La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Dimensionnement de la chaîne de traction dun véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Gwenaëlle Souffran.

Présentations similaires


Présentation au sujet: "Dimensionnement de la chaîne de traction dun véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Gwenaëlle Souffran."— Transcription de la présentation:

1 Dimensionnement de la chaîne de traction dun véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Gwenaëlle Souffran Directeur de thèse : Patrick Guérin Encadrante : Laurence Miègeville

2 Réchauffement climatique et pollution de lair Epuisement des ressources fossiles 2 2 Transports : Vers le développement durable ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement dun véhiculeConclusion Réduction de la consommation de carburant fossile

3 3 3 Transports : Quelles solutions ? ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Critère Véhicule électrique à batterie Véhicule électrique à PAC (H) Véhicule à moteur à combustion Véhicule électrique hybride Bicyclette Energie embarquée Rendement Rejet de polluants Recyclage Maintenance Durée de vie Autonomie NOTE01125 Véhicule hybride : un compromis…

4 4 4 Moyens de production Moteur thermique Pile à combustible Eléments de stockage Batterie Super Capacité Convertisseurs dénergie Moteur électrique Génératrice Véhicules hybrides : Quels composants ? ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule

5 5 5 Comment concevoir et optimiser la chaîne de traction ? Véhicules hybrides : Quelle architecture ? ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusion Structure Série Parallèle Combinée Degré dhybridation Pré-dimensionnement dun véhicule P mt ? E bat ? P me ? ?

6 6 6 Critères possibles : Masse Volume Durée de vie Coût Emissions de CO2 et de NOx Consommation énergétique Critère doptimisation ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule

7 7 7 Par rapport à lusage 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 (P nominale ) Objectif : Dimensionnement dune chaîne de traction hybride ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Missions du véhicule Dimensionnement P mt P me E bat

8 Sommaire 1. Modèle de lusage dun véhicule Quest-ce que la mission dun véhicule ? Comment la modéliser ? 2. Modèle de la chaîne de traction Quels modèles des composants ? Quelle gestion de lénergie ? 3. Pré-dimensionnement dun véhicule urbain Quelle méthode ? Quelle mission choisir ? Quels résultats ? 4. Conclusion & Perspectives 8 8 ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule

9 Influence du processus de dimensionnement Dépendance de {P mt, P me, E bat } à P roues (difficilement mesurable) Utilisation du modèle mécanique du véhicule avec 2 entrées Masse du véhicule Grandeurs caractérisant la mission du véhicule Problème : m véhicule dépend de m traction qui dépend du dimensionnement mission {?} 9 9 Comment définir la mission dun véhicule ? ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Modèle mécanique Dimension- nement Calcul de m traction masse m châssis P roues P mt P me E bat m traction m véhicule + +

10 10 Bilan des forces Force aérodynamique F w = ½ A f C w ν² Force de roulement F r = m g C r cos Force due à linclinaison F h = m g sin Force daccélération F a = m λ γ Seconde loi de Newton Puissance aux roues P roues = (F w + F r + F h + F a ) x ν = f (m, ν, γ, ) Modèle mécanique Bilan des forces agissant sur le véhicule poids résistance au roulement force dinertie force aérodynamique ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule 3 variables définissant la mission du véhicule : Vitesse : ν Accélération : γ Inclinaison : α 1 paramètre dépendant du dimensionnement : Masse du véhicule m

11 Analyse de sensibilité (Puissance) ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Sensibilité de P roues à la vitesse Sensibilité de P roues à linclinaison Sensibilité de P roues à laccélération 0 - 3% x ,3 m/s² x2 Variation quadratique km/h +29 kW Variation linéaire 11 m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h γ=0m/s² m=1500kg ν=90km/h =0% Sensibilité de la puissance aux 3 variables de la mission du véhicule : { ν, γ, } Quen est-il de la masse ? 0 à 100 km/h en 93s

12 Analyse de sensibilité (Puissance) ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Sensibilité de P roues à la vitesse Sensibilité de P roues à linclinaison m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h γ=0m/s² Sensibilité de P roues à laccélération m=1500kg ν=90km/h =0% 12 m=750kg γ=0m/s² =0% m=750kg ν=90km/h =0% m=750kg ν=90km/h γ=0m/s² 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 ?

13 13 Mission dun véhicule : état de lart ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Dans quel objectif ces cycles ont-ils été développés ? Ces cycles sont-ils adaptés à notre étude de dimensionnement ? Trois types de cycles Cycles de conduite à réalité limitée Cycles développés à partir de mesures Cycles générés de manière stochastique

14 14 Adaptation au dimensionnement ? Parfaitement défini Simple Profil de vitesse non réaliste ! Inclinaison non prise en compte… Mission dun véhicule : état de lart ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Exemples de cycleUsageVéhiculeObjectifEx. dutilisation NEDC (New European Driving Cycle) Mixte urbain et extra-urbain LégerEmissions + Consommation Conception + Contrôle (Kleimaier, 2000) JPN (Japonais)Mixte urbain et extra-urbain LégerEmissions + Consommation Contrôle (Barsali, 2004) Cycles de conduite à réalité limitée NEDC JPN 10-15

15 15 Adaptation au dimensionnement ? Parfaitement défini Réalisme (mesures >1000h et >7000 véhicules) Cycle unique pour représenter une mission Inclinaison non prise en compte… Mission dun véhicule : état de lart ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Exemples de cycleUsageVéhiculeObjectifEx. dutilisation ARTEMIS (André, 2004) Urbain, routier et autoroutier LégerEstimation des émissions Dimensionnement batterie (Bertram,2011) West Virginia University (WVU) Urbain + Inter- urbain + Banlieue LourdEstimation des émissions Analyse rendement traction (Li, 2008) Cycles développés à partir de mesures Artemis urbain WVU inter-urbain

16 16 Adaptation au dimensionnement ? Prise en compte du caractère aléatoire (variabilité) Prise en compte dun grand nombre de missions (robustesse) Prise en compte de linclinaison Non prise en compte de la corrélation entre les variables Mission dun véhicule : état de lart ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Exemples de cycleUsageVéhiculeObjectifMéthode (Ravey, 2010)Ramassage des ordures LourdDimensionnement pile à combustible Approche probabiliste (Lin, 2004)Basé sur les cycles WVU LourdOptimisation de la gestion de lénergie Matrice de Markov Cycles générés de manière stochastique Exemple de mission générée (Ravey, 2010)

17 17 Adaptation au dimensionnement ? Prise en compte du caractère aléatoire (variabilité) Prise en compte dun grand nombre de missions (robustesse) Conservation de la corrélation entre les variables Non prise en compte de linclinaison Mission dun véhicule : état de lart ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Exemples de cycleUsageVéhiculeObjectifMéthode (Ravey, 2010)Ramassage des ordures LourdDimensionnement pile à combustible Approche probabiliste (Lin, 2004)Basé sur les cycles WVU LourdOptimisation de la gestion de lénergie Matrice de Markov Cycles générés de manière stochastique Exemple de mission générée (Lin, 2004)

18 18 Mission à modéliser Trio de variables Vitesse ν Accélération γ Inclinaison Mission spécifique Ex. : trajet urbain Basée sur des profils réels Mesures GPS Objectifs de la modélisation 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 ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

19 19 Processus de Markov Caractéristique : Létat futur ne dépend que de létat présent et non pas du passé Probabilité de transition : p ij = ( E(t+1) = E j | E(t) = E i ) Modèles matriciels : Matrice de transitions Matrice de Markov Modèle de Markov E1E1 E1E1 E3E3 E3E3 E2E2 E2E2 p 31 p 13 p 23 p 32 p 21 p 12 p 33 p 22 p 11 ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

20 20 2 ème étape : estimation de la matrice de Markov Modèle de Markov E1E1 E1E1 E1E1 E1E1 E3E3 E3E3 E1E1 E1E1 r 11 = r r 31 = r r 21 = r r 13 = r Début E 2 Début E 2 Fin E 1 Fin E 1 r 11 = r ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Matrice de transitionsMatrice de Markov 1 ère étape : estimation de la matrice de transitions

21 21 Traitement des mesures GPS (pas déchantillonnage 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 Campagnes de mesures Vitesse Accélération Inclinaison ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

22 22 Campagnes de mesures ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Traitement des mesures GPS (pas déchantillonnage 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

23 23 Modélisation dune mission par Markov Matrice de Markov Mission urbaine mesurée ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule La matrice de Markov contient les probabilités de transition de létat présent à létat futur ν(t) γ(t) (t) Etat présent E 1 { ν 1 (t), γ 1 (t), 1 (t) } Etat futur E 2 { ν 2 (t+1), γ 2 (t+1), 2 (t+1) }

24 Matrice de Markov 24 Simulation de missions aléatoires Missions urbaines simulées ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule ν(t) γ(t) (t) Etat présent E 1 { ν 1 (t), γ 1 (t), 1 (t) } Etat futur E 2 { ν 2 (t+1), γ 2 (t+1), 2 (t+1) }

25 25 Vitesse Inclinaison Validation des simulations urbaines Accélération ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Bonne reproduction des caractéristiques de la mission mesurée en simulations

26 26 Statistique Dynamique Validation en termes de puissance ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Bonne reproduction des caractéristiques statistiques et dynamiques en termes de puissance

27 27 =f( ) Validation de la corrélation entre les variables ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Bonne conservation de la corrélation entre laccélération et la vitesse Bonne conservation de la corrélation entre linclinaison et laccélération

28 28 Avantages du modèle Prise en compte de missions réalistes & spécifiques Prise en compte des trois variables { ν, γ, } Possibilité de prendre en compte dautres 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 Synthèse sur la modélisation de lusage du véhicule ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

29 Sommaire 1. Modèle de lusage dun véhicule Quest-ce que la mission dun véhicule ? Comment la modéliser ? 2. Modèle de la chaîne de traction Quels modèles des composants ? Quelle gestion de lénergie ? 3. Pré-dimensionnement dun véhicule urbain Quelle méthode ? Quelle mission choisir ? Quels résultats ? 4. Conclusion & Perspectives 29 ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

30 30 Modélisation de la chaîne de traction Structure hybride série ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule {U,I} {, } Energie carburant Machine électrique Moteur thermique Batterie Energie chimique Energie thermique directe Energie de charge Energie de boost ou tout électrique Récupération au freinage Cette modélisation impose un choix a priori des composants

31 Groupe électrogène {, } Modélisation par les flux de puissance (Dupriez, 2010) 31 Structure hybride série ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Energie carburant Machine électrique Batterie Moteur thermique Energie chimique p ge p me p bat p chim p carb p roues Introduction de modèles génériques adimensionnels mt ? me ? bat ?

32 32 Moteur thermique pour groupe électrogène Cartographies de différents moteurs thermiques ayant une caractéristique de groupe électrogène (base de données Matlab PSAT) ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Cartographie dun moteur thermique mt = f ( Γ, Ω ) p mt (t)/P mt = 50% max Extraction de la caractéristique mt = f (p mt (t)/P mt ) maximisant mt

33 33 Moteur thermique pour groupe électrogène Placement au point de rendement maximal Moyenne des courbes de rendements Cartographies de différents moteurs thermiques à caractéristiques de groupe électrogène (base de données Matlab PSAT) Modèle générique dun moteur thermique pour groupe électrogène ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

34 34 Machine électrique pour groupe électrogène Cartographies de différentes machines électriques (base de données Matlab PSAT) Modèle générique dune machine électrique pour groupe électrogène ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Même processus pour la machine électrique

35 35 Groupe électrogène Modèle générique dun groupe électrogène Modèle générique dun moteur thermique pour groupe électrogène Modèle générique dune machine électrique pour groupe électrogène ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

36 36 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 Batterie Rendement dune cellule Lithium-Ion (base de données Matlab PSAT) Modèle générique dune batterie ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

37 37 Machine électrique (synchrone à aimants permanents) ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Cartographies de différentes machines électriques (base de données Matlab PSAT) Cartographie dune machine électrique me = f ( Γ, Ω ) Extraction de la caractéristique me = f (p me (t)/P me ) moyennant me p me (t)/P me = 50% moy

38 38 Autorisation de surcharge à 200% pendant 180s Machine électrique (synchrone à aimants permanents) Modèle générique dune machine électrique Cartographies de différentes machines électriques (base de données Matlab PSAT) ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule 1. Moyenne des rendements par iso- puissance pour chaque moteur 2. Moyenne de ces courbes de rendements pour obtenir le modèle générique

39 39 Structure hybride série Architecture de la chaîne de traction ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Batterie Energie carburant Groupe électrogène Machine électrique Energie chimique Estimation de la consommation de carburant C carb et de létat dénergie SOE à la fin de la mission p me p chim p carb Stratégie de gestion p bat p ge p roues ν(t) γ(t) (t) Besoin dune gestion de lénergie indépendante du dimensionnement

40 40 Objectifs Indépendance au dimensionnement des composants Stratégie en ligne « légère » Trois stratégies « Optimale » « Charge » « Décharge » Gestion de lénergie ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Conditions de passage entre stratégies

41 41 Etude du rendement de la chaîne de traction Gestion de lénergie ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule ModeRendement = P utile / P absorbée Boost / Electrique Thermique Régénération Récupération Cartographie = f (p ge (t), p bat (t) )

42 42 Cartographie du rendement de la chaîne de traction = f (p ge (t), p bat (t) ) Extraction des caractéristiques p ge (t) = f (p me (t)) p bat (t) = f (p me (t)) maximisant Gestion de lénergie ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule p me (t) = 5kW p ge (t) = 12kW P bat (t) = -7kW max p ge (t) (kW) p bat (t) (kW)

43 43 Stratégie « optimale » maximisant le rendement de la chaîne de traction p ge (t) = f (p me (t)) p bat (t) = f (p me (t)) Gestion de lénergie ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule p ge (t) = 12kW p me (t) = 5kW P bat (t) = -7kW p ge (t) (kW)p bat (t) (kW) p me (t) (kW)

44 44 Bilan de puissance pour P ge = 10 kW et E bat = 4 kWh (cycle NEDC) Mise en œuvre des modèles de composants + gestion Fonctionnement du groupe électrogène à ses points de meilleur rendement Modes boost et récupération assurés par la batterie associée à la machine électrique SOE fin > SOE début Conservation de la gestion de lénergie en mode « optimal » ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

45 45 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 lénergie Avantages Stratégie en ligne Indépendante du dimensionnement Limites « Rudimentaire » A optimiser Synthèse sur la chaîne de traction ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Simulation très rapide (10s pour une mission de 29h) Logiciel Matlab v7.0.4 Processeur Intel Core 2 Duo CPU 2,93 GHz Windows XP 3,5 Go de mémoire RAM

46 Sommaire 1. Modèle de lusage dun véhicule Quest-ce que la mission dun véhicule ? Comment la modéliser ? 2. Modèle de la chaîne de traction Quels modèles des composants ? Quelle gestion de lénergie ? 3. Pré-dimensionnement dun véhicule urbain Quelle méthode ? Quelle mission choisir ? Quels résultats ? 4. Conclusion & Perspectives 46 ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

47 47 Algorithme de dimensionnement Objectif : Trouver le couple {P ge, E bat } minimisant C carb ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Boucle pour parcourir les dimensionnements {P ge, E bat } (plan dexpériences) Boucle pour tester un grand nombre de missions Boucle pour converger sur la masse Calcul de la consommation de carburant moyenne C carb E bat 1 E bat 2 …E bat q P ge 1 C carb 1,1 C carb 1,2 …C carb 1,q P ge 2 C carb 2,1 C carb 2,2 …C carb 2,q …………… P ge n C carb n,1 C carb n,2 …C carb n,q P ge 1 P ge 2 …P ge n E bat 1 E bat 2 …E bat q Table de groupes électrogènes Table de batteries ν(t) γ(t) (t) Ensemble de missions Consommations moyennes sur lensemble des missions en fonction du dimensionnement Identification du dimensionnement {P ge ; E bat } minimisant C carb

48 48 Exemple de résultat de lalgorithme Consommations moyennes pour les 1000 missions urbaines simulées ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule En considérant les pré-dimensionnements assurant 95% des missions la consommation est réduite dun dizième et P ge est divisée par 2

49 Consommation de carburant moyenne C carb (/100km) Standard ECE x4 Artemis urbain 22 trajets urbains mesurés 1000 simulations urbaines P ge = 10 kW m traction = 44 kg 2,80 E bat = 2 kWh P ge = 17 kW m traction = 83 kg 3,063,83 E bat = 4 kWh P ge = 10 kW m traction = 80 kg 3,214,073,28 E bat = 5 kWh P ge = 13 kW m traction = 104 kg 3,384,253,463,44 E bat = 6 kWh 49 Résultats en fonction de la mission ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement d'un véhiculeConclusion Dimensionnement Mission Pré-dimensionnement optimal pour le cycle standard ECE Ne satisfait pas les autres missions urbaines

50 Consommation de carburant moyenne C carb (/100km) Standard ECE x4 Artemis urbain 22 trajets urbains mesurés 1000 simulations urbaines P ge = 10 kW m traction = 44 kg 2,80 E bat = 2 kWh P ge = 17 kW m traction = 83 kg 3,063,83 E bat = 4 kWh P ge = 10 kW m traction = 80 kg 3,214,073,28 E bat = 5 kWh P ge = 13 kW m traction = 104 kg 3,384,253,463,44 E bat = 6 kWh 50 Résultats en fonction de la mission ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement d'un véhiculeConclusion Pré-dimensionnement satisfaisant les cycles ECE et Artemis urbain Non optimal pour le cycle ECE Ne satisfait pas les missions urbaines mesurée et simulées Dimensionnement Mission

51 Consommation de carburant moyenne C carb (/100km) Standard ECE x4 Artemis urbain 22 trajets urbains mesurés 1000 simulations urbaines P ge = 10 kW m traction = 44 kg 2,80 E bat = 2 kWh P ge = 17 kW m traction = 83 kg 3,063,83 E bat = 4 kWh P ge = 10 kW m traction = 80 kg 3,214,073,28 E bat = 5 kWh P ge = 13 kW m traction = 104 kg 3,384,253,463,44 E bat = 6 kWh 51 Résultats en fonction de la mission ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement d'un véhiculeConclusion Pré-dimensionnement satisfaisant les cycles ECE, Artemis et mesuré Non optimal pour les cycles standards Ne satisfait pas lensemble des missions simulées Dimensionnement Mission

52 Consommation de carburant moyenne C carb (/100km) Standard ECE x4 Artemis Urbain 22 trajets urbains mesurés 1000 simulations urbaines P ge = 10 kW m traction = 44 kg 2,80 E bat = 2 kWh P ge = 17 kW m traction = 83 kg 3,063,83 E bat = 4 kWh P ge = 10 kW m traction = 80 kg 3,214,073,28 E bat = 5 kWh P ge = 13 kW m traction = 104 kg 3,384,253,463,44 E bat = 6 kWh 52 Résultats en fonction de la mission ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement d'un véhiculeConclusion Pré-dimensionnement satisfaisant toutes les missions Pré-dimensionnement optimal pour les simulations Consommation plus élevée pour les autres missions Pré-dimensionnements optimaux différents pour chacune des missions Quen est-il de la structure parallèle ? Dimensionnement Mission

53 53 Type de mission urbaine Architec- ture Moteur thermique P ge / P mt (kW) Batterie E bat (kWh) Machine électrique P me (kW) Masse de la chaîne de traction m (kg) Consommation de carburant moyenne C carb (/100km) Standard ECE x4 Série ,80 Parallèle ,64 Artemis urbain Série ,83 Parallèle ,87 22 trajets mesurés Série ,28 Parallèle , simulations Série ,44 Parallèle ,51 Résultats en fonction de larchitecture ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement d'un véhiculeConclusion -6% de consommation avec la structure parallèle Masse de chaîne de traction inférieure

54 54 Type de mission urbaine Architec- ture Moteur thermique P ge / P mt (kW) Batterie E bat (kWh) Machine électrique P me (kW) Masse de la chaîne de traction m (kg) Consommation de carburant moyenne C carb (/100km) Standard ECE x4 Série ,80 Parallèle ,64 Artemis urbain Série ,83 Parallèle ,87 22 trajets mesurés Série ,28 Parallèle , simulations Série ,44 Parallèle ,51 Résultats en fonction de larchitecture ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement d'un véhiculeConclusion Meilleure structure : série Fonctionnement du moteur thermique à son meilleur rendement dans le groupe électrogène

55 55 Type de mission urbaine Architec- ture Moteur thermique P ge / P mt (kW) Batterie E bat (kWh) Machine électrique P me (kW) Masse de la chaîne de traction m (kg) Consommation de carburant moyenne C carb (/100km) Standard ECE x4 Série ,80 Parallèle ,64 Artemis urbain Série ,83 Parallèle ,87 22 trajets mesurés Série ,28 Parallèle , simulations Série ,44 Parallèle ,51 Résultats en fonction de larchitecture ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement d'un véhiculeConclusion Globalement la nature de la mission a plus dimpact sur la consommation que le type de structure choisi Obtention de résultats différents si masse du châssis réduite

56 56 Avantages Pas de choix a priori Outils daide à la conception Rapide (7h pour tester 564 dimensionnements sur 1000 missions de 20min) Améliorations à apporter Algorithme basique (plan dexpériences) à optimiser Tables des composants testés à resserrer Nombre de missions simulées utile à étudier Synthèse sur le pré-dimensionnement dun véhicule ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement d'un véhiculeConclusion

57 Sommaire 1. Modèle de lusage dun véhicule Quest-ce que la mission dun véhicule ? Comment la modéliser ? 2. Modèle de la chaîne de traction Quels modèles des composants ? Quelle gestion de lénergie ? 3. Pré-dimensionnement dun véhicule urbain Quelle méthode ? Quelle mission choisir ? Quels résultats ? 4. Conclusion & Perspectives 57 ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionPré-dimensionnement d'un véhiculeConclusion

58 58 Modèle de lusage dun véhicule 3 variables contraignantes { ν, γ, } Calcul de p roues = f ( m traction ) possible Génération de missions aléatoires vraisemblables Modèle des composants Générique adimensionnel Sans choix « a priori » Stratégie de gestion de lénergie Adimensionnelle En ligne (mission de 29h 10s) Processus de dimensionnement Minimisation de C carb Bilan des travaux ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule Optimisation du dimensionnement minimisant la consommation énergétique sur un ensemble de missions : « robustesse » Matrice de Markov Batterie Groupe électrogène Machine électrique C carb S S

59 59 Etude de sensibilité à dautres critères Durée de la mission Etat dénergie 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 lénergie Lois de gestion plus évoluées déjà existantes Utilisation de la matrice de Markov dans une stratégie en ligne Perspectives ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

60 60 Etendre létude à dautres structures de véhicule Véhicule hybride série-parallèle Véhicule électrique Etendre létude à dautres types de véhicule Véhicule à plusieurs organes de stockage Véhicule à pile à combustible Vélo hybride ? Autres perspectives ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement d'un véhicule

61 Dimensionnement de la chaîne de traction dun véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Merci de votre attention Gwenaëlle Souffran Directeur de thèse : Patrick Guérin Encadrante : Laurence Miègeville

62 Bilan des forces Force aérodynamique F w = ½ A f C w ν² Force de roulement F r = m g C r cos Force due à linclinaison F h = m g sin Force daccélération F a = m λ γ Modèle mécanique Bilan des forces agissant sur le véhicule poids résistance au roulement force dinertie force aérodynamique ParamètreSymboleValeur Densité de lair 1,22 kg/m 3 Surface frontale AfAf 2,7 m² Coefficient de frottement aérodynamique CwCw 0,25 Accélération gravitationnelle g 9,81 m/s² Coefficient de résistance des roues au roulement CrCr 0,018 Facteur de masse λ 1,06

63 Vitesse Accélération Traitement des mesures Filtrage Matlab filtfilt aller-retour (pas de déphasage) sur 10 points

64 Altitude Inclinaison de la route Traitement des mesures 1) Profil temporel de laltitude 2) Altitude = f (Distance) 3) Inclinaison = f (Distance) 4) Profil temporel dinclinaison Interpolation tous les 100m Filtrage filtfilt

65 65

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

67 Validation de la corrélation entre les variables (extra-urbain) =f( )

68 Indicateurs de caractérisation des missions Distribution des simulations urbaines Distribution des simulations

69

70 Puissance carburant (kW) Energie carburant (kWh) Coefficient dajustement Variation de létat dénergie Consommation de carburant (/100km) Calcul de la consommation

71 Moteur thermique (Diesel) Cartographies de différents moteurs thermiques Modèle générique dun moteur thermique Cartographies de différents moteurs thermiques (base de données Matlab PSAT) 1. Moyenne des rendements par iso- puissance pour chaque moteur 2. Moyenne de ces courbes de rendements pour obtenir le modèle générique

72 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 Température 0°C 25°C 41°C

74 Machines électriques Composants de la base de données PSAT (Argonne) N°TypePuissance nominale (kW)Puissance maximale (kW)Véhicule 1MSAP714,2Accord 2MSAP715Prius 3MSAP10 Insight 4MSAP1733Escape MG2 5MSAP2550Prius 6MSAP3245 7MSAP3365Escape MG1 8MSAP3570 9MSAP MSAP49 Honda 11MSAP MSAP MSAP58

75 Moteurs thermiques Composants de la base de données PSAT (Argonne) N°TypeCylindrée (l)Puissance (kW)Véhicule 1Diesel1,775Mercedes Classe A 2Diesel1,775Mercedes Classe A 3Diesel1,875 4Diesel1,875 5TDI1,966Volkswagen 6Diesel1,960 7TDI1,967Volkswagen 8Diesel1,9110General Motor 9HDI281PSA 10CIDI2,292Mercedes OM611 11TDI2,588Audi

76 Moteurs thermiques pour groupe électrogène Composants de la base de données PSAT (Argonne) N°TypeCylindrée (l)Puissance (kW)Véhicule 1Diesel10,8246Cummins 2Diesel12321Caterpillar 3Diesel15324Caterpillar

77 Résultats de pré-dimensionnement structure parallèle missions extra-urbaines Influence des caractéristiques du châssis MissionCwCw m châssis (kg) InclinaisonP mt (kW) E bat (kWh) P me (kW) m traction (kg) C carb (l/100km) Mesure extra-urbaine 0, Avec ,97 Sans ,85 0,201400Avec ,50 0,25500Avec ,39 Simulations extra-urbaines 1000x2h 0,251400Avec ,01

78 Pré-dimensionnement – structure série – mission extra-urbaine mesurée Influence de linclinaison Inclinaison prise en compteInclinaison non prise en compte

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

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

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

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

83 83

84 84

85 85

86 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 Parfaitement défini Réalisme (mesures >1000h et >7000 véhicules) Cycle unique pour représenter une mission Inclinaison non prise en compte… Cycles de conduite de référence

87 87 Transports : Quelles solutions ? ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Critère Véhicule électrique à PAC (H) Véhicule électrique à batterie Véhicule à moteur à combustion Véhicule électrique hybride Bicyclette Energie embarquée Rendement Rejet de polluants Recyclage Maintenance Durée de vie Sécurité Autonomie NOTE01236 Véhicule hybride : un compromis…

88 Analyse de sensibilité (Puissance) ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Sensibilité de P roues à la vitesse Sensibilité de P roues à linclinaison m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h γ=0m/s² Sensibilité de P roues à laccélération Sensibilité de P roues à la masse m=1500kg ν=90km/h =0% ν=90km/h γ=0m/s² =0% 3% +100% 0,3 m/s² +100% 3 +50% Variation quadratique 120 km/h 28 kW Variation linéaire 88

89 Analyse de sensibilité (Forces) ContexteModèle de lusage dun véhiculeModèle de la chaîne de tractionConclusionPré-dimensionnement dun véhicule Sensibilité des forces à la vitesse Sensibilité des forces à linclinaison m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h γ=0m/s² Sensibilité des forces à laccélération Sensibilité des forces à la masse m=1500kg ν=90km/h =0% ν=90km/h γ=0m/s² =0% 89


Télécharger ppt "Dimensionnement de la chaîne de traction dun véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Gwenaëlle Souffran."

Présentations similaires


Annonces Google