Gestion multicritère des flux énergétiques dans les véhicules
La gestion de l’énergie est la partie de la commande qui assure la répartition de la demande du conducteur entre les sources d’énergie du véhicule tout en contrôlant l’état de charge de la batterie et l’actionnement des accessoires.
Une classification couramment admise permet de scinder les méthodes de gestion de l’énergie en deux grandes familles : celles qui sont basées sur une logique modale en utilisant une connaissance experte du système, et celles qui utilisent les principes d’optimisation.
Concernant ces dernières méthodes, deux catégories se dégagent selon la connaissance a priori de la mission instantanée du véhicule (profil de vitesse en fonction du temps) ou non.
Dans les deux cas, il s’agit d’utiliser le degré de liberté de l’hybridation pour optimiser un critère, souvent la minimisation de la consommation de carburant (équivalent dans une première approximation à une minimisation des émissions de CO2). Ce critère peut être plus complexe en intégrant les émissions de polluant et/ou la durée de vie des composants critiques.
Où n est le nombre d’échantillons sur un horizon d’utilisation du véhicule, mf le débit instantané de carburant, POL l’émission instantanée du polluant considéré, SOH le critère de durée de vie batterie, et α, β et γ les poids accordés à chacun des critères.
Si l’on considère un objectif unique afin de minimiser la consommation de carburant sur la totalité du cycle considéré, on obtient le critère suivant :
Les contraintes à respecter sont de deux niveaux. Le premier concerne le dernier objectif de la commande globale qui est le contrôle de l’état de charge de la batterie avec le choix préalable des deux options possibles (« charge sustaining » ou « charge depleting »).
Les autres contraintes sont de type égalité, propres à chaque architecture hybride, et de type inégalité représentant les limitations des différents sous-systèmes de la chaîne de traction.
Les travaux de l’équipe concernant l’optimisation globale hors ligne se concentrent sur l’exploration des méthodes dites exactes qui permettent de trouver des solutions explicites au problème d’optimisation, à savoir la programmation dynamique et le calcul variationnel.
Concernant l’optimisation en ligne, l’équipe a mis en œuvre des commandes s’inspirant du calcul variationnel ou utilisant des réseaux de neurones avec apprentissage.