Système Intelligent pour l'optimisation de la Répartition d'Energie dans les véhicules électriques.

Intelligent System for Optimising Energy Distribution in Electric Vehicles.

• Auteur / Autrice : Salma Ariche
• Direction : Stéphane EspiÉ
• Type : Projet de thèse
• Discipline(s) : Robotique
• Date : Inscription en doctorat le 15/11/2022
• Etablissement(s) : université Paris-Saclay en cotutelle avec Université Cadi Ayyad
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Systèmes et Applications des Technologies de l'Information et de l'Energie
• Partenaire(s) de recherche : Equipe de recherche : MOSS - Méthodes et outils pour les Signaux et Systèmes
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Systèmes embarqués

Contrôle commande

Multi agent

Apprentissage profond

Simulation de trafic

Méthodes d'optimisation

Depth learning

Traffic simulation

Command and control

Multi agent

Embeded systems

Optimisation methods

Résumé

L'objectif de cette thèse est de concevoir un superviseur pour optimiser la répartition des charges entre les différents sous-systèmes dans des situations/modes de conduites différents avec des degrés de criticités variants. Le superviseur aura comme entrées les données issues des différentes fonctions (nœuds), les paramètres de la fonction “mission” et les données disponibles des différentes bases de données (relief, trafic, bornes de recharge, météo). Il prendra aussi en considération le modèle du comportement de la batterie. Nous souhaitons répondre à cette problématique par l'exploration des algorithmes fondés sur l'apprentissage profond et/ou multi agent afin de concevoir des fonctionnalités de mesure de la consommation d'énergie et de contrôle commande des différents nœuds du véhicule. Un simulateur hybride (logiciel/matériel) et modulable sera développé pour le test et l'évaluation des performances du superviseur. En plus de l'étude théorique et d'une phase de simulation, une démarche expérimentale forte s'avérera nécessaire pour acquérir des jeux de données en situations réelles et évaluer le superviseur pour des scénarios de référence : -changement de mission lors de la conduite (re-planification d'itinéraire), -priorisation des demandes des différents systèmes distribués : climatisation ou chauffage, ADAS (régulateur de vitesse, contrôle latéral, longitudinal) , -accélération ou décélération lors d'un dépassement sur autoroute, -changement de contexte de conduite : milieu urbain ou autoroute. Parallèlement aux stratégies d'efficacité énergétique qui cherchent à produire plus d'énergie dans des délais court avec moins de ressources, ce projet présente un intérêt scientifique portant sur la modélisation d'un système d'optimisation de répartition d'énergie en s'inspirant des travaux développés pour les réseaux électriques intelligents (smart grids). Si le renouvellement de la technologie induit une importante évolution des batteries électrique pour la mobilité, la recherche académique engage en conséquence une réponse en termes de recherches exploratoires quant à la conception de systèmes en étudiant les modèles de calcul (complexité algorithme et architectures matérielles) pour augmenter les performances des applications finales embarquées. Finalement, le système envisagé devra répondre aux contraintes de l'embarqué notamment celles de sa propre consommation, de la reconfiguration dynamique et du temps réel. En effet, la complexité croissante des applications dans le domaine des systèmes embarqués, notamment dans un contexte temps réel, impose le développement de systèmes à fortes contraintes. Dans le cas de ce projet, l'instanciation d'un superviseur pour l'optimisation d'énergie sur une architecture matérielle embarquée fait face à de multiples contraintes : interfaces capteurs, puissance de calcul, contraintes temporelles et consommation d'énergie propre au système.

The objective of this thesis is to design a supervisor that optimises the load distribution between the different subsystems in different driving situations/modes with varying degrees of criticality. The supervisor will have as inputs the data from the different functions (nodes), the parameters of the 'mission' function and the data available from the different databases (terrain, traffic, charging stations, weather). It will take into consideration the model of the battery behaviour. We wish to address this issue by exploring algorithms based on deep and/or multi-agent learning in order to design functionalities for measuring energy consumption and controlling the various nodes of the vehicle. A hybrid (software/hardware) and scalable simulator will be developed for testing and evaluating the performance of the supervisor. In addition to the theoretical study and a simulation phase, a strong experimental approach will be necessary to acquire data sets in real situations and evaluate the supervisor for reference scenarios: -change of mission while driving (route re-planning), -prioritising the demands of the various distributed systems: air conditioning or heating, ADAS (cruise control, lateral, longitudinal control), -Acceleration or deceleration when overtaking on the motorway, -change of driving context: urban environment or motorway. In parallel with energy efficiency strategies that seek to produce more energy in a short time with fewer resources, this project is of scientific interest for the modelling of an energy distribution optimisation system inspired by the work developed for smart grids. If the renewal of the technology induces an important evolution of the electric batteries for mobility, the academic research engages consequently a response in terms of exploratory research as for the design of systems by studying the models of calculation (algorithm complexity and hardware architectures) to increase the performances of the final embedded applications. Finally, the envisaged system will have to meet the constraints of the embedded system, in particular those of its own consumption, dynamic reconfiguration and real time. Indeed, the increasing complexity of applications in the field of embedded systems, especially in a real-time context, requires the development of systems with strong constraints. In the case of this project, the instantiation of a supervisor for energy optimisation on an embedded hardware architecture faces multiple constraints: sensor interfaces, computing power, time constraints and the system's own energy consumption.