Estimation de la consommation des véhicules électriques

Le véhicule électrique (VE) représente une des solutions pour la réduction des de la pollution et de nuisances sonores émises par les transports. Une réduction notable des émissions de CO2 peut-être observable par l’utilisation de VE à condition que la production d’électricité soit suffisamment décarboné, ce qui est le cas en France par exemple (cf. chapitre 1). Les véhicules électriques sont équipés de moteurs électriques (association de convertisseurs machines – ACM) et d’une batterie et ont la capacité de récupérer de l’énergie lors des phases de décélération (freinage) et dans les descentes. Cette récupération est rendue possible par la transformation de l’énergie mécanique en énergie électrique, qui, à son tour, recharge la batterie du véhicule (sans dépasser la capacité maximale de la batterie). Au-delà de cette capacité de récupération, une autre caractéristique s’avère déterminante : le rendement énergétique. Contrairement au véhicule thermique, qui atteint difficilement les 30%, les véhicules électriques bénéficient d’un rendement global de plus de 80% incluant le rendement de recharge de la batterie. En revanche, et contrairement aux véhicules thermiques qui jouissent d’une autonomie importante ainsi que d’un réseau maillé de distribution de carburants, les véhicules électriques sont limités par la capacité des batteries et par l’absence d’infrastructure de recherche dans l’état actuel des choses. A cela s’ajoute un temps de recharge élevé. En effet, pour un chargement optimal, il faut compter 6 à 8 heures avec une prise électrique murale standard de 1,5 kW et 30 minutes pour une station de recherche rapide (i.e. station de type 60 kW), cf. .

ESTIMATION DYNAMIQUE DE LA CONSOMMATION DES VEHICULES ELECTRIQUES 

De nombreux travaux se sont intéressés à l’estimation de la consommation des véhicules aussi bien thermiques, hybrides qu’électriques. L’accent est souvent mis dans ces études sur l’évaluation de la consommation et des émissions de CO2 pour différentes classes de véhicules [6]. Une des pistes utilisées est la modélisation systémique de la dynamique du véhicule. Ce type de modélisation qui s’apparente à celle de systèmes complexes qui nécessite la connaissance de facteurs influant sur la dynamique du véhicule. Lors de cette modélisation, il est nécessaire de définir la finalité des modèles proposés. En effet, ces modèles sont souvent utilisés à des fins diverses : (i) l’estimation de la consommation énergétique ou/et des émissions de polluants, (ii) la détermination des performances dynamiques des véhicules, (iii) l’optimisation des éléments composant le système, (iv) le test de nouveaux paramètres et (v) la simulation du contrôle et la gestion d’énergie du véhicule.

Les avantages de la modélisation numérique sont multiples, citons par exemple la réduction des coûts, des perturbations apparaissant lors des mesures directes sur les véhicules, le test de nouvelles configurations et technologies avant leur conception, la réduction des temps d’études (à l’instar du développement de prototypes) et la caractérisation de certaines variables dont la mesure est complexe telles que les températures internes et le couple moteur. Ces principaux avantages, bien que réels, ne doivent pas masquer certaines limites intrinsèques associées à l’usage de la modélisation. Une limite principale réside dans le choix des paramètres influençant le phénomène physique étudié : plus le modèle est complexe, plus le nombre de variables d’entrée ou de contrôle augmente. La validation reste une étape clé dans ce type de modélisation qui permet de qualifier les sorties des modèles obtenus. Deux phases de validation sont généralement décrites : (i) une validation de chacun des composants et (ii) une validation intégrée de la chaîne de modélisation. La phase préliminaire de la conception d’un modèle dynamique de simulation du véhicule consiste à définir les objectifs recherchés. Cette phase permet de déterminer les entrées et les sorties du modèle. Dans la littérature, deux typologies de modèles sont présentes [7]. La première est appelée modèle direct, (forward dans la littérature anglophone). Cette classe est associée au modèle simulant le comportement du véhicule par rapport à ses commandes. Ceci donne donc, en sortie, le profil de vitesse simulé en fonction des paramètres de contrôle classiques comme la pression sur les pédales d’accélérateur et de frein, les rapports de vitesse, etc. Néanmoins, pour pouvoir interpréter ce type de commande, un modèle de conduite doit être défini. Ce modèle considère la vitesse requise afin de développer des commandes d’accélération et de freinage appropriées. Les commandes simulées permettent de déterminer le couple fourni par le moteur ainsi que l’énergie nécessaire pour réaliser l’action demandée. Ensuite, la force de traction est calculée à partir du modèle de transmission et de la chaine de traction en intégrant les forces qui agissent sur le châssis. Enfin, la force de traction au niveau des pneus permet de déterminer l’accélération du véhicule (le détail de ce processus sera développé dans la prochaine section). Cette formulation est intuitive et permet d’anticiper le comportement du véhicule en fonction de la demande du conducteur. Elle permet aussi de développer des outils de simulation et de contrôle détaillés, et s’adapte bien au calcul des accélérations d’effort maximal. Le principal inconvénient des modèles directs est le temps de calcul élevé durant les simulations. Par ailleurs, pour profiter au maximum de ce type d’approche, il est recommandé d’avoir des cycles de vitesse avec un découpage temporel fin (souvent une fréquence supérieure à 10 Hz). La deuxième classe, connue sous le vocable de modèle inverse (backward en anglais), consiste à suivre la démarche opposée, c’est-à-dire démarrer du phénomène observé pour remonter vers les causes. Dans Markel et al., 2002 [7], cette classe est définie comme un modèle essayant de répondre à la question suivante : En supposant que le véhicule a réalisé ce trajet, comment vont réagir ses différents composants ? En d’autres termes, cette classe suppose que le parcours du véhicule a déjà été effectué et que l’on cherche à déterminer les informations relatives aux composants du véhicule. L’avantage de ce type de modélisation est que la modélisation du comportement dynamique du véhicule n’est pas nécessaire car il suffit de récupérer l’accélération directement des entrées, c’est-à-dire du profil de vitesse étudiée. Par la suite, cette force d’accélération est traduite sous forme de couple devant être réalisé par les composants du véhicule, et qui va permettre de déterminer l’énergie nécessaire pour réaliser le trajet. Ce procédé de retour en arrière est à l’origine du nom donné à cette classe de modèles. L’avantage majeur des modèles inverses est leur capacité à opérer à fréquence relativement faible de par l’absence de boucle de régulation. Il sont souvent utilisés dans les processus de dimensionnement et d’optimisation nécessitant plusieurs itérations. Dans les deux types de modèles, direct et inverse, les composants pouvant être modélisés avec différent degrés de granularité. Le plus souvent, les composants du véhicule sont testés en laboratoire, il est possible alors d’obtenir ce qu’on appelle, dans l’industrie automobile, une cartographie de perte ou de rendement du système. Les cartographies permettent de délimiter les performances du moteur étudié en termes de rendement ou de consommation. Dans la plupart des applications industrielles de commandes de moteurs, les moteurs opèrent avec un ou plusieurs points de fonctionnement. Cependant, lors de la modélisation dynamique de véhicule, la connaissance de toutes les combinaisons de vitesse/couple sur la plage de fonctionnement du moteur est primordiale, d’où l’utilité des cartographies moteur pour la simulation de véhicule.

APPROCHE SEQUENTIELLE

Dans cette première approche le véhicule est modélisé comme étant une succession d’opérations reproduisant les forces qui interagissent dans la dynamique du véhicule. L’un des premiers modèles de cette catégorie a été proposé par Mc Keshnie en 1969 [8]. L’auteur a développé un simulateur pour étudier les transmissions électriques de certains véhicules de l’armée américaine. Une des premières contributions françaises a été proposée par l’Institut Français du Pétrole [9]. Le modèle proposé permet d’obtenir les émissions d’un moteur à partir de mesures définies au banc moteur. En s’appuyant sur une base de cycles normalisés, l’auteur démontre que les résultats obtenus permettent d’évaluer les émissions de CO2 d’un véhicule thermique avec une erreur moyenne comprise entre 4% et 10% pour les émissions d’hydrocarbures imbrûlées. D’autres modèles existent comme ceux développés au sein de l’IFSTTAR par le Laboratoire LTE, tel que SIMULCO [10], présenté au début des années 90. Ce dernier est spécialisé dans la modélisation des véhicules lourds. On retrouve aussi les deux simulateurs de véhicules : VERT [11] et V2G/VEG [12] qui modélisent des véhicules hybrides série thermiques-électriques. Le premier s’intéresse à la modélisation de véhicules légers et le deuxième s’intéresse à l’étude des bus et des tramways. L’inconvénient majeur des approches séquentielles réside dans la complexité liée à la modification des outils de simulation. Ces derniers nécessitent un effort conséquent de programmation, et la modification implique souvent de revoir une grande partie du processus. Néanmoins, avec l’évolution des langages de programmation modernes basés sur la programmation orientée objet, ces approches sont remplacées par des approches systémiques.

APPROCHE SYSTEMIQUE

La modélisation systémique est un champ interdisciplinaire qui consiste en l’étude des systèmes avec, comme objectif, la résolution des problèmes en relation avec les phénomènes étudiés. Ces approches traitent en parallèle les causes et les effets caractérisant le système modélisé. Le biologiste logicien J. Piaget définit la systémique comme « la discipline dont le projet est l’élaboration et le développement des méthodes de modélisation des phénomènes perçus ou conçus complexes comme par un système en général » (1968) .

Une représentation systémique se base sur l’identification de trois axes, à savoir :
1. les composants internes du système (sous-systèmes ou processeurs),
2. l’environnement externe au système,
3. les frontières du système et son environnement externe.

Table des matières

Chapitre 1 Introduction Générale
I. Contexte de la recherche
II. Plan du Manuscrit
Chapitre 2 Estimation de la consommation des véhicules électriques
I. Introduction
II. Estimation dynamique de la consommation DES véhicules électriques
A. Approche séquentielle
B. Approche systémique
III. Librairie de modèles dynamiques VEHLIB
IV. Adaptation des modèles dynamiques pour une problématique de trafic routier
A. Impact de la simplification des profils de vitesses sur les performances du modèle
B. Profils de vitesse élémentaires
V. Conclusions
Chapitre 3 Affectation optimale des stations de recharge pour l’électromobilité
I. Introduction
II. Etat de l’art des modèles de localisation
A. Modèles de localisation déterministes statiques
B. Modèles déterministes dynamiques
C. Modèles stochastiques
D. Affectation de station de recharge pour véhicules électriques
III. Méthodologie pour le déploiement de stations de recharge en milieu urbain
A. Analyse des déplacements et estimations de la demande énergétique
B. Modélisation de l’affectation optimale des stations de recharge
C. Application du modèle sur un cas d’étude
D. Résultats de l’optimisation et analyse de sensibilité du modèle FCLDM
IV. Conclusions
Chapitre 4 Calcul d’éco-itinéraires énergétiques avec recharge en route
I. Introduction
II. État de l’art des algorithmes de plus court chemin
A. Algorithmes à fixation/correction d’étiquettes
B. Procédure d’accélération des algorithmes de plus court chemin
C. Algorithmes de plus court chemin avec recharge en route
III. Plus court chemin énergétique avec recharge en route
A. Plus court chemin énergétique avec une seule recharge
B. Graphe de connectivité intermédiaire pour n recharges
IV. Construction du graphe énergétique
A. Graphe routier et données altimétriques
B. Coût des arcs du graphe énergétique
C. Tests numériques pour la génération d’un graphe énergétique
V. Analyses de sensibilité
VI. Conclusions
Chapitre 5 Validation Expérimentale
I. Introduction
II. Expérimentations
A. Instrumentation du véhicule électrique
B. Plan d’expérience
III. Résultat de l’analyse de données
A. Analyse des résultats du calculateur d’itinéraire e-SPP
B. Analyse des facteurs impactant la consommation énergétique
C. Analyse des performances du modèle VEHLIB
IV. Conclusions
Chapitre 6 Conclusions générales

Lire le rapport complet