Gestion de l'Energie Basée sur le Diagnostic/Pronostic de Défaut d'un Véhicule Electrique Hybride à Pile à Combustible/Batterie

Health-Conscious Energy Management Strategy Based on Fault Diagnosis/Prognosis for a Fuel Cell/Battery Hybride Electric Vehicle

• Auteur / Autrice : Antoine Bäumler
• Direction : Toufik Azib
• Type : Projet de thèse
• Discipline(s) : Génie électrique
• Date : Inscription en doctorat le 04/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : ESTACA
• Partenaire(s) de recherche : Equipe de recherche : S2ET - Systèmes et Energie Embarqués pour les Transports
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)

Mots clés

Mots clés libres

Stratégie de gestion d'énergie

Système hybride

Pile à combustible/batterie

Diagnostic/pronostic

Intelligence artificielle

Energy management strategy

Hybrid power system

Fuel cell/battery diagnosis/prognosis

Artificial intelligence

Résumé

Le concept des systèmes d'énergie hybrides a amélioré considérablement les performances dynamiques, l'efficacité énergétique et la durée de vie des systèmes énergétiques, ce qui est très prometteur pour les chaines de conversion électrifiées. Ces dernières années, l'hybridation pile à combustible à membrane d'échange de protons (PEMFC) avec des batteries lithium (Libs) a été particulièrement mise en évidence par de nombreux projets de recherche. La stratégie de gestion d'énergie (EMS) joue un rôle essentiel au niveau de la supervision de ce type de système. Elle pilote les flux d'énergie entre les différentes sources pour satisfaire la charge tout en améliorant l'efficacité opérationnelle. Une EMS intelligente et performante doit être supportée par des résultats fiables relatifs au diagnostic / pronostic de chaque source, à savoir le diagnostic / pronostic de la PEMFC et les Libs qui est indispensable pour la synthèse d'une stratégie EMS consciente de leur santé. Cependant, les travaux de recherche actuels s'appuient souvent sur une décorrélation entre l'EMS et le diagnostic / pronostic associé. Ainsi, l'objectif principal de ces travaux est le développement d'un module de diagnostic/pronostic de chaque source et son intégration dans la synthèse de l'EMS. Les approches seront fondées sur des techniques d'intelligence artificielle au moyen d'un processus d'auto-apprentissage des données opérationnelles.

The concept of hybrid energy systems have considerably improved dynamic performance, energy efficiency and lifespan of energetic systems, which is very promising for the powertrain system in electrified vehicles. Especially the effectiveness of hybrid system based on polymer electrolyte membrane fuel cells (PEMFCs) and lithium-ion batteries (LIBs) has been highlighted by many research projects in recent years. In such system, energy management strategy (EMS) plays a critical role in the supervisory level. It manage the power flow among the different power sources, to meet the power demand and to improve the operation efficiency. A smart EMS should be supported by reliable diagnostic/prognostic results of the single power source. Namely, the topic of diagnostic/prognostic of PEMFCs and LIBs is indispensable when designing a health-conscious EMS. However, the current research work of designing EMS and executing diagnostic/prognostic of ESS is usually independent of each other. Therefore, in this PhD project, integrating the diagnosis/prognosis module of each power source into EMS design is the primary aim. Especially, the proposed health-aware EMS and the module of diagnostic/prognostic will be based on artificial intelligence techniques through operation data self-learning process.