Stratégies de gestion énergétique et de confort thermique pour les véhicules électriques à batterie.

Energy and Thermal Comfort Management Strategies for Battery Electric Vehicles

• Auteur / Autrice : Anas Lahlou
• Direction : Florence Ossart, Mohamed Maaroufi
• Type : Thèse de doctorat
• Discipline(s) : Energétique
• Date : Soutenance le 06/11/2020
• Etablissement(s) : Sorbonne université en cotutelle avec Université Mohammed V (Rabat), École Mohammadia d'ingénieurs (Rabat, Maroc)
• Ecole(s) doctorale(s) : École doctorale Sciences mécaniques, acoustique, électronique et robotique de Paris (2000-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie électrique et électronique de Paris (Gif-sur-Yvette, Essonne ; 1998-....)
• Jury : Président / Présidente : Olivier Bethoux
• Jury : Examinateurs / Examinatrices : Francis Roy, Mohamed Bakhouya
• Jury : Rapporteur / Rapporteuse : Nissrine Krami, Abdellatif Touzani, Rochdi Trigui

Mots clés

Mots clés contrôlés

Commande en temps réel

Programmation dynamique

Consommation d'énergie

Automobiles -- Chauffage et ventilation -- Régulation

Véhicules électriques

Mots clés libres

Véhicules électriques

Système de chauffage

Thermophysiologie humaine

Confort thermique

Stratégies de gestion énergétique

Contrôle optimal

Contrôle temps-réel

Electric Vehicles

HVAC systems

Human thermo-physiology

Thermal comfort

Energy Management

Optimal control

Real-time control

Résumé

Le système HVAC représente la principale charge auxiliaire des véhicules électriques à batterie (VEB) et nécessite des approches de contrôle efficaces qui équilibrent entre consommation énergétique et confort thermique. D'une part, les passagers exigent toujours plus de confort, mais d'autre part la consommation du système HVAC impacte fortement l'autonomie du véhicule, ce qui constitue un enjeu majeur des VEB. Ces deux exigences doivent être satisfaites par la stratégie de gestion énergétique, en suggérant au conducteur d'ajuster soit le confort thermique, soit la vitesse du véhicule, afin de satisfaire la contrainte d’énergie disponible. En effet, s'il n'y a pas assez d'énergie embarquée pour la traction et pour un confort thermique idéal, ce dernier doit être diminué afin d'économiser de l'énergie et permettre au véhicule d'atteindre sa destination finale ou le prochain point de recharge. Dans certaines situations, il peut être plus judicieux de ralentir afin de permettre un meilleur confort thermique. Dans la présente thèse, une approche de gestion optimale du confort thermique qui optimise le confort thermique tout en préservant l'autonomie lors d'un trajet est proposée. Le véhicule électrique est d'abord modélisé. Ensuite, le comportement thermo-physiologique du conducteurs/passagers ainsi que les indices de confort thermique des passagers sont présentés. Le problème de la gestion du confort thermique est formulé comme un problème d'optimisation et résolu par l’algorithme de programmation dynamique. Deux cas-tests représentatifs de climats chauds et de situations de trafic sont simulés. Dans le premier cas-test, le coût énergétique et le ratio de confort amélioré sont quantifiés pour différentes conditions météorologiques et de circulation. Le second cas-test met en évidence les situation de trafic dans lesquelles un compromis entre la vitesse du véhicule et le confort thermique est important. Un grand nombre de scénarios météorologiques et routiers sont simulées et les résultats montrent l'efficacité de l'approche optimale proposée pour minimiser la consommation d'énergie tout en maintenant un confort acceptable. Une comparaison entre différents indices de confort thermique est enfin réalisée, pour évaluer les gains de l'utilisation du modèle thermo-physiologique. Si les résultats de l'approche optimale sont prometteurs et valident le principe du confort thermique et de la gestion énergétique, le coût de calcul de la programmation dynamique reste important pour une implémentation à bord dans un véhicule électrique. Une stratégie de gestion énergétique en temps réel a donc été développée, en utilisant les résultats de l'approche optimale, et un modèle simplifié mais toujours précis et représentatif du confort thermique. Sur la base des prévisions de trafic et de météo pour un trajet donné, l'algorithme temps réel estime d'abord l'énergie nécessaire à la traction et l'énergie disponible pour le confort thermique. Ensuite, il détermine le meilleur niveau de confort qui peut être fourni dans ces conditions énergétiques et contrôle le système HVAC en conséquence. Si les prévisions sont mises à jour pendant le trajet, l'algorithme ajuste le niveau de confort thermique pour satisfaire la contrainte d’énergie disponible. L'algorithme en temps réel est testé pour une grande variété de scénarios météorologiques et de trafic. Les résultats montrent que les estimateurs d'énergie ont une bonne précision. L'erreur relative absolue est d'environ 1,7% pour le premier (traction), et de près de 4,1% pour le second (confort thermique). L'efficacité de la stratégie de gestion du confort thermique proposée est évaluée en la comparant à une approche de contrôle optimal hors ligne basée sur une programmation dynamique. Les résultats de la simulation montrent que l'approche proposée est quasi optimale, avec une légère augmentation de l'inconfort de seulement 3%.

The HVAC system represents the main auxiliary load in battery-powered electric vehicles (BEVs) and requires efficient control approaches that balance energy saving and thermal comfort. On the one hand, passengers always demand more comfort, but on the other hand the HVAC system consumption strongly impacts the vehicle’s driving range, which constitutes a major concern in BEVs. Both of these requirements should be satisfied by the control approach, by suggesting to the driver to adjust either the thermal comfort or the vehicle speed, in order to meet the energy constraints. Indeed, if there is not enough embedded energy for both traction and optimal thermal comfort for the planned trip, the thermal comfort should be diminished in order to save energy and allow the vehicle to reach its final destination or the next charging point. In some situations, it may be wiser to consider slowing down in order to allow a better thermal comfort. In the present thesis, an optimal thermal comfort management approach that optimizes the thermal comfort while preserving the driving range during a trip is proposed. The electric vehicle is first modeled including the powertrain and the HVAC system. Secondly, the passengers’ thermo-physiological behavior and thermal comfort indices are presented. Then, the thermal comfort management issue is formulated as an optimization problem and solved by dynamic programing algorithm. Two representative test-cases of hot climates and traffic situations are simulated. In the first one, the energetic cost and ratio of improved comfort is quantified for different meteorological and traffic conditions. The second one highlights the traffic situation in which a trade-off between the driving speed and thermal comfort is important. A large number of weather and traffic situations are simulated and results show the efficiency of the proposed optimal approach in minimizing energy consumption while maintaining a good comfort. A comparison between different thermal comfort indices is finally conducted, to assess the gains from using our model of human thermo-physiology. While the results of the optimal approach were promising and validate the principle of thermal comfort and energy management, the computation cost of dynamic programing is still too high for an implementation in an on-board computer. A real-time energy management strategy was therefore developed, by using the results of the optimal approach, and a simplified but still precise and representative model of thermal comfort. Based on traffic and weather predictions for a given trip, the real time algorithm first estimates the energy required for the traction and the energy available for thermal comfort. Then, it determines the best thermal comfort that can be provided in these energetic conditions and controls the HVAC system accordingly. If the predictions are updated during the trip, the algorithm adjust the thermal comfort level to meet the energy constraint. The real-time algorithm is tested for a wide variety of meteorological and traffic scenarios. Results show that the energy estimators have a good accuracy. The absolute relative error is about 1.7% for the first one (traction), and almost 4.1% for the second one (thermal comfort). The effectiveness of the proposed thermal comfort management strategy is assessed by comparing it to an off-line optimal control approach based on dynamic programming. Simulation results show that the proposed approach is near-optimal, with a slight increase of discomfort by only 3%.