Adaptation des lois de gestion d’énergie des véhicules hybrides suivant le profil de mission suivi

Driving Pattern based Energy Management Adaptive Strategy for Hybrid Vehicles

• Auteur / Autrice : Alexandra Dubray-Demol
• Direction : Sylviane Gentil
• Type : Thèse de doctorat
• Discipline(s) : Automatique et productique
• Date : Soutenance en 2002
• Etablissement(s) : Grenoble INPG
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : École nationale supérieure d'ingénieurs électriciens (Grenoble ; 1908-2008) - Laboratoire d'automatique de Grenoble (1957-2006)
• Jury : Président / Présidente : Alain Barraud
• Jury : Examinateurs / Examinatrices : Patrick Béguery
• Jury : Rapporteur / Rapporteuse : Bernard Dubuisson, François Badin

Mots clés

Mots clés contrôlés

Véhicules électriques hybrides

Mots clés libres

Véhicules Hybrides

Lois de Gestion d'énergie

Supervision

Reconnaissance de parcours

Résumé

Ce mémoire propose une méthodologie de développement de lois de gestion d’énergie prenant en compte le parcours suivi. L’application concerne un bus hybride de type série, disposant d’une autonomie électrique de quelques kilomètres. La première phase de l’étude a cherché à déterminer la répartition optimale de la puissance demandée par le conducteur entre les deux sources d’énergie, l’organe de stockage temporaire (la batterie) et le générateur électrique (moteur thermique associé à un alternateur). Pour cela, le problème a été formalisé à l’aide de modèles simplifiés des différents composants et résolu par le principe du maximum de Pontryaguine. Les résultats obtenus ont été intégrés dans la commande du véhicule sous forme de cartographies de commande optimale dépendantes d’un unique paramètre K. Ils ont, par ailleurs, nécessité une adaptation pour obtenir des lois de commande implémentables en ligne. Dans la deuxième étape, ces lois de gestion d’énergie ont été modifiées pour prendre en compte le parcours suivi. Trois niveaux de commande, s’appuyant sur l’état de charge de la batterie, ont alors été définis. Le premier niveau qui est directement tiré des travaux d’optimisation précédents correspond à la commande instantanée. Il est paramétré par K pour permettre à la supervision locale (deuxième niveau) de faire suivre à la batterie un profil d’état de charge désiré. Le dernier niveau réalise, quant à lui, l’apprentissage de ce profil d’état de charge désiré à partir de la reconnaissance a priori du parcours suivi. Une fois le parcours effectué, la réalisation obtenue est évaluée et éventuellement intégrée dans les connaissances acquises suivant son degré de reproductibilité. Ces lois de gestion d’énergie ont, dans une dernière étape, été validées par simulation Matlab/Simulink. Pour cela, une campagne d’essais a été effectuée sur un véhicule en situation normale de fonctionnement

Thesis objectives are to develop a method to construct adaptive energy management strategy for regular driving patterns. The scope is a hybrid bus in a series configuration, with several kilometres of electric driving range. The first step of this study tries to specify the optimal distribution of requested power by the driver between the two sources, the energy storage device (the battery) and the electric generator (an internal combustion engine linked to an alternator). With this aim, the optimisation problem was formalised by using simplified models of the various components. Then, it was solved by the Pontryaguine maximum principle. The result was integrated in the vehicle control in an optimal control mappings form, dependent on a unique parameter K. Moreover, an adaptation was proposed to obtain energy management strategies that can be implemented on-line. In a second step, control was adapted to develop energy management strategy for regular driving pat terns. A three level control was defined from the battery state of charge. The first level, that immediately results from the previous work, corresponds to the instantaneous control. Its parameterisation with K allows the local supervision (the second level) to follow a curve of desired state of charge. In the last level, this curve of desired state of charge is learnt from the a priori recognition of the followed driving pat tern. After the driving pattern execution, the obtained realisation is evaluated and possibly integrated in the knowledge base according to its reproducibility degree. Finally, the adaptive energy management strategy was validated by a Matlab/Simulink model applied to a test campaign acquired with a bus in normal operation conditions