Thèse soutenue

Démarche de pré-dimensionnement d’une machine électrique pour véhicule électrique : optimisation sur cycle de fonctionnement et avec contraintes de l’entraînement électrique
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Juliana Fernandes cardoso
Direction : Laurent Gerbaud
Type : Thèse de doctorat
Discipline(s) : Génie électrique
Date : Soutenance le 28/08/2020
Etablissement(s) : Université Grenoble Alpes
Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire de génie électrique (Grenoble)
Jury : Président / Présidente : Stéphane Brisset
Examinateurs / Examinatrices : Afef Kedous-Lebouc, Lamya Abdeljalil Belhaj
Rapporteurs / Rapporteuses : Emmanuel Vinot, Mohammed El-Hadi Zaïm

Résumé

FR  |  
EN

Le problème environnemental est en train de changer la façon dont nous voyons nos besoins. Dans tous les secteurs d’activité humaine, de nouvelles solutions sont cherchées qui puissent permettre la durabilité de notre mode de vie. Dans ce contexte, le secteur du transport routier s’est tourné vers le véhicule électrique. Cette solution pose des défis, du point de vue de la conception du système de la chaîne de traction, liés à la complexité du système même et au cycle de fonctionnement du véhicule.Dans ce travail, nous proposons une méthodologie de préconception par optimisation de l’ensemble « machine électrique et onduleur de tension » prenant en compte le cycle de fonctionnement du système. Pour cela, nous développons un modèle semi-analytique d’une machine synchrone à aimants permanents et présentons un modèle analytique des pertes dans l’onduleur de tension. Nous développons ensuite une méthodologie de traitement des cycles de fonctionnement, afin de représenter un cycle complet par un nombre limité de points de fonctionnement. Finalement, nous utilisons les modèles créés et cette méthode de traitement afin de définir un problème d’optimisation. La solution de ce problème, en utilisant l’algorithme d’optimisation Sequential Quadratic Programming, permet le dimensionnement par optimisation d’une machine de référence pour différents cycles de fonctionnement.