de l’usage d’un véhicule 3 variables contraignantes { ν, γ,  } Calcul de proues = f ( mtraction ) possible Génération de missions aléatoires vraisemblables Modèle des composants Générique adimensionnel Sans choix « a priori » Stratégie de gestion de l’énergie Adimensionnelle En ligne (mission de 29h  10s) Processus de dimensionnement Minimisation de Ccarb Matrice de Markov Batterie Groupe électrogène Machine électrique Ccarb S Dans un premier temps, nous avons développé un modèle de l’usage d’un véhicule basé sur la matrice de Markov qui permet de considérer le triplet de variables {vitesse, accélération et inclinaison}. Ce modèle rend possible le calcul de la puissance aux roues en fonction de la masse de la traction conditionnée par le résultat du dimensionnement. Ainsi ce modèle permet de générer un ensemble de missions aléatoires réalistes qui seront utiles pour pré-dimensionner la chaîne de traction. Dans un deuxième temps, un modèle de la chaîne de traction a été développé. Les modèles génériques adimensionnels pour chacun des composants évite de considérer prématurément les caractéristiques techniques des sources de puissance et d’énergie de manière à ne pas faire de choix a priori. Enfin, le processus de pré-dimensionnement permet de trouver le dimensionnement des composants minimisant la consommation de carburant sur un ensemble de missions réalistes ce qui assure la robustesse de la méthode. Optimisation du dimensionnement minimisant la consommation énergétique sur un ensemble de missions : « robustesse »

59 Etude de sensibilité à d’autres critères
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Perspectives Etude de sensibilité à d’autres critères Durée de la mission Etat d’énergie initial de la batterie Caractéristiques du châssis Consommation des accessoires Développer une optimisation multicritères Coût du système Durée de vie des composants Optimiser la gestion de l’énergie Lois de gestion plus évoluées déjà existantes Utilisation de la matrice de Markov dans une stratégie en ligne Pour finir, voici quelques perspectives pour cette étude. Tout d’abord, une étude de sensibilité de la méthode à d’autres critères est à développer. Nous avons remarqué un impact de la durée de la mission sur les résultats de dimensionnement. Cela peut venir de la qualité de la gestion de l’énergie ou d’autres paramètres à déterminer. Il semble aussi important d’analyser l’impact de l’état d’énergie initial sur les résultats. Ensuite, on pourrait développer une optimisation multi-critères afin de prendre en compte le coût du système et la durée de vie des composants. Enfin, la stratégie de gestion de l’énergie devrait faire l’objet d’une optimisation. On pourrait utiliser des lois de gestion plus évoluées et déjà existantes. Mais une perspective intéressante serait d’utiliser le modèle de la mission du véhicule par matrice de Markov pour prédire la puissance demandée et adapter la stratégie en temps réel.

60 Etendre l’étude à d’autres structures de véhicule
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d'un véhicule Conclusion Autres perspectives Etendre l’étude à d’autres structures de véhicule Véhicule hybride série-parallèle Véhicule électrique Etendre l’étude à d’autres types de véhicule Véhicule à plusieurs organes de stockage Véhicule à pile à combustible Vélo hybride ? D’autres perspectives serait d’étendre l’étude à d’autres structures de véhicule comme le série-parallèle ou le véhicule tout électrique afin de choisir au mieux l’architecture. Des modèles génériques pourraient être développés pour une super-capacité ou une pile à combustible, ce qui permettrait d’étendre l’étude à d’autres types de véhicule ayant plusieurs organes de stockage ou une pile à combustible. Et pourquoi pas lancer une étude de dimensionnement sur un vélo hybride ?

61 Merci de votre attention
31/03/2017 Merci de votre attention Dimensionnement de la chaîne de traction d’un véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Je vous remercie de votre attention. Je suis à votre disposition pour toute question ou discussion qui viendrait enrichir cette présentation. Gwenaëlle Souffran Directeur de thèse : Patrick Guérin Encadrante : Laurence Miègeville

62 résistance au roulement
31/03/2017 Modèle mécanique Bilan des forces Force aérodynamique Fw = ½  Af Cw ν² Force de roulement Fr = m g Cr cos Force due à l’inclinaison Fh = m g sin Force d’accélération Fa = m λ γ Bilan des forces agissant sur le véhicule poids résistance au roulement force d’inertie force aérodynamique Paramètre Symbole Valeur Densité de l’air  1,22 kg/m3 Surface frontale Af 2,7 m² Coefficient de frottement aérodynamique Cw 0,25 Accélération gravitationnelle g 9,81 m/s² Coefficient de résistance des roues au roulement Cr 0,018 Facteur de masse λ 1,06

63 Traitement des mesures
31/03/2017 Traitement des mesures Vitesse  Accélération Filtrage Matlab “filtfilt” aller-retour (pas de déphasage) sur 10 points

64 Altitude  Inclinaison de la route
31/03/2017 Traitement des mesures Altitude  Inclinaison de la route 1) Profil temporel de l’altitude 3) Inclinaison = f (Distance) Filtrage “filtfilt” 2) Altitude = f (Distance) 4) Profil temporel d’inclinaison Interpolation tous les 100m

65 31/03/2017

66 Choix du nombre d’états de la modélisation par Markov
31/03/2017 Choix du nombre d’états de la modélisation par Markov Nombres maximaux d’états par variable Choix des nombres optimaux selon 3 facteurs : erreur relative en puissance maximale ≤ 3% erreur relative en puissance moyenne  ≤ 1% nombre d’états minimisé pour un modèle le plus léger possible soit 40x80x50 = états possibles réduits à (-88%) apparaîssant au cours de la mission

67 Validation de la corrélation entre les variables (extra-urbain)
31/03/2017 Validation de la corrélation entre les variables (extra-urbain) =f() =f()

68 Distribution des simulations
31/03/2017 Distribution des simulations Indicateurs de caractérisation des missions Distribution des simulations urbaines

69 Distribution des simulations
31/03/2017 Distribution des simulations

70 Calcul de la consommation
31/03/2017 Calcul de la consommation Puissance carburant (kW) Energie carburant (kWh) Coefficient d’ajustement Variation de l’état d’énergie Consommation de carburant (ℓ/100km)

71 Moteur thermique (Diesel)
31/03/2017 Moteur thermique (Diesel) Modèle générique d’un moteur thermique Cartographies de différents moteurs thermiques La grandeur de référence est la puissance maximale du moteur Moyenne des rendements par iso- puissance pour chaque moteur Moyenne de ces courbes de rendements pour obtenir le modèle générique Cartographies de différents moteurs thermiques (base de données Matlab PSAT)

72 Influence de la température sur le modèle générique de la batterie
31/03/2017 Influence de la température sur le modèle générique de la batterie Température 0°C 25°C 41°C

73 Influence de la température sur le modèle générique de la batterie
31/03/2017 Influence de la température sur le modèle générique de la batterie Température 0°C 25°C 41°C

74 Puissance nominale (kW) Puissance maximale (kW)
31/03/2017 Composants de la base de données PSAT (Argonne) Machines électriques N° Type Puissance nominale (kW) Puissance maximale (kW) Véhicule 1 MSAP 7 14,2 Accord 2 15 Prius 3 10 Insight 4 17 33 Escape MG2 5 25 50 6 32 45 65 Escape MG1 8 35 70 9 36 75 49 Honda 11 55 100 12 105 13 58

75 Composants de la base de données PSAT (Argonne)
31/03/2017 Composants de la base de données PSAT (Argonne) Moteurs thermiques N° Type Cylindrée (l) Puissance (kW) Véhicule 1 Diesel 1,7 75 Mercedes Classe A 2 3 1,8 4 5 TDI 1,9 66 Volkswagen 6 60 7 67 8 110 General Motor 9 HDI 81 PSA 10 CIDI 2,2 92 Mercedes OM611 11 2,5 88 Audi

76 Composants de la base de données PSAT (Argonne)
31/03/2017 Composants de la base de données PSAT (Argonne) Moteurs thermiques pour groupe électrogène N° Type Cylindrée (l) Puissance (kW) Véhicule 1 Diesel 10,8 246 Cummins 2 12 321 Caterpillar 3 15 324

77 Influence des caractéristiques du châssis
31/03/2017 Influence des caractéristiques du châssis Résultats de pré-dimensionnement structure parallèle missions extra-urbaines Mission Cw mchâssis (kg) Inclinaison Pmt (kW) Ebat (kWh) Pme mtraction Ccarb (l/100km) Mesure extra-urbaine 0,25 1400 Avec 26 5 12 78 4,97 Sans 27 3 10 64 4,85 0,20 23 61 4,50 500 19 2 43 3,39 Simulations extra-urbaines 1000x2h 28 4 13 75 5,01

78 Influence de l’inclinaison
31/03/2017 Influence de l’inclinaison Pré-dimensionnement – structure série – mission extra-urbaine mesurée Inclinaison prise en compte Inclinaison non prise en compte

79 Trajets urbains mesurés concaténés / séparés
31/03/2017 Trajets urbains mesurés concaténés / séparés Pré-dimensionnement – structure série – mission urbaine mesurée Trajets mesurés concaténés 22 trajets séparément (recharge de la batterie entre chaque trajet)

80 Trajets urbains mesurés concaténés / séparés
31/03/2017 Trajets urbains mesurés concaténés / séparés Pré-dimensionnement {6kW ; 21kWh} – structure série – mission urbaine mesurée Trajets mesurés concaténés

81 Trajets urbains mesurés concaténés / séparés
31/03/2017 Trajets urbains mesurés concaténés / séparés Pré-dimensionnement {6kW ; 21kWh} – structure série – mission urbaine mesurée Trajet n°15 contraignant

82 Trajets urbains mesurés concaténés / séparés
31/03/2017 Trajets urbains mesurés concaténés / séparés Pré-dimensionnement {6kW ; 20kWh} – structure série – mission urbaine mesurée Trajet n°15 contraignant

83 31/03/2017

84 31/03/2017

85 31/03/2017

86 Cycles de conduite de référence
31/03/2017 Cycles de conduite de référence Exemple du cycle de référence européen urbain ECE  Parfaitement défini  Simple  Profil de vitesse non réaliste !  Inclinaison non prise en compte… Exemple du cycle de référence Artemis urbain  Réalisme (mesures >1000h et >7000 véhicules)  Cycle unique pour représenter une mission Many driving cycles have been developed in order to defined a standard vehicle mission. As an example, here is the New European Driving Cycle (NEDC) which represents the vehicle speed versus time. It is composed of the urban ECE-15 cycle repeated four times and the extra-urban driving cycle (EUDC) at the end. The advantage of this cycle is clearly its simplicity. However, one can questioned the realism of this speed profile, and the road slope is not defined for the power calculation. Ces cycles sont effectivement très spécifiques mais ils ont été conçu dans un contexte particulier qui est le calcul des émissions de CO2 des véhicules. On peut se demander s’ils sont bien adaptés à notre problématique de dimensionnement.

87 Véhicule à moteur à combustion Véhicule électrique hybride
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Transports : Quelles solutions ? Critère Véhicule électrique à PAC (H) à batterie Véhicule à moteur à combustion Véhicule électrique hybride Bicyclette Energie embarquée    Rendement Rejet de polluants Recyclage Maintenance Durée de vie Sécurité Autonomie NOTE 1 2 3 6 Véhicule hybride : un compromis… Mais quelles sont les solutions pour réduire cette consommation de carburant ? Nous avons comparé cinq types de véhicules : le véhicule à pile à combustible hydrogène, le véhicule électrique sur batteries, le véhicule thermique conventionnel, le véhicule électrique hybride et… La bicyclette… Ils ont été évalués sur sept critères allant de la dépendance de l’énergie embarquée aux énergies fossiles à l’autonomie des véhicules. X Selon un 1er groupe de critères : les véhicules électriques ont l’avantage par rapport aux véhicules tout ou partiellement thermiques. Selon un 2ème groupe de critères : les véhicules thermiques reprennent l’avantage. Le meilleur véhicule étant la bicyclette, mais le travail de dimensionnement des sources d’énergie sur un vélo classique est assez limité en génie électrique. Actuellement, le véhicule hybride apparaît comme un bon compromis pour un véhicule grand public.

88 Analyse de sensibilité (Puissance)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Analyse de sensibilité (Puissance) Sensibilité de Proues à la vitesse Sensibilité de Proues à l’accélération m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h =0% Variation quadratique Variation linéaire +100% 28 kW 0,3 m/s² 120 km/h Sensibilité de Proues à l’inclinaison Sensibilité de Proues à la masse m=1500kg ν=90km/h γ=0m/s² ν=90km/h γ=0m/s² =0% Variation linéaire Variation linéaire L’analyse de sensibilité en termes de puissance est présentée ici en fonction de chacune des grandeurs. Pour l’analyse de la sensibilité par rapport à la vitesse, les autres grandeurs ont été fixées à 1500kg pour la masse, une accélération et une pente nulles. On observe une variation quadratique de la puissance en fonction de la vitesse. A accélération et inclinaison nulles, une vitesse de 120km/h engendre une puissance demandée aux roues de 28kW. X Pour déterminer la sensibilité par rapport à l’accélération, la vitesse du véhicule est fixée arbitrairement à 90km/h. La puissance évolue linéairement en fonction de l’accélération du véhicule. Une accélération moyenne de 0,3m/s² entraîne une augmentation de 100% de la puissance par rapport à une accélération nulle. Concernant la sensibilité des forces à l’inclinaison, on observe ce même ordre de grandeur pour une pente allant de -5% à 5%. Ce qui n’est du tout négligeable. Enfin, moindre mais non négligeable, l’impact d’un triplement de la masse du véhicule est de l’ordre de 50% de puissance demandée en plus. Mais ceci à accélération et inclinaison nulles. L’impact serait plus grand si les grandeurs étaient non nulles. Ainsi, nous avons mis en évidence l’importance de prendre en compte ces quatres grandeurs dans notre problème de modélisation de l’usage d’un véhicule. Nous allons maintenant voir comment elles sont modéliser dans la littérature. +100% +50% 3% 3

89 Analyse de sensibilité (Forces)
Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction 31/03/2017 Pré-dimensionnement d’un véhicule Conclusion Analyse de sensibilité (Forces) Sensibilité des forces à la vitesse Sensibilité des forces à l’accélération m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h =0% Sensibilité des forces à l’inclinaison Sensibilité des forces à la masse m=1500kg ν=90km/h γ=0m/s² ν=90km/h γ=0m/s² =0% L’analyse de sensibilité en termes de force est présentée ici en fonction de chacune des grandeurs. Pour l’analyse de la sensibilité par rapport à la vitesse, les autres grandeurs ont été fixées à 1500kg pour la masse, une accélération et une pente nulles. On voit que c’est la force aérodynamique qui varie de façon importante alors que la force de roulement est constante et les forces due à l’inclinaison et à l’accélération sont logiquement nulles. X Pour déterminer la sensibilité par rapport à l’accélération, la vitesse du véhicule est fixée arbitrairement à 90km/h. On voit ici que la force d’accélération varie fortement de -800 à 800 N. Concernant la sensibilité des forces à l’inclinaison, on note que la variation de la force due à l’inclinaison est du même ordre de grandeur pour une pente allant de -5% à 5%. Ce qui n’est du tout négligeable. Enfin l’impact de la masse sur les forces est plus réduit quoique non négligeable sur la force aérodynamique et de roulement.