SlideShare une entreprise Scribd logo
1  sur  71
Télécharger pour lire hors ligne
Contrôle et optimisation 
énergétique
Ahmed Ketfi‐Cherif (Renault) 
Sommaire
Rappel Architectures Hybrides
Impacts de l’hybridation GMP
Architecture de supervision GMP hybride
Module OPF 
Approche ECMS 
Prise en compte de l’agrément GMP
Mise en œuvre – Algorithmique
La gestion d’énergie pour hybride rechargeable
Homologation
ML ‐ Contrôle et optimisation énergétique
2
La traction hybride : différentes prestations
ML ‐ Contrôle et optimisation énergétique
3
Fonctionnalités hybrides
Stop & Start
Propulsion électrique
Autonomie 
électrique
Micro‐hybride
Mild‐hybride
Full‐hybride & Plug In
‐6 ‐10%
‐10 ‐20%
‐20 ‐40%
Gain en consommation (cycle / urbain)
Assistance de couple
Récupération d’énergie
Les principaux systèmes de contrôle impactés par l’électrification du GMP sont ceux 
liés aux organes du :
Supervision véhicule hybride
GMP électrifié
Moteur thermique + machine(s) 
électrique(s)
+ Transmission automatique ou 
manuelle
Réseau « Haute Tension »
Batterie HT + Relais + Onduleur + DC_DC + Chargeur
Réseau « Basse Tension »
Batterie 14V + Alternateur / DC_DC 
+ démarreur
Système de climatisation
Systèmes de chauffage habitacle
+ Systèmes de refroidissement habitacle
Système de refroidissement
Système de refroidissement GMP 
+ Système de refroidissement organes électrotechniques 
+ Système de refroidissement / chauffage batterie
Systèmes de freinage
& de contrôle châssis
Système ESP + Pédale découplée 
+ Pompe à vide
ML ‐ Contrôle et optimisation énergétique
4
L’hybridation du GMP impacte plusieurs contrôles du véhicule :
• Système habitacle : modification de la disponibilité des prestations, réveil endormissement 
(charge)
• Système de freinage : ABS/ESP – freinage  découplé
• Gestion d’énergie 14V : ajout DC/DC
• Confort thermique : climatisation électrique
L’optimisation du « vecteur énergétique véhicule » nécessite le passage d’une 
supervision GMP à une supervision véhicule
Supervision véhicule hybride
ML ‐ Contrôle et optimisation énergétique
5
Solution technique : ajout d’un calculateur de supervision
• Le contrôle moteur et boite deviennent « esclaves »
Modification de l’architecture E/E
ML ‐ Contrôle et optimisation énergétique
6
7
ML ‐ Contrôle et optimisation énergétique
Passage d’une supervision GMP à une supervision globale véhicule
Les contrôles moteur et boite deviennent « esclaves »
Interaction conducteur / véhicule fortement modifiée
Impacts de l’hybridation GMP
Impact sur le contrôle GMP
Structure générale
ML ‐ Contrôle et optimisation énergétique
8
Consignes de couple indiqués
(raw/tgt/sp)
Consignes réducteur 
(ratio) & coupleur 
(régimes) 
SUPERVISION GMP
Impact sur le contrôle GMP
Structure générale
ML ‐ Contrôle et optimisation énergétique
9
Consignes de couple 
indiqués
(raw/tgt/sp)
Consignes réducteur 
(ratio) & coupleur 
(régimes) 
Position pédale 
& 
Consigne GMP
Élaboration des 
consignes de 
couple moteur
Élaboration des 
consignes 
réducteur 
& coupleur TA
Échanges 
en couple
Impact sur le contrôle GMP
Cas d’un GMP thermique
ML ‐ Contrôle et optimisation énergétique
10
Interprétation 
Volonté 
Conducteur
Contrôle 
coordonné des 
organes
Optimisation 
du Point de 
Fonctionnement
Contrôle coordonné 
des organes
Consignes de couple indiqués
(raw/tgt/sp)
Interface Homme‐
machine
Consignes réducteur (ratio) & 
coupleur (régimes) 
Consignes cibles réducteur (ratio) 
& coupleur (régimes) 
Info levier 
Échanges 
en couple
Position pédale 
& 
Consigne GMP
Consigne de 
traction conducteur
Impact sur le contrôle GMP
Cas d’un GMP hybride
ML ‐ Contrôle et optimisation énergétique
11
Interprétation 
Volonté Conducteur
Contrôle coordonné des organes
Optimisation 
du Point de 
Fonctionnement
Contrôle coordonné 
des organes
Consignes réducteur (ratio) & 
coupleur (régimes) 
Consigne de couple ME
Répartition
PM. thermique / P M. électrique
Position pédale 
& 
Consigne GMP
Consigne de traction 
conducteur
Consigne état 
moteur
Interface Homme‐
machine
Info levier 
Échanges en 
couple
Consignes de couple indiqués
(raw/tgt/sp)
Consignes cibles réducteur 
(ratio) & coupleur (régimes) 
Missions principales de l’Optimisation du Point de Fonctionnement : 
• Répartir la demande de puissance motrice, en puissance du moteur thermique et puissance 
du moteur électrique
 loi de gestion d’énergie
• Choisir l’état GMP qui permet d’optimiser la consommation, tout en respectant les 
contraintes agrément
 les ASC actuelles (élaboration de la consigne de rapport) sont une partie de l’élaboration de 
la consigne état GMP
• L’état GMP peut être plus au moins complexe selon l’architecture du GMP hybride (rapport 
boite, état moteur, état coupleurs)
Le module OPF (Optimisation du Point de Fonctionnement)
ML ‐ Contrôle et optimisation énergétique
12
Le module OPF (Optimisation du Point de Fonctionnement)
ML ‐ Contrôle et optimisation énergétique
13
Interfaces Contrôle moteur / Contrôle Boite modifiés
Introduction d’un module spécifique d’Optimisation du Point de Fonctionnement 
GMP
OPF = LGE + ASC
Architecture de supervision GMP / Module OPF
ML ‐ Contrôle et optimisation énergétique
14
Problématique
• Objectif : minimiser les émissions de CO2
• Degrés de libertés : répartition de puissance entre le moteur thermique et la(es) machine(s) 
électrique(s)
• Une conséquence : modification de l’état de charge de la batterie
La loi de gestion d’énergie
Puissance 
aux roues
Puissance 
thermique
Puissance électrique
ML ‐ Contrôle et optimisation énergétique
15
Modélisation dynamique de la batterie
• Puissance demandée imposée
• Loi de Kirchhoff
• État de charge
La loi de gestion d’énergie
ML ‐ Contrôle et optimisation énergétique
16
Modélisation dynamique de la batterie
• Pour la synthèse de la commande optimale, on utilise un modèle simplifié en « état 
d’énergie »
La loi de gestion d’énergie

 dt
t
U
t
I
E
SOE )
(
)
(
1
max
)
(
1
max
t
P
E
SOE
dt
d

ML ‐ Contrôle et optimisation énergétique
17
Problème d’optimisation sous contrainte d’évolution
La loi de gestion d’énergie
Équation d’évolution de 
l’état de charge
Ensemble du parcours
Consommation 
instantanée
Contrainte d’état 
de charge finale
Condition initiale
Critère
ML ‐ Contrôle et optimisation énergétique
18
19
ML ‐ Contrôle et optimisation énergétique
Stratégie Nombre de publications
Hors ligne
Programmation dynamique ++
Problème dual ++
Recuit simulé, etc. +
En ligne
ECMS et dérivés ++++
Prog. dyn. stochastique +++
Model Predictive Control +
Réseau de Neurones +
Heuristique ++
La loi de gestion d’énergie
Bibliographie
La Hamiltonien :
Résoudre le problème primal revient à minimiser la Hamiltonien (Principe du 
maximum de Pontryaguine)
Dans le cas où la dynamique de la batterie est simplifiée, on peut démontrer que est 
constant pour un parcours donné
ECMS – La théorie
Problème primal
ML ‐ Contrôle et optimisation énergétique
20
Dans la pratique, le parcours n’est pas connu à l’avance 
On se ramène à la minimisation d’un critère sous la forme :
• Critère (g/h) = Conso Mth (g/h) + K . Pbatterie (W)
On pilote le facteur d’équivalence K ( g/Wh)
ECMS – La mise en œuvre  
ML ‐ Contrôle et optimisation énergétique
21
Adaptation du coût de l’Energie Electrique stockée privilégiant la Recharge, batterie 
vide et la Décharge, batterie pleine
Facteur d’équivalence
SOE(%)
K max
0
SOE_max
K min
SOE_min
ML ‐ Contrôle et optimisation énergétique
22
Exemple numérique issu du projet 4WP (J95, F4Rt, PK4 robotisée, ME sur le 
train arrière), mais les principes restent valables pour l’ensemble des DTs
Prenons le point de fonctionnement suivant :
• V = 90 km/h / Pconducteur = 50 kW
• Boucle de SOE :
 Sur un rapport donné (et donc pour un régime donné), il existe une infinité de 
répartitions entre la puissance thermique et électrique
 Pour chaque état de charge batterie, la LGE va calculer le critère de 
consommation, et imposer la répartition correspondant au critère mini
ECMS – Exemple de mise en œuvre
SOC(%)
0,3
0
SOC_max
0,1
SOC_min
0,21
0,19
SOC(%)
0,3
0
SOC_max
0,1
SOC_min
0,21
0,19
ML ‐ Contrôle et optimisation énergétique
23
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
25
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(k)
(Hyp: Pcond = 50 kW -- N = 4000 tr/min)
-15000
-10000
-5000
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
Conso Mth (g/h)
Consommation du 
moteur thermique seul
ML ‐ Contrôle et optimisation énergétique
24
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
25
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(k)
(Hyp: Pcond = 50 kW -- N = 4000 tr/min)
-15000
-10000
-5000
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
-30000
-20000
-10000
0
10000
20000
30000
40000
50000
60000
Pbat
(W)
Conso Mth (g/h)
Puissance batterie = f(PMth) permettant 
d’assurer Psouhaitée = cste = 50 kW
ML ‐ Contrôle et optimisation énergétique
25
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
2
5
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(k)
(Hyp: Pcond = 50 kW -- N = 4000 tr/min)
-15000
-10000
-5000
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
-30000
-20000
-10000
0
10000
20000
30000
40000
50000
60000
Pbat
(W)
Conso Mth (g/h)
Conso Mth + 0,1 Pbat
0,1 Pbat (g/h)
Batterie fortement chargée (k = 0.1) 
 le coût de l’énergie électrique est faible
 la décharge batterie est privilégiée
 Point de fonctionnement correspondant au critère de conso 
mini au régime donné
ML ‐ Contrôle et optimisation énergétique
26
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
25
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(k)
(Hyp: Pcond = 50 kW -- N = 4000 tr/min)
-15000
-10000
-5000
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
-30000
-20000
-10000
0
10000
20000
30000
40000
50000
60000
Pbat
(W)
Conso Mth (g/h)
Conso Mth + 0,1 Pbat
Conso Mth + 0,19 Pbat
0,1 Pbat (g/h)
0,19 Pbat (g/h)
Batterie chargée (k = 0.19) 
 le coût de l’énergie électrique augmente
 la répartition devient plus équilibrée
 Point de fonctionnement correspondant au critère de conso 
mini au régime donné
ML ‐ Contrôle et optimisation énergétique
27
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
2
5
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(k)
(Hyp: Pcond = 50 kW -- N = 4000 tr/min)
-15000
-10000
-5000
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
-30000
-20000
-10000
0
10000
20000
30000
40000
50000
60000
Pbat
(W)
Conso Mth (g/h)
Conso Mth + 0,1 Pbat
Conso Mth + 0,19 Pbat
Conso Mth + 0,21 Pbat
0,1 Pbat (g/h)
0,19 Pbat (g/h)
0,21 Pbat (g/h)
Batterie chargée (k = 0.21) 
 le coût de l’énergie électrique augmente
 on commence à privilégier la recharge batterie
 Point de fonctionnement correspondant au critère de conso 
mini au régime donné
ML ‐ Contrôle et optimisation énergétique
28
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
25
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(k)
(Hyp: Pcond = 50 kW -- N = 4000 tr/min)
-15000
-10000
-5000
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
-30000
-20000
-10000
0
10000
20000
30000
40000
50000
60000
Pbat
(W)
Conso Mth (g/h)
Conso Mth + 0,1 Pbat
Conso Mth + 0,19 Pbat
Conso Mth + 0,21 Pbat
Conso Mth + 0,3 Pbat
0,1 Pbat (g/h)
0,19 Pbat (g/h)
0,21 Pbat (g/h)
0,3 Pbat (g/h)
Batterie déchargée (k = 0.3) 
 le coût de l’énergie électrique est élevé
 la recharge batterie est privilégiée
 Point de fonctionnement correspondant au critère de conso 
mini au régime donné
ML ‐ Contrôle et optimisation énergétique
29
30
ML ‐ Contrôle et optimisation énergétique
Dans un GMP classique, le rôle principal des ASC est de choisir, à tout 
moment, le rapport de boîte (et par conséquent le régime moteur thermique) 
optimal, permettant de gérer au mieux le compromis entre : 
• L’acoustique (bourdonnement, graillonnement, broutement)
• L’agrément (réserve d’accélération, homogénéité, absence de pompage)
• Les contraintes d’émissions et de consommation
La LGE permet de donner l’optimum énergétique (loi ECO) : sur chaque 
rapport de boite elle détermine la répartition entre la puissance délivrée par 
le moteur thermique et celle délivrée par le moteur électrique, ensuite choisis 
le rapport optimal
Le rapport optimal (du point de vue conso) est‐il variable en fonction de l’état 
de charge batterie ?
Prise en compte de l’agrément
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
2
5
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(N)
(Hyp: Pcond = 50 kW)
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
Conso Mth (g/h)
Conso Mth (g/h)
Conso Mth (g/h)
Conso Mth (g/h)
N = 4000
N = 3000
N = 2500
N = 2000
Consommations du
moteur thermique seul
ML ‐ Contrôle et optimisation énergétique
31
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
25
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(N)
(Hyp: Pcond = 50 kW -- k=0,1)
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
-50000
-30000
-10000
10000
30000
50000
70000
90000
Pbat
(W)
Conso Mth (g/h)
Conso Mth + 0,1 Pbat
Conso Mth (g/h)
Conso Mth + 0,1 Pbat
Conso Mth (g/h)
Conso Mth + 0,1 Pbat
Conso Mth (g/h)
Conso Mth + 0,1 Pbat
N = 4000
N = 3000
N = 2500
N = 2000
Batterie fortement chargée (k = 0.1) 
 le coût de l’énergie électrique est faible
 la machine électrique est essentiellement sollicitée
6ème
 Point de fonctionnement correspondant au critère de conso mini 
pour tous les régimes (et donc rapports) considérés
ML ‐ Contrôle et optimisation énergétique
32
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
2
5
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(N)
(Hyp: Pcond = 50 kW -- k=0,21)
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
-50000
-30000
-10000
10000
30000
50000
70000
90000
Pbat
(W)
Conso Mth (g/h)
Conso Mth + 0,21 Pbat
Conso Mth (g/h)
Conso Mth + 0,21 Pbat
Conso Mth (g/h)
Conso Mth + 0,21 Pbat
Conso Mth (g/h)
Conso Mth + 0,21 Pbat
N = 4000
N = 3000
N = 2500
N = 2000
6ème
 Point de fonctionnement correspondant au critère de conso mini 
pour tous les régimes (et donc rapports) considérés
ML ‐ Contrôle et optimisation énergétique
33
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
25
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
ML ‐ Contrôle et optimisation énergétique
34
Impact de l’hybridation sur les ASC Impact sur les 
prestations
Evolution critère de conso = f(N)
(Hyp: Pcond = 50 kW -- k=0,26)
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
-50000
-30000
-10000
10000
30000
50000
70000
90000
Pbat
(W)
Conso Mth (g/h)
Conso Mth + 0,26 Pbat
Conso Mth (g/h)
Conso Mth + 0,26 Pbat
Conso Mth (g/h)
Conso Mth + 0,26 Pbat
Conso Mth (g/h)
Conso Mth + 0,26 Pbat
N = 4000
N = 3000
N = 2500
N = 2000
5ème
 Point de fonctionnement correspondant au critère de conso mini 
pour tous les régimes (et donc rapports) considérés
1000 2000 3000 4000 5000 6000
2
4
6
8
10
12
14
16
18
20
Engine revolution [tr/min]
BM
EP
[bar]
CSE(G KWH)--F4Rt-776-120kW
240
240
25
0
2
5
0
250
250
260
2
6
0
260
2
8
0
280
280
3
0
0
3
0
0
300
350
3
5
0
400
4
0
0
500 500
600 600 250
300
350
400
450
500
550
600
Evolution critère de conso = f(N)
(Hyp: Pcond = 50 kW -- k=0,3)
0
5000
10000
15000
20000
25000
30000
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
PMth (W)
Conso
(g/h)
-50000
-30000
-10000
10000
30000
50000
70000
90000
Pbat
(W)
Conso Mth (g/h)
Conso Mth + 0,3 Pbat
Conso Mth (g/h)
Conso Mth + 0,3 Pbat
Conso Mth (g/h)
Conso Mth + 0,3 Pbat
Conso Mth (g/h)
Conso Mth + 0,3 Pbat
N = 4000
N = 3000
N = 2500
N = 2000
4ème
 Point de fonctionnement correspondant au critère de conso mini 
pour tous les régimes (et donc rapports) considérés
ML ‐ Contrôle et optimisation énergétique
35
36
ML ‐ Contrôle et optimisation énergétique
L’hybridation du GMP nécessite de faire évoluer les ASC :
 L’état de charge batterie est une dimension nouvelle importante à prendre en compte pour 
élaborer la consigne de rapport d’une transmission hybridée
Cette prise en compte permettra :
• D’optimiser la consommation
 l’électrification du GMP étant principalement motivée par la réduction de la consommation, 
cette prise en compte est quasi incontournable
• D’optimiser l’agrément (et notamment le brio)
 la variation des contraintes agrément en fonction de l’état de charge dépend de la 
performance du GMP souhaité (PGMP max = Pmth max ou Pmth max + ∆ Pélec) : ce n’est pas 
aussi critique que la consommation
• D’optimiser la NVH
 l’impact est là aussi moins critique que la consommation. On pourrait, par défaut, calibrer les 
seuils régimes pour une utilisation 100% thermique : les zones sous optimisées seraient 
vraisemblablement minimes
Prise en compte de l’agrément – Conclusion
Minimisation d’un critère combinant la consommation de carburant et la puissance 
batterie
L’optimum énergétique est modifié par le coefficient d’équivalence qui détermine « 
le coût de l’électricité »
Forte interaction entre l’état de charge la batterie l’élaboration de la consigne d’état 
GMP
Loi de Gestion d’Énergie ECMS
ML ‐ Contrôle et optimisation énergétique
37
Interprétation volonté conducteur au vilebrequin
Critère énergétique
Bilan électrique
Bilan mécanique
1 seul degré de liberté 
(Par exemple)
Mise en œuvre – Algorithmique
Exemple 1 : SSG
CE
SG
driv T
T
T 

bat
CE
CE
fuel )
,
( P
K
T
Q
C 

 
SG
T
u 
)
,
( SG
SG
loss
SG
SG
bat T
P
T
P 
 

CE
SG 
 
 R CE
SG
1
T
R
T 

BV
SG
)
,
( CE
CE 
T
)
,
( SG
SG T

ML ‐ Contrôle et optimisation énergétique
38
39
ML ‐ Contrôle et optimisation énergétique
Résoudre le problème de minimisation du critère énergétique :
• Par rapport à la variable de commande 
• Pour chaque triplet 
Données d’entrée nécessaires
• Cartographie de consommation du moteur thermique
• Cartographie de pertes du moteur électrique
Résultat : 1 Cartographie 3‐D  
Exemple 1 : SSG 
Calibration hors ligne – exemple de méthodologie
SG
T
u 
)
,
,
( CE
driv K
T 
)
,
,
( CE
driv
opt
SG K
T
T  Attention à la taille
Exemple 1 : SSG
Algorithme en ligne
CE

Interprétation 
Volonté 
Conducteur
Facteur 
D’équivalence
SOE
Optimisation 
énergétique
driv
T
K
SG
T
Levier de MAP Calibration
automatique
hors ligne
ML ‐ Contrôle et optimisation énergétique
40
Interprétation volonté conducteur à la roue
Critère énergétique
Bilan électrique
Bilan mécanique
2 degrés de liberté 
(par exemple)
Mise en œuvre – Algorithmique
Exemple 2 : Hybride parallèle avec ME sur secondaire
CE
GB
EM
driv T
R
T
R
T 


bat
CE
CE
fuel )
,
( P
K
T
Q
C 

 
 
GB
SG R
T
u 
)
,
( EM
EM
loss
EM
EM
bat T
P
T
P 
 

R
WH
EM

 
GB
WH
CE
R

 
)
,
( CE
CE 
T
)
,
( EM
EM T

BV
GB
R
ML ‐ Contrôle et optimisation énergétique
41
42
ML ‐ Contrôle et optimisation énergétique
Résoudre le problème de minimisation du critère énergétique :
• Par rapport à la variable de commande 
• Pour chaque triplet 
• Et pour chaque rapport de boite 
Données d’entrée nécessaires
• Cartographie de consommation du moteur thermique
• Cartographie de pertes du moteur électrique
Résultat : 
• N Cartographies 3‐D
• N Cartographies 3‐D
Exemple 2 : Hybride parallèle avec ME sur secondaire 
Calibration hors ligne – exemple de méthodologie
SG
1 T
u 
)
,
,
( WH
driv K
T 
)
,
,
( WH
driv
k
opt,
SG K
T
T 
N
,...,
2
,
1
GB 
R
)
,
,
( WH
driv
k
opt,
K
T
C 
Exemple 2 : Hybride parallèle avec ME sur secondaire 
Algorithme en ligne
WH

Interprétation 
Volonté 
Conducteur
Facteur 
d’équivalence
SOE
Optimisation 
énergétique
driv
T
K
SG
T
Levier de MAP
Calibration
automatique
hors ligne
Élaboration 
contraintes 
agrément boite
res
T
Levier de MAP
GB
R
ML ‐ Contrôle et optimisation énergétique
43
Exemple 2 : Hybride parallèle avec ME sur secondaire 
Algorithme en ligne
ML ‐ Contrôle et optimisation énergétique
44
Optimisation 
énergétique
Rapport 1
driv
T
K
1
SG
T
Optimisation 
énergétique
Rapport N
WH

N
SG
T
1
opt
C
N
opt
C
Sélection rapport 
Arbitrage 
Consommation / 
Agrément
res
T
SG
T
GB
R
Optimisation énergétique
Élaboration de cartographies optimales hors ligne
MAP par le pilotage du facteur d’équivalence
Prise en compte agrément boite 
Mise en œuvre ‐ Algorithmique
ML ‐ Contrôle et optimisation énergétique
45
46
ML ‐ Contrôle et optimisation énergétique
Dans le cas d’une HEV (batterie de faible capacité), si on enchaîne un cycle de 
roulage, on observe que l’état de charge de la batterie est « régulé » :
• La valeur moyenne et l’amplitude dépendent du cycle
L’ECMS peut nécessiter une gestion spécifique des limites de l’état de charge de la 
batterie
L’ECMS n’est pas forcément bien adapté pour la cas d’une batterie de grande 
capacité (PHEV)
Comportement d’une LGE type ECMS
Impact de la taille de la batterie
L’énergie électrique provient de deux sources
• Le réseau électrique (recharge prise)
• Le carburant (récupération d’énergie)
Pour un départ batterie pleine, la minimisation du CO2 n’est pas forcément le bon 
critère
La connaissance du parcours devient primordiale
Les objectifs du conducteur peuvent être différents selon le parcours envisagé
• Exemple 1 : roulage autoroute puis ville, le conducteur peut vouloir préserver la batterie 
pour rouler en électrique en ville
• Exemple 2 : les gestionnaire de flottes demandent une arrivée au dépôt batterie vide
La gestion d’énergie pour hybride rechargeable
Problématique
ML ‐ Contrôle et optimisation énergétique
47
48
ML ‐ Contrôle et optimisation énergétique
Exemple de solution
• Proposer une stratégie minimisant un critère choisi par l’utilisateur sur un véhicule hybride
rechargeable utilisant des outils de planification
La gestion d’énergie pour hybride rechargeable
Stratégie
• Prédiction
• Informer des tronçons énergétiques empruntés
• Modèle statistique 
• Optimisation macroscopique
• Optimiser la réserve d’énergie électrique de la batterie
• Optimisation microscopique
• Optimiser en temps réel la gestion d’énergie
• Fondé sur la théorie de l’ECMS 
La gestion d’énergie pour hybride rechargeable
ML ‐ Contrôle et optimisation énergétique
49
La gestion d’énergie pour hybride rechargeable 
Exemple de résultats
ML ‐ Contrôle et optimisation énergétique
50
Besoins clients différents entre HEV / PHEV
Impact important de la connaissance du parcours
Le couplage avec les aides à la conduite améliore significativement l’optimum 
énergétique
LGE pour PHEV
ML ‐ Contrôle et optimisation énergétique
51
Les information données ci‐après, sont extraites des documents suivants :
Reg.101 ‐ Rev.2 ‐ Emissions of carbon dioxide and fuel consumption (r101r2f). 
Auteur : Nations Unies – Conseil Économique et Social
Europe – Réglementation émissions/CO2 – Véhicule Électrique Hybride / Note 
technique 64610‐2009‐012T. Auteur : Fernando MARTIN CALVO (RENAULT)
Homologation Consommation / Pollution des hybrides
ML ‐ Contrôle et optimisation énergétique
52
Véhicule Électrique Hybride (V.E.H.) : définition
Véhicule dont la propulsion mécanique est assurée par l’énergie provenant des deux 
sources embarquées d’énergie ci‐après :
• Un carburant
• Un dispositif de stockage d’énergie électrique (par exemple : une batterie, un condensateur, 
un volant générateur, etc.)
Catégories de véhicules
La réglementation distingue 4 catégories de véhicules selon les critères suivants :
• Chargeables de l’extérieur ou non
• Avec ou sans commutateur de mode de fonctionnement
Homologation des V.E.H
ML ‐ Contrôle et optimisation énergétique
53
Dans le cas où le véhicule dispose d’un commutateur de mode, l’homologation se fait 
en mode hybride
Si plusieurs modes hybrides sont disponible, c’est le mode activé à mise de la clef qui 
sera retenu (mode AUTO)
Les mesures de consommation de carburant, d’émissions de CO2 et de polluants se 
font sur un seule cycle NEDC
Les mesures de polluants sont analogue à celle d’un véhicule thermique
Homologation des hybrides non rechargeables
ML ‐ Contrôle et optimisation énergétique
54
Les valeurs de consommation et d’émissions de CO2 sont corrigés par le bilan 
électrique Q [Ah] de la batterie, sauf si (ou) :
• Le constructeur peut prouver qu’il n’y a pas de relations entre le bilan électrique et la 
consommation de carburant
• Le bilan électrique correspond toujours à une recharge de la batterie
• Le bilan électrique correspond à une décharge de la batterie et est dans une marge de 1 % du 
contenu énergétique du carburant consommé
Les corrections de la consommation et des émissions de CO2 se sont par des 
coefficients d’équivalence Kfuel et KCO2
Homologation des hybrides non rechargeables
ML ‐ Contrôle et optimisation énergétique
55
Kfuel est obtenu par N essais avec mesure des consommations Ci et des bilan 
électriques Qi avec au moins un Qi>0 et un Qi<0
Formule (régression linéaire)
Une formule de correction analogue pour les émissions de CO2
Correction par le facteur d’équivalence
Q
K
C
C 

 fuel
0
Consommation
Corrigée (g/km)
Consommation
Brute (g/km)
Bilan Électrique
(Wh)
 2
2
fuel








i
i
i
i
i
i
Q
Q
N
C
Q
C
Q
N
K
ML ‐ Contrôle et optimisation énergétique
56
Procédure d’évaluation du bilan électrique
ML ‐ Contrôle et optimisation énergétique
57
+
‐
Capteur de 
courant précis 
à 0.5% Système 
d’acquisition
Fech > 5 Hz
Q [Ah]

Choix de la position du commutateur de fonctionnement pour les essais émissions et 
consommation/CO2 :
• Mode hybride surtout électrique : mode hybride pour lequel on constate la consommation 
d’électricité la plus élevée de tous les modes hybrides sélectionnables
• Mode hybride surtout thermique : mode hybride pour lequel on constate la consommation 
de carburant la plus élevée de tous les modes hybrides sélectionnables
Homologation PHEV – Choix du commutateur
ML ‐ Contrôle et optimisation énergétique
58
• Électrique seul
• Hybride
• Thermique seul
• Hybride
• Électrique seul
• Thermique seul
• Hybride 
• Hybride n
• …
• Hybride m
(plusieurs modes hybrides)
Essai batterie
chargée 
(condition A)
Hybride Hybride Hybride
Hybride surtout 
électrique
Essai batterie
déchargée 
(condition B)
Hybride Thermique Thermique
Hybride surtout 
thermique
59
ML ‐ Contrôle et optimisation énergétique
Les essais doivent être réalisés dans les deux conditions suivantes :
• Véhicule chargé = condition A
• Véhicule déchargé = condition B
Les émissions de polluants suivant la condition A et la condition B doivent respecter 
les limites d’émissions
Les résultats d’émissions CO2 (g/km), de consommation de carburant (L/100km), et  
consommation électrique (Wh/km) sont données par des formules de pondération
Deux procédures d’essais sont possible
Principe générale de l’homologation PHEV
60
ML ‐ Contrôle et optimisation énergétique
On fait l’essai sur un et un seul cycle NEDC, pendant lequel on mesure les polluants 
ainsi que le CO2
Dans le cas où le véhicule est équipé d’un commutateur de fonctionnement : si 
l’autonomie en mode électrique pur est supérieure à un cycle complet, à la demande 
du constructeur, l’essai du type I pour la mesure de l’énergie électrique dans la 
condition A peut être effectué en mode électrique pur après accord du service 
technique*. Dans ce  cas, les valeurs d’émissions de CO2 et de consommation de 
carburant pour la condition A sont nulles
Procédure d’essai 1
De : autonomie du véhicule en mode électrique 
Da = 25 km (distance moyenne hypothétique  parcourue entre 2 recharges de la 
batterie)
X : résultats d’émissions (g/km), de consommation de carburant (L/100km), ou de 
consommation électrique (Wh/km)
XA1 : résultats d’émissions (g/km), de consommation de carburant (L/100km), ou de 
consommation électrique (Wh/km) dans la condition A
XB : résultats d’émissions (g/km), de consommation de carburant (L/100km), ou de 
consommation électrique (Wh/km) dans la condition B
Procédure d’essai 1
a
e
B
a
A
e
D
D
X
D
X
D
X




 1
ML ‐ Contrôle et optimisation énergétique
61
On fait l’essai sur plusieurs cycles NEDC, pendant lesquels on mesure les polluants 
ainsi que le CO2. L’essai doit être arrêté lorsque l’état minimum de charge a été 
atteint
Dovc : autonomie hybride – OVC range
XA2 : résultats d’émissions (g/km), de consommation de carburant (L/100km), ou de 
consommation électrique (Wh/km) dans la condition A
Procédure d’essai 2
a
ovc
B
a
A
ovc
D
D
X
D
X
D
X




 2
ML ‐ Contrôle et optimisation énergétique
62
Déchargement de la batterie
Charge de la batterie
Exécution du cycle : des cycles NEDC sont réalisés successivement jusqu’à ce que le 
critère de fin d’essai soit atteint
Critère de fin d’essai (ou) :
• Le véhicule n’est plus en mesure de suivre le cycle jusqu’à 50 km/h
• Les instruments de bord indiquent que le véhicule doit être arrêté 
• La batterie a atteint son état de charge minimum
À la fin de l’essai, la mesure De de la distance parcourue en km en utilisant le moteur 
électrique uniquement représente l’autonomie en mode électrique pur
Procédure d’évaluation de l’autonomie électrique
ML ‐ Contrôle et optimisation énergétique
63
Déchargement de la batterie
Charge de la batterie
Exécution du cycle : des cycles NEDC sont réalisés successivement jusqu’à ce que le 
critère de fin d’essai soit  atteint 
Critère de fin d’essai :
• La batterie a atteint son état de charge minimum 
• Le roulage continue jusqu’à la fin de la période de ralenti à la fin du dernier cycle extra urbain
À la fin de l’essai, la  distance totale Dovc parcourue (N cycles) en Km représente 
l’autonomie hybride (en mode hybride et mode électrique)
Procédure d’évaluation de l’autonomie hybride
(OVC Range)
ML ‐ Contrôle et optimisation énergétique
64
Objectif : homologation CO2 à moins de 50 g/km 
Exemple d’application dans le cas de la procédure d’essai 1 
90 100 110 120 130 140 150 160
20 50 56 61 67 72 78 83 89
30 41 45 50 55 59 64 68 73
40 35 38 42 46 50 54 58 62
50 30 33 37 40 43 47 50 53
60 26 29 32 35 38 41 44 47
70 24 26 29 32 34 37 39 42
Émissions CO2 – Condition B (Batterie déchargée)
Autonomie 
Électrique
ML ‐ Contrôle et optimisation énergétique
65
Importance de la présence d’un commutateur de modes
HEV : 1 seul cycle avec correction par facteur d’équivalence
PHEV : deux procédure possibles
PHEV : formule favorable grâce à l’autonomie électrique
Homologation
ML ‐ Contrôle et optimisation énergétique
66
Pour une véhicule hybride rechargeable, l’interprétation de la pédale d’accélérateur 
est faite par :
 Le calculateur BVA
 Le calculateur de contrôle moteur
 Le calculateur de supervision
Le rôle du module OPF est :
 Calculer le rapport de boite optimal
 Calculer la répartition couple moteur thermique / électrique
 Calculer le formatage de la pédale d’accélérateur 
Quiz
ML ‐ Contrôle et optimisation énergétique
67
Dans le critère minimisé par l’ECMS, l’unité du facteur d’équivalence est :
 g/kWh
 kW/g
 Sans unité
Le principal levier de MAP de l’ECMS est :
 La limitation du couple électrique
 Le facteur d’équivalence
 Le formatage de la pédale d’accélérateur 
Quiz
ML ‐ Contrôle et optimisation énergétique
68
Dans l’homologation d’un HEV, l’unité du facteur de correction de la consommation 
de carburant est :
 g/kWh
 g/km/Ah
 Sans unité
Lors de l’homologation d’un HEV, deux  cycles ont été réalisés, cycle 1: 120 g/km CO2, 
bilan électrique 1 kWh / cycle 1: 100 g/km CO2, bilan électrique ‐1 kWh, Il sera 
homologué à :
 100 g/km
 110 g/km
 120 g/km
Quiz
ML ‐ Contrôle et optimisation énergétique
69
Lors de l’homologation d’un PHEV, le cycle avec départ batterie vide donne un CO2 à 
160 g/km, en plus le véhicule a réalisé 5 cycles NEDC en électrique pur. Il sera 
homologué à :
 50 g/km
 100 g/km
 150 g/km
Quiz
ML ‐ Contrôle et optimisation énergétique
70
M. Debert : Stratégies optimales multi critères, prédictives, temps réel de 
gestion des flux d’énergies thermique et électrique dans un véhicule hybride. 
Thèse de l’université d’Orléans – 2011
P. HABERT : Contrôle GMP hybride ‐ Impacts sur l’élaboration de la consigne 
de rapport (ASC): bilan sur les évolutions envisageables. Note interne 
RENAULT 2011
P. HABERT : Contrôle des hybrides ‐ Synthèse. Note interne RENAULT 2011
Reg.101 ‐ Rev.2 ‐ Emissions of carbon dioxide and fuel consumption (r101r2f). 
Auteur : Nations Unies – Conseil Économique et Social
Fernando MARTIN CALVO : Europe – Réglementation émissions/CO2 –
Véhicule Électrique Hybride / Note technique Renault 2009
Références
ML ‐ Contrôle et optimisation énergétique
71

Contenu connexe

En vedette

How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
ThinkNow
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 

En vedette (20)

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 

Controle-et-Optimisation-energetique_AKS-2.pdf