Stratégies d’éco-conduite pour motos électriques

Eco-driving strategy for electric motorcycles

Estrategia de conduccion ecologica para motos electricas

• Auteur / Autrice : Cristhian Yesid Bello Ceferino
• Direction : Chérif Larouci, Moussa Boukhnifer, Diego Patiño
• Type : Thèse de doctorat
• Discipline(s) : Génie électrique
• Date : Soutenance le 05/10/2020
• Etablissement(s) : université Paris-Saclay en cotutelle avec Pontificia universidad javeriana (Bogotá)
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio : physics and engineering (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : ESTACA'Lab (Saint-Quentin-en-Yvelines, Yvelines)
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté des sciences d’Orsay (Essonne ; 2020-....)
• Jury : Président / Présidente : Jean Bigeon
• Jury : Examinateurs / Examinatrices : Rochdi Trigui, Giambattista Gruosso, Toufik Azib, Julián Colorado, Andrés Emiro Díez
• Jury : Rapporteurs / Rapporteuses : Rochdi Trigui, Giambattista Gruosso

Mots clés

Mots clés contrôlés

Transport -- Économies d'énergie

Véhicules électriques

Commande prédictive

Motocyclettes -- Conduite

Automobiles -- Systèmes d'aide à la conduite

Mots clés libres

Éco-conduite

Commande prédictive

Optimisation

Gestion d'énergie

Véhicules électriques

Motos électriques

Optimisation de l'autonomie

Eco-driving

Predictive control

Optimization

Energy management

Electric vehicle

Electric motorcycle

Autonomy optimization

Eco-conduccion

Control predictivo

Optimisacion

Administracion de energia

Cehiculo electrico

Motocicleta electrica

Optimisacion de autonomia

Résumé

Les stratégies d’éco-conduite sont des approches dédiées matérialisées par des algorithmes capables d'utiliser des informations internes et externes liées à l’environnement du véhicule afin de créer des recommandations et/ou des limitations au conducteur et de générer automatiquement un profil d’usage pour le cas d’un véhicule autonome. Elles permettent notamment de réduire la consommation d'énergie et limiter les émissions de polluants, mais souvent n’intègrent pas directement l'autonomie et les performances requises par le conducteur en temps réel. Ces travaux de thèse visent à développer une stratégie d'éco-conduite adaptée aux motos électriques en intégrant les contraintes d’usage. En effet, la stratégie proposée utilise un contrôleur optimal basé sur une approche d’optimisation en temps réel. Cette dernière est orientée pour garantir que l'énergie disponible soit suffisante pour effectuer le trajet demandé, en adaptant le profil de vitesse suivant les conditions d’usage et les contraintes énergétiques. Pour ce faire, cette stratégie a mobilisé différents modèles considérant des contraintes multi-physiques (électriques, mécaniques, thermiques, ...etc.) des principaux éléments constituant la chaine de conversion : machine électrique, convertisseurs d’électronique de puissance et batterie, afin de tenir compte le comportement énergétique global. La stratégie proposée s’appuie sur un modèle non linéaire prédictif de commande (NMPC) associé à une optimisation unidimensionnelle non linéaire avec une fonction coût évolutive. Cette fonction intègre d’une manière progressive, au même niveau, plusieurs critères qui ont été départagés par une étude de sensibilité des coefficients de pondération, en tenant compte du temps de compilation pour satisfaire les besoins du temps réel. Ces travaux ont été validés en simulation et expérimentation sur un banc de test développé à échelle réduite. Cette validation a montré que la stratégie permet d'augmenter de 20% l'autonomie avec une limitation maximale de 30% de la vitesse et l’accélération pour les cas d’usage les plus contraignants (conduites dynamiques). En outre, la stratégie est capable de garantir la fin du trajet à 98% avec une erreur de distance inférieure à 1,5%, en présence de bruits de capteurs et d'actionneur.

The eco-driving strategies are dedicated approaches based on algorithms capable to use external and internal vehicle data to create recommendations and/or limitations over the driver or to generate automatically a complete reference to be followed in the case of autonomous vehicle. They let to reduce the energy consummation and to limit the pollution emissions, but currently, their usage is not directly related to the autonomy and the performance required by the driver in real time. In this context, this thesis work proposes an Eco-Driving strategy suitable for electric motorcycle with usage limitations. In fact, this strategy uses an optimal controller able to make an online optimization process. This controller is oriented to ensure that the energy available is enough to complete a demanded trip and to adapt the speed profile according to the usage requirements and the energetic constraints. The developed strategy integrates dynamic models carrying out an optimization under multi-physic constraints (electric, mechanic, thermal …etc) present in the main elements of the power chain: electric machine, power electronics converters and battery. Those models let to make a global energy behavior representation. The NMPC optimization technic (non-linear model predictive controller) is supported on a non-linear mechanical model joined to a weight unidimensional non-linear optimization. This means that the NMPC cost function weights can evolve in function of energy behavior and external constraints. This multi-objective cost function integrates (in a progressive way) different behaviors that related to the energy consumption classified by a weighting sensitivity study. This process lets to find a good balance between the optimization goal and the compilation time to satisfy real-time needs. The developed approach has been validated in simulation and in experimental with a reduced scale developed test bench. The validation shows that the algorithm is able to increase around 20% the autonomy with a maximum limit of 30% of the speed and acceleration for the strict usage cases (dynamic driving). In addition, the algorithm is capable to ensure completing the travel in the 98% of cases with a distance error lower than 1.5% in the presence of sensors and actuator noises.

Las estrategias de conducción ecológica son enfoques basados en algoritmos capacesde utilizar los datos del vehículo para crear recomendaciones sobre el conductor o generar una referencia completa a seguir en el caso de un vehículo autónomo. Estos, permiten reducir el consumo de energía pero actualmente su uso no está directamente relacionado con la autonomía y el rendimiento requerido por el conductor en tiempo real. En este contexto, este trabajo de tesis propone una estrategia de conducción ecológica adecuada para motocicletas eléctricas. De hecho, esta estrategia utiliza un controlador óptimo capaz de realizar un proceso de optimización online. Este controlador está orientado a garantizar que la energía disponible sea suficiente para completar un viaje demandado. Para cumplir esa meta, el control optimo adapta el perfil de velocidad de acuerdo con los requisitos de uso y las limitaciones energéticas. El enfoque desarrollado ha sido validado con un banco de pruebas desarrollado a escala reducida. La validación muestra que el algoritmo puede aumentar un 20 % la autonomía con una límitacion máxima del 30 % de la velocidad y aceleración para los casos de uso estricto. Además, el algoritmo es capaz de asegurar la capacidad para completar el recorrido en el 98 % de los casos con un error de distancia inferior al 1,5 %.