1 / 89

Gwenaëlle Souffran

Dimensionnement de la chaîne de traction d’un véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission. Gwenaëlle Souffran. Directeur de thèse : Patrick Guérin Encadrante : Laurence Miègeville. Contexte. Modèle de l’usage d’un véhicule.

keagan
Download Presentation

Gwenaëlle Souffran

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Dimensionnement de la chaîne de tractiond’un véhicule électrique hybridebasé sur une modélisation stochastiquede ses profils de mission Gwenaëlle Souffran Directeur de thèse : Patrick Guérin Encadrante : Laurence Miègeville

  2. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion Réchauffement climatique et pollution de l’air Epuisement des ressources fossiles Transports : Vers le développement durable • Réduction de la consommation de carburant fossile

  3. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion Transports : Quelles solutions ? • Véhicule hybride : un compromis…

  4. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion • Moyens de production • Moteur thermique • Pile à combustible • Eléments de stockage • Batterie • Super Capacité • Convertisseurs d’énergie • Moteur électrique • Génératrice Véhicules hybrides : Quels composants ?

  5. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion • Comment concevoir et optimiser la chaîne de traction ? Véhicules hybrides : Quelle architecture ? • Structure • Série • Parallèle • Combinée • Degré d’hybridation ? Ebat ? Pme ? Pmt ?

  6. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion • Critères possibles : • Masse • Volume • Durée de vie • Coût • Emissions de CO2 et de NOx • Consommation énergétique Critère d’optimisation

  7. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion • Par rapport à l’usage réel du véhicule • Sur une mission réaliste • Sur un usage spécifique (urbain, routier, livraison…) • De manière « robuste » • En prenant en compte la variabilité de la mission • Sur un grand nombre de missions • Sans faire de choix « a priori » • Sur la structure • Sur les composants (Pnominale) Objectif : Dimensionnement d’une chaîne de traction hybride Pmt Pme Ebat Dimensionnement Missions du véhicule

  8. Sommaire Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion • Modèle de l’usage d’un véhicule • Qu’est-ce que la mission d’un véhicule ? • Comment la modéliser ? • Modèle de la chaîne de traction • Quels modèles des composants ? • Quelle gestion de l’énergie ? • Pré-dimensionnement d’un véhicule urbain • Quelle méthode ? • Quelle mission choisir ? • Quels résultats ? • Conclusion & Perspectives

  9. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion • Influence du processus de dimensionnement • Dépendance de {Pmt, Pme, Ebat} à Proues (difficilement mesurable) • Utilisation du modèle mécanique du véhicule avec 2 entrées • Masse du véhicule • Grandeurs caractérisant la mission du véhicule • Problème : mvéhicule dépend de mtraction qui dépend du dimensionnement Comment définir la mission d’un véhicule ? mission {?} Pmt Pme Ebat Proues Modèlemécanique Dimension- nement mvéhicule masse mchâssis + mtraction Calcul de mtraction

  10. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion • Bilan des forces • Force aérodynamique Fw = ½  AfCwν² • Force de roulement Fr = m g Cr cos • Force due à l’inclinaison Fh = m g sin • Force d’accélération Fa = mλγ • Seconde loi de Newton • Puissance aux roues Proues = (Fw + Fr + Fh + Fa)xν = f (m, ν, γ, ) Modèle mécanique force aérodynamique force d’inertie résistance au roulement poids Bilan des forces agissant sur le véhicule • 1 paramètre dépendant du dimensionnement : • Masse du véhicule m • 3 variables définissant la mission du véhicule : • Vitesse : ν • Accélération : γ • Inclinaison : α

  11. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion Analyse de sensibilité (Puissance) Sensibilité de Proues à la vitesse Sensibilité de Proues à l’accélération m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h =0% Variation quadratique Variation linéaire x2 +29 kW 0 - 0,3 m/s² 0 à 100 km/h en 93s 0 - 130 km/h Sensibilité de Proues à l’inclinaison • Sensibilité de la puissance aux 3 variables de la mission du véhicule : {ν, γ, } • Qu’en est-il de la masse ? m=1500kg ν=90km/h γ=0m/s² Variation linéaire x2 0 - 3%

  12. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion Analyse de sensibilité (Puissance) Sensibilité de Proues à la vitesse Sensibilité de Proues à l’accélération m=1500kg γ=0m/s² =0% m=1500kg ν=90km/h =0% m=750kg γ=0m/s² =0% m=750kg ν=90km/h =0% Sensibilité de Proues à l’inclinaison • Sensibilité de la puissance à la masse notamment pour γ et  non nulles • Comment la mission du véhicule est-elle prise en compte dans la littérature ? m=1500kg ν=90km/h γ=0m/s² m=750kg ν=90km/h γ=0m/s²

  13. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion • Trois types de cycles • Cycles de conduite à réalité limitée • Cycles développés à partir de mesures • Cycles générés de manière stochastique Mission d’un véhicule : état de l’art • Dans quel objectif ces cycles ont-ils été développés ? • Ces cycles sont-ils adaptés à notre étude de dimensionnement ?

  14. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion Adaptation au dimensionnement ? Parfaitement défini Simple Profil de vitesse non réaliste ! Inclinaison non prise en compte… Mission d’un véhicule : état de l’art • Cycles de conduite à réalité limitée NEDC JPN 10-15

  15. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion Adaptation au dimensionnement ? Parfaitement défini Réalisme (mesures >1000h et >7000 véhicules) Cycle unique pour représenter une mission Inclinaison non prise en compte… Mission d’un véhicule : état de l’art • Cycles développés à partir de mesures Artemis urbain WVU inter-urbain

  16. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion Adaptation au dimensionnement ? Prise en compte du caractère aléatoire (variabilité) Prise en compte d’un grand nombre de missions (robustesse) Prise en compte de l’inclinaison Non prise en compte de la corrélation entre les variables Mission d’un véhicule : état de l’art • Cycles générés de manière stochastique Exemple de mission générée (Ravey, 2010)

  17. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion Adaptation au dimensionnement ? Prise en compte du caractère aléatoire (variabilité) Prise en compte d’un grand nombre de missions (robustesse) Conservation de la corrélation entre les variables Non prise en compte de l’inclinaison Mission d’un véhicule : état de l’art • Cycles générés de manière stochastique Exemple de mission générée (Lin, 2004)

  18. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Mission à modéliser • Trio de variables • Vitesse ν • Accélération γ • Inclinaison  • Mission spécifique • Ex. : trajet urbain • Basée sur des profils réels • Mesures GPS • Modèle • Trio de variables • Conservation des relations entre les variables • Conservation des caractéristiques • Statistiques • Dynamiques • Simulations • Aléatoires (variabilité) • Nombre élevé (« robustesse ») • Modèle par Matrice de Markov Objectifs de la modélisation

  19. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Processus de Markov • Caractéristique : L’état futur ne dépend que de l’état présent et non pas du passé • Probabilité de transition : • pij = ℙ ( E(t+1) = Ej | E(t) = Ei) • Modèles matriciels : • Matrice de transitions • Matrice de Markov Modèle de Markov p11 E1 p31 p12 p21 p13 p32 E3 E2 p23 p22 p33

  20. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • 2ème étape : estimation de la matrice de Markov Modèle de Markov • 1ère étape : estimation de la matrice de transitions Début E2 E1 E1 E3 E1 Fin E1 r21 = r21 + 1 r11 = r11 + 1 r13 = r13 + 1 r31 = r31 + 1 r11 = r11 + 1 Matrice de transitions Matrice de Markov

  21. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Traitement des mesures GPS (pas d’échantillonnage de 1s) • Latitude • Longitude • Altitude • Deux campagnes de mesures • Mission extra-urbaine • Trajets St Nazaire – Rennes • 4 allers-retours x 1h30 • voie rapide + route + urbain • Mission urbaine • Trajets auto-école à Nantes • 22 trajets - 29h de mesures • urbain + périphérique • Vitesse • Accélération • Inclinaison Campagnes de mesures

  22. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Traitement des mesures GPS (pas d’échantillonnage de 1s) • Latitude • Longitude • Altitude • Deux campagnes de mesures • Mission extra-urbaine • Trajets St Nazaire – Rennes • 4 allers-retours x 1h30 • voie rapide + route + urbain • Mission urbaine • Trajets auto-école à Nantes • 22 trajets - 29h de mesures • urbain + périphérique Campagnes de mesures • Vitesse • Accélération • Inclinaison

  23. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Modélisation d’une mission par Markov Mission urbaine mesurée Etatprésent E1 {ν1(t), γ1(t), 1(t)} Etatfutur E2 {ν2(t+1), γ2 (t+1), 2 (t+1)} ν(t) Matrice de Markov γ(t) (t) La matrice de Markov contient les probabilités de transition de l’étatprésentà l’étatfutur

  24. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Simulation de missions aléatoires Missions urbaines simulées Etatprésent E1 {ν1(t), γ1(t), 1(t)} Etatfutur E2 {ν2(t+1), γ2 (t+1), 2 (t+1)} ν(t) Matrice de Markov γ(t) (t)

  25. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Vitesse Inclinaison Accélération Validation des simulations urbaines • Bonne reproduction des caractéristiques de la mission mesurée en simulations

  26. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Statistique Dynamique Validation en termes de puissance • Bonne reproduction • des caractéristiquesstatistiques et dynamiques en termes de puissance

  27. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion =f() =f() Validation de la corrélation entre les variables • Bonne conservation de la corrélation entre l’accélération et la vitesse • Bonne conservation de la corrélation entre l’inclinaison et l’accélération

  28. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Avantages du modèle • Prise en compte de missions réalistes & spécifiques • Prise en compte des trois variables { ν, γ,  } • Possibilité de prendre en compte d’autres variables (vent, qualité de la route) • Conservation des caractéristiquesstatistiques et dynamiques • Conservation de la corrélation entre les variables • Simulations aléatoires (variabilité) et nombreuses (robustesse) • Limite • Etat non mesuré non simulé Synthèse sur la modélisation de l’usage du véhicule

  29. Sommaire Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Modèle de l’usage d’un véhicule • Qu’est-ce que la mission d’un véhicule ? • Comment la modéliser ? • Modèle de la chaîne de traction • Quels modèles des composants ? • Quelle gestion de l’énergie ? • Pré-dimensionnement d’un véhicule urbain • Quelle méthode ? • Quelle mission choisir ? • Quels résultats ? • Conclusion & Perspectives

  30. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Modélisation de la chaîne de traction Structure hybride série Energie thermique directe {,} {U,I} {,} Energie carburant Moteur thermique Machine électrique Machine électrique Batterie Energie de boost ou tout électrique Energie de charge Energie chimique Récupération au freinage • Cette modélisation impose un choix a priori des composants

  31. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Modélisation par les flux de puissance (Dupriez, 2010) Structure hybride série Groupeélectrogène pcarb {,} pge pme proues Energie carburant mt ? Moteur thermique Machine électrique me ? Machine électrique me ? pbat Batterie bat ? pchim Energie chimique • Introduction de modèles génériques adimensionnels

  32. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Extraction de la caractéristique mt = f (pmt(t)/Pmt) maximisant mt Moteur thermique pour groupe électrogène Cartographie d’un moteur thermique mt = f ( Γ , Ω) max pmt(t)/Pmt = 50% Cartographies de différents moteurs thermiques ayant une caractéristique de groupe électrogène (base de données Matlab PSAT)

  33. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Placement au point de rendement maximal • Moyenne des courbes de rendements Moteur thermique pour groupe électrogène Modèle générique d’un moteur thermique pour groupe électrogène Cartographies de différents moteurs thermiques à caractéristiques de groupe électrogène (base de données Matlab PSAT)

  34. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Même processus pour la machine électrique Machine électrique pour groupe électrogène Modèle générique d’une machine électrique pour groupe électrogène Cartographies de différentes machines électriques (base de données Matlab PSAT)

  35. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Groupe électrogène Modèle générique d’une machine électrique pour groupe électrogène Modèle générique d’un moteur thermique pour groupe électrogène Modèle générique d’un groupe électrogène

  36. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Approximation linéaire du rendement en fonction de la puissance réduite • Limites en profondeur de décharge • Etat de charge min 40% • Etat de charge max 100% • Limites en puissance • 10C en décharge • 5C en charge Batterie Rendement d’une cellule Lithium-Ion (base de données Matlab PSAT) Modèle générique d’une batterie

  37. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Extraction de la caractéristique me = f (pme(t)/Pme) moyennant me Machine électrique (synchrone à aimants permanents) Cartographie d’une machine électrique me = f ( Γ , Ω) moy pme(t)/Pme = 50% Cartographies de différentes machines électriques (base de données Matlab PSAT)

  38. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Autorisation de surcharge à 200% pendant 180s Machine électrique (synchrone à aimants permanents) Modèle générique d’une machine électrique Cartographies de différentes machines électriques (base de données Matlab PSAT) • Moyenne des rendements par iso-puissance pour chaque moteur • Moyenne de ces courbes de rendements pour obtenir le modèle générique

  39. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Structure hybride série Architecture de la chaîne de traction Besoind’une gestion de l’énergieindépendante du dimensionnement ν(t) γ(t) Machine électrique (t) Groupe électrogène Stratégie de gestion pcarb pge pme proues Energie carburant pbat Batterie Estimation de la consommation de carburant Ccarb et de l’étatd’énergie SOE à la fin de la mission pchim Energie chimique

  40. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Objectifs • Indépendance au dimensionnement des composants • Stratégie en ligne « légère » • Trois stratégies • « Optimale » • « Charge » • « Décharge » Gestion de l’énergie Conditions de passage entre stratégies

  41. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Etude du rendement de la chaîne de traction Gestion de l’énergie • Cartographie = f (pge(t), pbat(t))

  42. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Cartographie du rendement de la chaîne de traction  = f (pge(t), pbat(t)) Extraction des caractéristiques pge(t) = f (pme(t)) pbat(t) = f (pme(t)) maximisant  Gestion de l’énergie pge(t) = 12kW max pme(t) = 5kW pge(t) (kW) pbat(t) (kW) Pbat(t) = -7kW

  43. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Stratégie « optimale » maximisant le rendement de la chaîne de traction pge(t) = f (pme(t)) pbat(t) = f (pme(t)) Gestion de l’énergie pge(t) = 12kW pge(t) (kW) pbat(t) (kW) Pbat(t) = -7kW pme(t) = 5kW pme(t) (kW) pme(t) (kW) pme(t) = 5kW

  44. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Bilan de puissance pour Pge = 10 kW et Ebat = 4 kWh (cycle NEDC) Mise en œuvre des modèles de composants + gestion • Fonctionnement du groupe électrogène à ses points de meilleur rendement • Modes boost et récupération assurés par la batterie associée à la machine électrique • SOEfin > SOEdébut • Conservation de la gestion de l’énergie en mode « optimal »

  45. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Modélisation des composants • Avantages • Pas de choix a priori • Compacte • Limites • Plusieurs approximations (à valider avec un modèle dédié à la simulation) • Prendre en compte la consommation à chaque démarrage du moteur thermique • Stratégie de gestion de l’énergie • Avantages • Stratégie en ligne • Indépendante du dimensionnement • Limites • « Rudimentaire » • A optimiser Synthèse sur la chaîne de traction Logiciel Matlab v7.0.4 Processeur Intel Core 2 Duo CPU E7500 @ 2,93 GHz Windows XP 3,5 Go de mémoire RAM • Simulation très rapide (10s pour une mission de 29h)

  46. Sommaire Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion • Modèle de l’usage d’un véhicule • Qu’est-ce que la mission d’un véhicule ? • Comment la modéliser ? • Modèle de la chaîne de traction • Quels modèles des composants ? • Quelle gestion de l’énergie ? • Pré-dimensionnement d’un véhicule urbain • Quelle méthode ? • Quelle mission choisir ? • Quels résultats ? • Conclusion & Perspectives

  47. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Objectif : Trouver le couple {Pge, Ebat} minimisant Ccarb Algorithme de dimensionnement Table de groupesélectrogènes Boucle pour parcourir les dimensionnements {Pge, Ebat} (plan d’expériences) Consommationsmoyennes surl’ensemble des missions en fonction du dimensionnement Table de batteries Boucle pour tester un grand nombre de missions Ensemble de missions ν(t) Boucle pour convergersur la masse γ(t) Calcul de la consommation de carburant moyenne Ccarb (t) Identification du dimensionnement {Pge ; Ebat} minimisantCcarb

  48. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Consommations moyennes pour les 1000 missions urbaines simulées Exemple de résultat de l’algorithme • En considérant les pré-dimensionnements assurant 95% des missions • la consommation est réduite d’un dizième et Pge est divisée par 2

  49. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Résultats en fonction de la mission Mission Dimensionnement • Pré-dimensionnement optimal pour le cycle standard ECE Ne satisfait pas les autres missions urbaines

  50. Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion Résultats en fonction de la mission Mission Dimensionnement • Pré-dimensionnement satisfaisant les cycles ECE et Artemis urbain • Non optimal pour le cycle ECE Ne satisfait pas les missions urbaines mesurée et simulées

More Related