Soutenance mémoire
MACHINE SYNCHRONE À AIMANTS PERMANENTS
Stratégies d’optimisation globale
Dans plusieurs travaux de recherche, on a utilisé la théorie de la commande optimale basée sur le formalisme de Lagrange, et l’optimisation globale [3],[4],[5] pour effectuer l’optimisation énergétique en temps réel de véhicules hybrides. L’ avantage de cette méthode est qu’elle permet d’obtenir une optimisation optimale hors ligne, et on n’a besoin d’identifier qu’ un seul paramètre; à savoir le multiplicateur de Lagrange (À). Ce multiplicateur est calculé pour atteindre une valeur spécifique de l’état de charge (SOC) du dispositifde stockage, et aborder la valeur finale pour un cycle routier donné. Par contre, sa limitation se manifeste lors de son utilisation en temps réel. L’algorithme issu de cette stratégie a été implémenté dans le système de gestion d’énergie en boucle ouverte. Puisque la valeur du multiplicateur de Lagrange est fortement dépendante des conditions de conduite, cela a mené à un état de charge du dispositifde stockage incontrôlé, par conséquent il est souvent non borné. Pour contourner ce problème, des modifications ont été proposées dans la référence [21] . Dans ce travail, un algorithme issu de la commande optimale a été implémenté en boucle fermée et le multiplicateur de Lagrange a été estimé en temps réel. Ces modifications ont permis de gérer l’état de charge de la batterie et le maintenir borné, et d’économiser la consommation du carburant.
Toutefois, la connaissance des conditions de roulage et de l’état de charge actuel de la batterie sont nécessaires pour l’estimation du multiplicateur de Lagrange.Dans la référence [22], une étude de la commande optimale basée sur le principe de minimum classique a été réalisée en mode hors ligne. Les résultats de cette étude ont été exploités et sont appliqués en temps réel. Le paramètre de Lagrange a été adapté grâce à un simple algorithme de prédiction, mais cela n’a pas garanti une optimisation adéquate. Rappelant que la stratégie d’optimisation globale hors ligne permet d’ en déduire la stratégie de gestion applicable en temps réel. Dans la référence [4], les méthodes dites directes utilisent l’algorithme Formalisme de Lagrange (FL). Cet algorithme consiste à réguler en temps réel le paramètre de Lagrange À pour maintenir borné l’état de charge de la batterie. Dans la référence [3], il a été proposé d’adapter le paramètre À en temps réel. Les conditions de roulage passées du véhicule enregistrées au fur et à mesure sont requises pour adapter ce paramètre. Ainsi, l’état de charge du dispositif de stockage est régulé et maintenu borné.
Stratégies d’optimisation avec un algorithme de prédiction
Dans la référence [23], les auteurs ont proposé une approche de gestion de l’énergie avec un algorithme de prédiction. Elle a été employée dans les véhicules à pile à combustible et batterie. Elle a été validée à l’ aide d’un simulateur de véhicules électriques développé dans l’environnement Matlab/Simulink. Elle a permis de déterminer la puissance nette demandée en utilisant un parcours routier a priori connu. L’énergie demandée par la charge est obtenue à partir de la puissance nette de la pile à combustible quand elle fonctionne à son rendement maximal. Cette méthode a montré une amélioration significative du rendement du système et une prédiction assez précise de la consommation de l’hydrogène. Dans la référence [24], une approche basée sur la commande prédictive a été proposée. On y a utilisé les informations du système de transport pour réduire la consommation de l’hydrogène. Cette approche se caractérise par une structure simple et un temps de calcul réduit; ce qui favorise son uilisation en temps réel. Elle permet une économie de la consommation de l’hydrogène comparable à celle des stratégies ECMS et A-ECMS 5. D’un autre côté, d’ autres méthodes basées sur la programmation dynamique stochastique ont été proposées dans les références [7] [25] [26] [27]. On leur a associé les chaînes de Markov pour prédire les conditions de roulage futures. Les réseaux de neurones ont été utilisés pour leur grande capacité d’extrapolation et pour leur capacité de mener à une réduction de la consommation d’énergie. Par contre, ils exigent une base de données de grande
capacité et un processus d’apprentissage complexe.Dans cette section, les stratégies de gestion et d’optimisation énergétique d’un véhicule hybride ont été présentées et classées. La figure 1.2 résume les avantages et les inconvénients des stratégies hors ligne et en temps réel existantes. La stratégie qui devrait être utilisée dans ce travail de recherche doit tenir compte des avantages et des inconvénients de chacune des stratégies selon les résultats des travaux de recherche déjà existants.
Onduleur de tension triphasé
Un onduleur de tension triphasé est utilisé. Il est commandé par des signaux MU. Ces signaux sont générés par le bloc VECT. Ce bloc représente une commande vectorielle à flux orienté. Il calcule entre autres les trois courants de référence des trois phases du moteur. Ainsi, les signaux MU sont générés en utilisant un régulateur de courant triphasé. Le flux normalisé est calculé en tenant compte la vitesse de la machine pour effectuer une commande à affaiblissement de flux . La figure 2.22 montre le modèle Simulink de la machine électrique, le convertisseur triphasé et de sa commande [39]. La figure 2.23 présente les modèles du motopropulseur : le modèle complet et le modèle simplifié. Ce modèle de comparaison est inspiré des deux modèles des deux exemples démonstration (ac6_1P MSM.mdl) et (ac6_example.mdl) [39] disponibles dans l’environnement MATLAB/Simulink. La figure 2.24 montre les résultats de simulation des deux modèles. Dans le modèle détaillé, l’onduleur est constitué d’un pont universel triphasé. On y utilise le modèle dé- taillé des IGBT. Le modèle simplifié quant à lui, utilise des modèles de commutateurs IGBT simplifiés comme celui présenté dans la section précédente. Il permet d’ alléger la simulation sans trop fausser les résultats.
État de l’art sur les stratégies de gestion à base de règles
La référence [47] détaille la stratégie de gestion d’énergie à multi-niveaux pour un véhicule électrique. Le niveau à long terme est à base de règles définies par expertises. Quant au niveau à court terme, l’optimisation est basé sur l’algorithme recuit simulé. La référence [48] propose la réalisation d’une stratégie de gestion d’énergie en extrayant les règles de l’algorithme de la programmation dynamique DP. L’avantage de cette méthode est qu’elle est quasi-optimale, facile à implémenter et le temps de calcul n’est pas prohibitif. La référence [49] présente également une stratégie de gestion à base de règles dont ces règles sont extraites à partir des solutions obtenues de la programmation dynamique. La référence [50] compare la consommation d’hydrogène et l’état de charge final de la batterie de la stratégie à base de règles avec ceux obtenus à l’aide de la commande optimale. TI a été constaté que la consommation de l’hydrogène pour la stratégie à base de règle est supérieure à celle de la commande optimale.La référence [51] propose une autre stratégie de gestion à base de règles. Ces règles ont été déduites à partir d’une étude sur le comportement du groupe motopropulseur et les solutions de la commande optimale.La référence [52] compare les résultats de la stratégie à base de règles avec une straté- gie basée sur la méthode de la répartition de la puissance optimale en temps réel (real-time power splitting methode). La stratégie proposée a mené à une consommation d’hydrogène5% de moins que la stratégie à base de règles. La référence [53] présente et compare deux méthodes de gestion à base de règles. La première est l’élaborée en se basant sur un algorithme de l’optimisation statique (the static optimization algorithm), et la deuxième est extraite à partir de la solution de la programmation dynamique.
Résultats de simulation pour le parcours urbain VDDS
La figure 3.6 présente les résultats de simulation obtenus lors du parcours VDDS pour une masse du véhicule m v égale à 1600 kg. Dans cette figure, on remarque que lors des freinages répétitifs et à basse demande de puissance, la batterie accumule de l’énergie. La même remarque s’applique à la situation pour une masse du véhicule m v égale à 2000 kg. D’après les résultats, on voit que batterie assiste la pile à combustible lors des accélé-rations et elle transfère donc une partie de son énergie stockée. Dans le parcours UnDS à partir de l’instant t = 300 s, il y a une répétition de freinages. Dans ce cas, la batterie accumule cette puissance et transfère une partie lors des accélérations.L’état de charge à la fin du parcours est égal à SOCB = 71 %. Il appartient certes à un interval borné, mais son augmentation est inquiétante. La batterie assiste aussi la pile à combustible avec une faible puissance lors des accélérations ce qui favorise l’augmentation de son état de charge avec les freinages répétitifs
Cas du parcours autoroute HWFET
La figure 5.12 représente les résultats de simulation du parcours routier HWFET lorsque la masse du véhicule vaut m v = 1625 kg. On constate que le supercondensa teur fournit la totalité de la puissance demandée lors des accélérations et au démarrage. Il fournit la puissance demandée jusqu’à 11 kW et le courant atteint 59.5 A. Lorsque l’état de charge du supercondensateur avoisine SOCsc = 54.5 %, la pile à combustible, à son tour, fournit la puissance demandée par le moteur. L’état de charge du supercondensateur ne change pas beaucoup et reste au voisinage de SOCsc = 51. 8 % durant la totalité du parcours saufdans le cas des freinages ou des décélérations brusques du véhicule. À la fin du trajet, l’état de charge du supercondensateur revient pratiquement à sa valeur initiale SOCsc = 63.2 %. Cette figure montre également que la différence entre l’état de charge initial et l’état de charge final est d’ environ +5.3 %. La figure 5 .13 représente les résultats de simulation du parcours routier V = 2 X VHWFET et une masse du véhicule m v = 1625kg. Les observations demeurent sensiblement les mêmes que celles de la figure précédente. Au démarrage, le supercondensateur fournit la puissance demandée jusqu’ à 9 kW et le courant atteint 59 .8 A. Il fournit la puissance demandée au démarrage jusqu’à attendre SOCsc = 50. 6 %. À son tour, la pile à combustible fournit la puissance demandée par le motopropulseur. Dans ce parcours, on a doublé le profil de la vitesse rapport à la figure précédente, l’état de charge du supercondensateur a atteint SOC sc = 44. 1 %et il réagit dans le cas des freinages ou décélérations brusques du véhicule. À la fin du trajet, l’état de charge du supercondensateur revient pratiquement à sa valeur initiale, soit SOCsc = 73.5 %. À la différence de la figure pré-cédente, le supercondensateur réagit plus rapidement dans ce cas. Cette figure montre que la différence entre l’état de charge initial et l’état de charge final est de +22.6 %.
Comportement de la pile à combustible
Le tableau 7.1 montre également que, pour le parcours urbain UDDS, la stratégie à base de théorie de la commande optimale est celle qui engendre la consommation d’hydrogène la plus faible. Cette constatation reste valable même si le parcours UDDS est doublé et pour les différentes masses de véhicule. La consommation dans le cas de la stratégie à base de la logique floue est très approche de celle de la commande optimale. Pour le parcours HWFET, c’est la stratégie à base de règles qui réalise la plus faible consommation en hydrogène par rapport aux autres stratégies et la commande optimale a engendré une consommation la plus élevée. Le tableau 7.1 montre aussi que les deux stratégies avec et sans chaîne de Markov débauchent sensiblement sur la même quantité hydrogène consommée. Pour les quatre stratégies proposées, les rendements moyens de la pile à combustible sont assez proches pour tous les parcours routiers. Pour le rendement instantané, les valeurs les plus faibles ont été observées dans le cas de la stratégie à base de règles. En effet, il atteint 3.75 %et 2.59 %dans le cas à haute vitesse et pour les deux masses du véhicule. Dans le cas de la stratégie à base de la commande optimale, le rendement minimal est plus élevé que celui des deux autres stratégies. Quant aux rendements maximaux, on constate, qu’ils sont proches pour toutes les stratégies proposées.
|
Table des matières
DÉDICACE
REMERCIEMENTS
RÉSUMÉ
TABLE DES MATIÈRES
LISTE DES TABLEAUX
LISTE DES FIGURES
LISTE DES ANNEXES
LISTE DES SIGLES ET ABRÉVIATIONS
CHAPITRE 1 INTRODUCTION GÉNÉRALE
1.1 Cadre général de la recherche .
1.2 État de l’art
1.2.1 Stratégies d’ optimisation hors ligne
1.2.2 Stratégies de gestion d’énergie en temps réel
1.2.2.1 Stratégies de gestion d’énergie à base de règles.
1.2.2.2 Stratégies de gestion d’énergie instantanées
1.2.2. 3 Stratégies d’optimisation globale
1.2.2.4 Stratégies d’ optimisation avec un algorithme de prédiction .
1.3 Problématique
1.3.1 Problématique de l’optimisation énergétique d’un véhicule à pile
1.3.2 Problématique de l’optimisation multiobjectif
1.3.2.1 Limites de l’optimisation multiobjectifclassique en général
1.3.2.2 Recours à l’optimisation multiobjectif dans ce travail
1.4 Objectifgénéral
1.5 Méthodologie de recherche
1.6 Contributions escomptées et l’originalité du sujet
1.6.1 Contributions escomptées
1.6.1.1 Énoncé des contributions à atteindre
1.6.1.2 Approches suggérées
1.6.2 Originalité du sujet de recherche .
l.7 Structure de thèse
CHAPITRE 2 MODÉLISATION ET SIMULATION DU SYSTÈME À L’ÉTUDE 26
2.1 Introduction
2.2 Modèle dynamique du véhicule.
2.3 Composants électriques
2.3.1 Modèle dynamique de la pile à combustible
2.3 .2 Modèle dynamique de la batterie
2.3.3 Modèle dynamique du supercondensateur
2.3.4 Topologies des convertisseurs statiques
2.3.5 Convertisseur de freinage
2.3 .6 Machine électrique
2.3.7 Onduleur de tension triphasé
2.4 Partie de la gestion d’énergie
2.5 Conclusion
CHAPITRE 3 STRATÉGIE DE GESTION D’ÉNERGIE À BASE DE RÈGLES
3.1 Introduction
3.2 État de l’art sur les stratégies de gestion à base de règles
3.3 Formulation mathématique de la stratégie à base de règles proposée
3.3.1 Présentation de la méthode.
3.3.2 Développement de la méthode
3.3.3 Description du modèle de simulation
3.4 Présentation des résultats de simulation
3.4.1 Configuration PAC/B
3.4. 1.1 Résultats de simulation pour le parcours urbain UDDS.
3.4. 1.2 Résultats de simulation pour le parcours autoroute HWFET
3.4.1.3 Analyse des résultats dans la configuration PACIB
3.4.2 Configuration PAC/SC
3.4.2.1 Résultats de simulation pour le parcours urbain UDDS.
3.4.2.2 Résultats de simulation pour le parcours autoroute HWFET
3.4.2.3 Analyse des résultats obtenus dans la configuration PAC/SC 83
3.5 Conclusion
CHAPITRE 4 STRATÉGIE DE GESTION D’ÉNERGIE À BASE DE LA LOGIQUE FLOUE
4.1 Introduction.
4.2 État de l’art sur la gestion d’énergie à base de la logique floue.
4.3 Fondements théoriques de la logique floue
4.3.1 Appartenance d’un ensemble floue et un ensemble classique
4.3.2 Fonction d’appartenance
4.4 Stratégie de la gestion d’énergie proposée
4.5 Validation de la stratégie sur trois configurations: PACIB, PAC/SC et PACIB/SC
4.5.1 Configuration PACIB et la configuration PAC/SC
4.5.1.1 Régulation du courant au niveau du hacheur bidirectionnel
4.5.1.2 Régulateur de la tension du bus CC
4.5.2 Configuration PACIB/SC
4.6 Résultats de simulation obtenus
4.6.1 Résultats de simulation des configurations PACIB , PAC/SC et PACIB/SC1
4.6.1.1 Analyse des résultats obtenus
4.6.2 Résultats de simulation de la configuration PAC/SC
4.6.2.1 Cas du parcours urbain UDDS
4.6.2.2 Cas du parcours autoroute HWFET
4.6.2.3 Analyse des résultats obtenus
Conclusion
CHAPITRE 5 OPTIMISATION LOCALE À BASE DE LA COMMANDE OPTIMALE
5.1 Introduction
5.2 État de l’art
5.3 Formulation mathématique
5.3 .1 Formulation du problème d’optimisation
5.3 .2 Principe de minimum de Pontryagin
5.4 Formulation et résolution du problème de la commande optimale. 128
5.4.1 Formulation du problème de la commande optimale
5.4.2 Résolution du problème de la commande optimale
5.5 Résultats de simulation et discussion .
5.5.1 Cas du parcours urbain UDDS
5.5.2 Cas du parcours autoroute HWFET
5.5.3 Analyse des résultats obtenus
5.6 Conclusion
CHAPITRE 6 OPTIMISATION ÉNERGÉTIQUE BASÉE SUR LA CHAÎNE DE MARKOV ET LA COMMANDE OPTIMALE
6.1 Introduction
6.2 État de l’art
6.3 Modèle de la chaîne de Markov
6.4 Résultats de simulation et discussion .
6.5 Conclusion
CHAPITRE 7 ÉTUDE COMPARATIVE DES RÉSULTATS AVEC DES RÉFÉRENCES
7.1 Introduction
7.2 Définition des critères de comparaison
7.2.1 Parcours et conditions de roulage
7.2.2 État de charge du supercondensateur .
7.2.3 Consommation de la pile à combustible
7.2.4 Rendement de la pile à combustible
7.2.5 Étude menant à la réalisation d’une stratégie proposée
7.2.6 Temps de calcu
7.2.7 Robustesse d’une stratégie
7.3 Comparaison des stratégies proposées entre elles
7.4 Synthèse de la comparaison
7.4.1 Comportement du supercondensateur
7.4.2 Comportement de la pile à combustible
7.4.3 Temps de simulation
7.5 Étude comparative
7.6 Limites des solutions proposées
7.7 Conclusion
CHAPITRE 8 CONCLUSION GENERALE ET RECOMMANDATIONS 183
8.1 Conclusion générale.
8.2 Contributions apportées
8.3 Recommandations.
RÉFÉRENCES
ANNEXE A : DURÉE DE VIE DES SOURCES D’ ÉNERGIE
A.1 Durée de vie de la pile à combustible
A.2 Durée de vie du supercondensateur .
A.3 Durée de vie de la batterie
ANNEXE B : RAPPELS THÉORIQUES SUR L’ OPTIMISATION MULTIOBJECTIF
B.l Introduction.
B.2 Techniques de résolution classiques
B.2.1 Méthode de pondération
B.2.2 Méthode de compromis.
B.3 Méthode à base des algorithmes évolutionnaires .
B.4 Méthode floues
B.S Conclusion
ANNEXE C : MODÉLISATION DE LA BATTERIE
C. l Introduction.
C.2 État de l’art sur la modélisation de la batterie
C.3 Modèle strandard de la batterie .
C.4 Modèle proposé de la batterie.
C.S Présentation et l’analyse des résultats de simulation
C.S.l Effet de la température
C.S.2 Effet du courant de la charge .
C.S.3 Effet de la durée de vie
C.6 Conclusion
ANNEXE D : QUELQUES PRISES D’ÉCRAN DU SIMULATEUR UTILISÉ
ANNEXE E : SUPERCONDENSATEUR
ANNEXE F : MACHINE SYNCHRONE À AIMANTS PERMANENTS
El Modèle abc de la machine synchrone
E1 .1 Flux statorique et rotorique.
El .2 Équation des tensions statoriques et rotoriques
E1.3 Matrice des inductances
E2 Transformation de Clarke .
E3 Transformation de Park .
F.4 Expression du couple électromagnétique .
E5 Équation mécanique
ANNEXE G : RÉSUMÉ DES RÉFÉRENCES CHOISIES
G.l Référence
G.1.1 Présentation de l’article 1 .
G.1.2 Résultats obtenus dans la référence 1
7. 1.2.1 Stratégie à base de règles .
7.1.2.2 Programmation dynamique
7.1.2.3 Commande prédictive
G.2 Référence 2
G.2. 1 Présentation de l’article 2
G.2.2 Résultats obtenus dans la référence
G.3 Référence 3
G.3.1 Présentation de l’article 3.
G.3.2 Résultats obtenus dans la référence 3
G.4 Référence 4
G.4.1 Présentation de l’article 4.
G.4.2 Résultats obtenus dans la référence 4
G.5 Référence 5
G.5.1 Présentation de l’article 5 .
G.5.2 Résultats obtenus dans la référence 5
ANNEXE H : INFORMATIONS SUR LE MATÉRIEL UTILISÉ.
ANNEXE I : LISTE DE PUBLICATIONS .
ANNEXE J : PHOTOS UTILISÉES
Télécharger le rapport complet
