Soutenance mémoire
Dimensionnement des interfaces de puissance et schéma électrique
Introduction
Le secteur de transport est l’un des secteurs les plus polluants au monde. Cela est dû à l’utilisation des hydrocarbures comme source d’énergie des systèmes de propulsion. Au Canada, la part du transport dans la consommation énergétique était de 22% en 2009 soit la plus grande part après l’industrie et contribue à hauteur de 38% dans les émissions des gaz à effets de serre (GES) [2]. Sur la figure 1.1, nous avons une répartition de la consommation énergétique au Canada pour l’année 2009. On remarque qu’après l’industrie, le secteur des transports est le deuxième secteur qui consomme le plus d’énergie. Une comparaison des émissions des GES permet de voir que même si le secteur industriel est plus énergivore, il émet moins de polluants que le transport. Cela s’explique par la diversification des sources d’énergie dans l’industrie. On a par exemple l’éolienne et l’hydroélectrique qui n’émettent pas de polluant. Ce qui n’est pas le cas du transport où les hydrocarbures constituent la principale source d’énergie.La lutte contre cette pollution de masse passe par une réduction significative de l’utilisation des hydrocarbures d’où les nouvelles politiques pour les moyens de transport propre et pour l’efficacité énergétique. Avec le réchauffement climatique et l’avènement des mouvements écologiques, la réduction de la pollution est devenue un enjeu politique dans beaucoup de gouvernements. De nouveaux projets émergent et traitent de l’efficacité énergétique et de la diversification des sources d’énergie plus particulièrement les énergies renouvelables. Le domaine du transport est concerné par ces projets où l’implication des gouvernements se fait à travers des subventions et des projets. Le projet d’électrification des transports au Québec, bien qu’il soit actuellement à l’abandon démontre qu’il fût un temps où le gouvernement québécois accordait de l’intérêt à ce secteur.
Le véhicule électrique (VE) se révèle être une alternative importante dans la réduction des émissions des polluants dans le secteur du transport en plus d’ apporter une certaine indépendance par rapport aux énergies fossiles. En effet, les batteries du VE sont rechargées par de l’énergie électrique pouvant venir des panneaux solaires, de l’éolien ou du réseau électrique. Cependant, la pénétration de ces véhicules dans le marché est entravée par des difficultés économiques telles que le coût élevé des véhicules et des difficultés techniques non négligeables telles que l’autonomie et le temps de recharge [8 , 9]. L’absence d’infrastructure telle que les stations de recharge dédiée aux VE freine aussi l’expansion dans le marché. Les difficultés techniques sont liées aux limites de la technologie actuelle. Les véhicules électriques à batteries (VEB) sont des VE dont la source de puissance est exclusivement des batteries. Au niveau local, leur émission de GES est nulle, mais l’inconvénient de ces véhicules est qu’ils font actuellement face à des problèmes d’autonomie réduite et des coûts de production et de maintenance élevés en comparaison avec les véhicules classiques [8]. Les batteries utilisées pour stocker l’énergie doivent être maintenues et changées après un certain nombre de cycles largement inférieur à la durée de vie du véhicule. Pour pallier le problème d’autonomie des VEB, on a deux possibilités. La première consiste à développer des batteries ultras performantes. C’est le cas des batteries Lithium-Ion qui ont une grande capacité de stockage, mais dont le coût est aussi élevé. On trouve ces batteries dans les véhicules électriques de luxe Tesla [10]. Cela améliore l’autonomie, mais elle reste inférieure à celle d’un véhicule classique. En plus, il faut noter que le temps de recharge des batteries est excessivement long comparé au temps requis pour faire le plein d’essence. La deuxième possibilité est de faire recours à l’hybridation des véhicules électriques à batteries (VEB) . L’hybridation consiste à doter le véhicule d’ une deuxième source d’ énergie.
Identification des génératrices
Il existe une multitude de méthodes d’identification de système à partir de données. Nous avons d’une part, les modèles linéaires résultant. d’une combinaison linéaire entre les paramètres et les variables et d’autre part, les modèles non linéaires. Nous pouvons citer quelques méthodes qui sont: les réseaux de neurones [40, 41], la logique floue ,les algorithmes génétiques, les machines à vecteurs de support (Support Vector Machines en anglais) [43], les tables de correspondance (Lookup table), etc…. Kalogirou dans sa revue de littérature évoque l’utilisation de l’intelligence artificielle pour la modélisation et le contrôle des machines à combustion interne [44]. Il évoque dans son travail l’utilisation des systèmes experts, des réseaux de neurones artificiels, de la logique floue, de l’algorithme génétique et l’hybridation avec d’autres méthodes pour modéliser la machine à combustion interne. çay et al ont utilisé un réseau de neurones artificielles pour identifier la machine à combustion [45]. Avec les réseaux de neurones, le modèle était assez précis, mais nécessitait un nombre important de données expérimentales pour faire l’ entrainement. Hametner a aussi utilisé les réseaux de neurones artificiels pour représenter le comportement non linéaire de la machine à combustion pour différents régimes. Il a élaboré pour chaque régime un modèle de la machine et un modèle moyen de la machine est obtenu à partir de ces différents modèles [46]. Ce modèle moyen modélise parfaitement les non-linéarités du système. Cependant la convergence des réseaux de neurones dépend fortement de la richesse des données utilisées lors de l’entrainement. Les tables de correspondance sont faciles à mettre en œuvre mais nécessitent des données couvrant toute la plage de fonctionnement de la machine. Ce qui équivaut à faire une campagne de mesures complètes. TI faut aussi noter que ces tables ne sont pas adaptatives ; or notre but est d’établir un modèle qui puisse prendre en compte les changements des paramètres de la machine et aussi pas très couteux en temps.
Conclusion
Dans ce chapitre, nous avons présenté la méthode d’ optimisation basée sur les données. Dans un premier temps, un modèle mathématique est élaboré en fonction des mesures des variables de la machine. Le modèle mathématique polynomial ainsi obtenu est utilisé par un algorithme de recherche de maximum du rendement (Voir sous-section 3.4.2.2).Le programme d’optimisation est basé sur un algorithme dérivé de la recherche linéaire et permet pour une puissance désirée de déterminer la vitesse de la machine permettant d’avoir le rendement maximal. L’optimisation locale du rendement de la génératrice repose sur l’identification d’un modèle statique de la machine, la recherche des conditions donnant le maximum du rendement à partir du modèle identifié et l’imposition des ces conditions via un contrôleur basée sur la CMI adaptative. Dans cette méthode, le choix des temps d’échantillonnage est important. L’ intégration de la méthode dans la gestion globale du véhicule est simple. Nous avons présenté dans ce chapitre, la réalisation conceptuelle de la méthode d’ optimisation du rendement de la génératrice à hydrogène. Dans le chapitre qui vient nous présenterons la validation par simulation et par expérimentation de la méthode proposée.
|
Table des matières
Résumé
Remerciements
Liste des Figures
Liste des Tableaux
Abbréviations
Symboles
1 Introduction
1.1 Contexte général
1.2 Problématique.
1.3 Objectifs
1.4 Méthodologie
1.5 Organisation du mémoire
2 État de l’art
2.1 Introduction
2.2 Présentation des systèmes hybridés
2.3 Généralités sur les moteurs à combustion interne à l’ hydrogène et à l’essence
2.3.1 Moteurs à essence
2.3.2 Moteurs à hydrogène
2.4 Pourquoi identifier et optimiser?
2.5 Identification des génératrices
2.6 Optimisation
2.7 Contrôle de la génératrice
2.8 Conclusion
3 Identification, optimisation et contrôle de la machine
3.1 Présentation du véhicule hybride
3.2 Hypothèses de départ
3.3 Structure générale de la méthode
3.4 Optimisation ou poursuite du rendement optimal
3.4.1 Identification du modèle
3.4.1.1 Critères de sélection du modèle
3.4.1.2 Construction du modèle
3.4.1 .3 Identification des paramètres
3.4.2 Recherche du maximum
3.4.2.1 Définitions et notions mathématiques
3.4.2.2 Algorithme d’optimisation
3.4.3 Contrôle
3.4.3.1 Pourquoi le contrôle?
3.4.3.2 Modélisation dynamique du système
3.4.3.3 Contrôle par modèle interne
Propriété 1. Dualité de la stabilité
Propriété 2. Contrôleur parfait
Propriété 3. Annulation de l’erreur statique
Étape 1 : Performance dynamique
Étape 2 : Robustesse aux erreurs de modélisation
3.5 Intégration au système de gestion globale
3.6 Conclusion
4 Validation théorique et expérimentale
4.1 Contexte de la validation
4.1 . 1 Objectifs de la validation
4.1.2 Contexte
4.1.3 Banc d’essai
4.1.3.1 Véhicule électrique hybride
4.1.3.2 Présentation de la génératrice à hydrogène [1]
4. 1.3.3 Liaison entre l’interface de puissance et les batteries
4.1.3.4 Liaison entre la génératrice et l’ordinateur de bord
4.1.3.5 Banc d’essai comple
4.2 Validation du modèle identifié
4.3 Validation de la méthode de recherche de maximum
4.4 Validation du contrôle du système
4.5 Validation globale de la méthode d’optimisation proposée
4.6 Validation avec une table de correspondance par intervalle
4.7 Discussion sur les résultats
5 Conclusion
5.1 Perspectives
5.1.1 Implémentation
5.1.2 Variation de la stœchiométrie
5.1.3 Intégration des émissions de GES dans l’optimisation.
5.1.4 Fonctionnement à l’essence et avec un mélange H2/essence
5.1.5 Développement d’un système de management global pour le VER
A Dimensionnement des interfaces de puissance et schéma électrique
B Fiches techniques de la génératrice
C Articles de revue et de conférence
Bibliographie
Télécharger le rapport complet
