Dimensionnement de la chaîne de traction dun véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Gwenaëlle Souffran

Dimensionnement de la chaîne de tractiond’un véhicule électrique hybride

basé sur une modélisation stochastiquede ses profils de mission

Gwenaëlle Souffran

Directeur de thèse : Patrick GuérinEncadrante : Laurence Miègeville

Réchauffement climatiqueet pollution de l’air

Epuisement desressources fossiles

2

Transports : Vers le développement durable

Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d’un véhicule Conclusion

Réduction de la consommation de carburant fossile

3

Transports : Quelles solutions ?

Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction ConclusionPré-dimensionnement d’un véhicule

CritèreVéhicule

électriqueà batterie

Véhicule électriqueà PAC (H)

Véhicule à moteur à

combustion

Véhicule électrique

hybrideBicyclette

Energie embarquée

Rendement

Rejet de polluants

Recyclage

Maintenance

Durée de vie Autonomie

NOTE 0 1 1 2 5

Véhicule hybride : un compromis…

4

Moyens de productionMoteur thermiquePile à combustible

Eléments de stockageBatterieSuper Capacité

Convertisseurs d’énergieMoteur électriqueGénératrice

Véhicules hybrides : Quels composants ?


5

Comment concevoir et optimiser la chaîne de traction ?

Véhicules hybrides : Quelle architecture ?

Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Conclusion

Structure Série Parallèle Combinée

Degré d’hybridation

Pré-dimensionnement d’un véhicule

Pmt ?Ebat ?

Pme ?

?

6

Critères possibles :MasseVolumeDurée de vieCoûtEmissions de CO2 et de NOxConsommation énergétique

Critère d’optimisation


7

Par rapport à l’usage réel du véhiculeSur une mission réalisteSur un usage spécifique (urbain, routier, livraison…)

De manière « robuste »En prenant en compte la variabilité de la missionSur un grand nombre de missions

Sans faire de choix « a priori »Sur la structureSur les composants (Pnominale)

Objectif : Dimensionnement d’une chaîne de traction hybride


Missions du véhicule Dimensionnement

Pmt

Pme

Ebat

Sommaire

1. Modèle de l’usage d’un véhicule Qu’est-ce que la mission d’un véhicule ? Comment la modéliser ?

2. Modèle de la chaîne de traction Quels modèles des composants ? Quelle gestion de l’énergie ?

3. Pré-dimensionnement d’un véhicule urbain Quelle méthode ? Quelle mission choisir ? Quels résultats ?

4. Conclusion & Perspectives

8Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction ConclusionPré-dimensionnement d’un véhicule

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

mission {?}

9

Comment définir la mission d’un véhicule ?


Modèle mécanique

Dimension- nement

Calcul de mtraction

masse mchâssis

ProuesPmt

Pme

Ebat

mtraction

mvéhicule+

10

Bilan des forcesForce aérodynamique

Fw = ½ Af Cw ν²Force de roulement

Fr = m g Cr cosForce due à l’inclinaison

Fh = m g sinForce d’accélération

Fa = m λ γ

Seconde loi de NewtonPuissance aux roues

Proues = (Fw + Fr + Fh + Fa ) x ν = f (m, ν, γ, )

Modèle mécanique

Bilan des forces agissant sur le véhicule

poidsrésistance au

roulement

force d’inertie

force aérodynamique


3 variables définissant la mission du véhicule :• Vitesse : ν• Accélération : γ• Inclinaison : α

1 paramètre dépendant du dimensionnement :• Masse du véhicule m

0 20 40 60 80 100 120-10

-5

0

5

10

15

20

25

30

35

Vitesse du véhicule (km/h)

Pu

iss

an

ce

(k

W)

Analyse de sensibilité (Puissance)

-0.5 0 0.5-10

-5

0

5

10

15

20

25

30

35

Accélération du véhicule (m/s²)

Pu

iss

an

ce

(k

W)

-5 0 5-10

-5

0

5

10

15

20

25

30

35

Inclinaison de la route (%)

Pu

iss

an

ce

(k

W)


Sensibilité de Proues à la vitesse

Sensibilité de Proues à l’inclinaison

Sensibilité de Proues à l’accélération

0 - 3%

x2

0 - 0,3 m/s²

x2Variation quadratique

0 - 130 km/h

+29 kW

Variation linéaire

Variation linéaire

11

m=1500kgγ=0m/s²=0%

m=1500kgν=90km/hγ=0m/s²

m=1500kgν=90km/h=0%

Sensibilité de la puissance aux 3 variables de la mission du véhicule : {ν, γ, }

Qu’en est-il de la masse ?

0 à 100 km/h en 93s

0 20 40 60 80 100 120-10

-5

0

5

10

15

20

25

30

35


Pu

iss

an

ce

(k

W)


-0.5 0 0.5-10

-5

0

5

10

15

20

25

30

35


Pu

iss

an

ce

(k

W)

-5 0 5-10

-5

0

5

10

15

20

25

30

35


Pu

iss

an

ce

(k

W)




m=1500kgγ=0m/s²=0%



m=1500kgν=90km/h=0%

12

m=750kgγ=0m/s²=0%

m=750kgν=90km/h=0%


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 ?

13

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 ?

Trois types de cyclesCycles de conduite à réalité limitéeCycles développés à partir de mesuresCycles générés de manière stochastique

14

Adaptation au dimensionnement ? Parfaitement défini Simple Profil de vitesse non réaliste ! Inclinaison non prise en compte…



Exemples de cycle Usage Véhicule Objectif Ex. d’utilisation

NEDC (New European Driving Cycle)

Mixte urbain et extra-urbain

Léger Emissions + Consommation

Conception + Contrôle (Kleimaier, 2000)

JPN 10-15 (Japonais) Mixte urbain et extra-urbain

Léger Emissions + Consommation

Contrôle (Barsali, 2004)

0 200 400 600 800 10000

50

100

Temps (s)

Vit

es

se

(k

m/h

)

0 100 200 300 400 500 6000

50

100

Temps (s)

Vit

es

se

(k

m/h

)

Cycles de conduite à réalité limitée

NEDC

JPN 10-15

15

Adaptation au dimensionnement ? Parfaitement défini Réalisme (mesures >1000h et >7000 véhicules) Cycle unique pour représenter une mission Inclinaison non prise en compte…



Exemples de cycle Usage Véhicule Objectif Ex. d’utilisation

ARTEMIS(André, 2004)

Urbain, routier et autoroutier

Léger Estimation des émissions

Dimensionnement batterie (Bertram,2011)

West Virginia University (WVU)

Urbain + Inter-urbain + Banlieue

Lourd Estimation des émissions

Analyse rendement traction (Li, 2008)

0 200 400 600 8000

50

100

Temps (s)

Vit

es

se

(k

m/h

)

0 500 1000 15000

50

100

Temps (s)

Vit

es

se

(k

m/h

)

Cycles développés à partir de mesures

Artemis urbain

WVU inter-urbain

16

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



Exemples de cycle Usage Véhicule Objectif Méthode

(Ravey, 2010) Ramassage des ordures

Lourd Dimensionnement pile à combustible

Approche probabiliste

(Lin, 2004) Basé sur les cycles WVU

Lourd Optimisation de la gestion de l’énergie

Matrice de Markov

Cycles générés de manière stochastique

Exemple de mission générée (Ravey, 2010)

17

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



Exemples de cycle Usage Véhicule Objectif Méthode

(Ravey, 2010) Ramassage des ordures

Lourd Dimensionnement pile à combustible

Approche probabiliste

(Lin, 2004) Basé sur les cycles WVU

Lourd Optimisation de la gestion de l’énergie

Matrice de Markov

Cycles générés de manière stochastique

Exemple de mission générée (Lin, 2004)

18

Mission à modéliser

Trio de variables Vitesse ν Accélération γ Inclinaison

Mission spécifique Ex. : trajet urbain

Basée sur des profils réels

Mesures GPS

Objectifs de la modélisation

Modèle

Trio de variablesConservation des relations entre

les variablesConservation des caractéristiques

Statistiques Dynamiques

SimulationsAléatoires (variabilité)

Nombre élevé (« robustesse »)

Modèle par Matrice de Markov

Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction ConclusionPré-dimensionnement d'un véhicule

19

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 transitionsMatrice de Markov

Modèle de Markov

E1

E3 E2

p31

p13

p23

p32

p21

p12

p33 p22

p11


20

2ème étape : estimation de la matrice de Markov

Modèle de Markov

E1 E1 E3 E1

r11 = r11 + 1 r31 = r31 + 1r21 = r21 + 1 r13 = r13 + 1

DébutE2

FinE1

r11 = r11 + 1

000

000

000

R

000

001

000

R

000

001

001

R

000

001

101

R

001

001

101

R

001

001

102

R


n

j ij

ijij

r

rpjiM

1

),(

001

001

102

R

001

0013

1032

M

Matrice de transitions Matrice de Markov

1ère étape : estimation de la matrice de transitions

21

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

VitesseAccélérationInclinaison


22

Campagnes de mesures


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

VitesseAccélérationInclinaison

23

Modélisation d’une mission par Markov

Matrice de Markov

Mission urbaine mesurée


La matrice de Markov contient les probabilités de transition de l’état présent à l’état futur

ν(t)

γ(t)

(t)

Etat présent E1

{ν1(t), γ1(t), 1(t)}Etat futur E2

{ν2(t+1), γ2 (t+1), 2 (t+1)}

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)

Inc

lin

ais

on

(%

)

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)In

cli

na

iso

n (

%)

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)In

cli

na

iso

n (

%)

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)In

cli

na

iso

n (

%)

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)

Inc

lin

ais

on

(%

)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

Matrice de Markov

24

Simulation de missions aléatoires

Missions urbaines simulées

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)


ν(t)

γ(t)

(t)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

Etat présent E1

{ν1(t), γ1(t), 1(t)}Etat futur E2

{ν2(t+1), γ2 (t+1), 2 (t+1)}

25

Vitesse

Inclinaison

Validation des simulations urbaines

Accélération


Bonne reproduction des caractéristiques

de la mission mesurée en simulations

26

Statistique

Dynamique

Validation en termes de puissance


Bonne reproductiondes caractéristiques

statistiques et dynamiques en termes de puissance

27

=f()

=f()

Validation de la corrélation entre les variables

0 20 40 60 80 100 120-1.5

-1

-0.5

0

0.5

1

1.5

Vitesse (km/h)

Ac

cé

léra

tio

n (

m/s

²) 1 simulation

-1.5 -1 -0.5 0 0.5 1 1.5-4

-2

0

2

4

Accélération (m/s²)In

cli

na

iso

n (

%)

1 simulation


Bonne conservation de la corrélation entre l’accélération et la vitesse

Bonne conservation de la corrélation entre l’inclinaison et l’accélération

28

Avantages du modèlePrise en compte de missions réalistes & spécifiquesPrise en compte des trois variables { ν, γ, }

Possibilité de prendre en compte d’autres variables (vent, qualité de la route)Conservation des caractéristiques statistiques et dynamiquesConservation de la corrélation entre les variablesSimulations aléatoires (variabilité) et nombreuses (robustesse)

LimiteEtat non mesuré non simulé

Synthèse sur la modélisation de l’usage du véhicule


Sommaire





29


100 150 200 250 300 350 400 4500

50

100

150

200

250

0.0

5

0.05

0.05 0.05

0.05

0.0

5

0.05 0.05 0.05

0.1

0.1

0.1 0.1

0.1

0.1

0.1 0.10.1

0.1

5

0.1

5

0.15 0.15

0.15

0.15

0.15 0.150.15

0.2

0.2

0.20.2

0.2

0.2

0.20.2

0.2

0.25

0.2

5

0.250.25

0.25

0.25

0.25 0.250.25

0.3

0.3

0.3

0.3

0.3

0.3

0.3

0.30.3

0.3

5

0.3

5

0.35

0.35

0.35

0.350.35

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)

Iso-rendementsIso-puissance nominale (81kW)Iso-puissance 50%Iso-puissance 10%

30

Modélisation de la chaîne de traction

Structure hybride série


{U,I}{,} {,}Energie carburant

Machine électrique

Machine électrique

Moteur thermique

Batterie

Energie chimique

Energie thermique directe

Energiede charge

Energie deboost ou tout

électrique

Récupération au freinage

Cette modélisation impose un choix a priori des composants

Groupe électrogène

{,}

Modélisation par les flux de puissance (Dupriez, 2010)

31



Energie carburant

Machine électrique

Machine électrique

Batterie

Moteur thermique

Energie chimique

pge pme

pbat

pchim

pcarb proues

Introduction de modèles génériques adimensionnels

mt ? me ? me ?

bat ?

32

Moteur thermique pour groupe électrogène

80 100 120 140 160 180 2000

200

400

600

800

1000

1200

1400

1600

1800

2000 0.05

0.05

0.05 0.05 0.05

0.1 0.1

0.1

0.1 0.1 0.1

0.15 0.15

0.15

0.15 0.15 0.15

0.2 0.2

0.2

0.2 0.2 0.2

0.25 0.25

0.25

0.25 0.25 0.25

0.3

0.30.3

0.3 0.30.3

0.3

0.3

0.35

0.35

0.350.35

0.35

0.35

0.35

0.40.4

0.4

0.4

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)

Iso-rendementsIso-puissance nominale (324kW)Iso-puissance 50%Iso-puissance 10%Rendement maximisé

80 100 120 140 160 180 2000

200

400

600

800

1000

1200

1400

1600

1800

2000 0.05

0.05

0.05 0.05 0.05

0.1 0.1

0.1

0.1 0.1 0.1

0.15 0.15

0.15

0.15 0.15 0.15

0.2 0.2

0.2

0.2 0.2 0.2

0.25 0.25

0.25

0.25 0.25 0.25

0.3

0.30.3

0.3 0.30.3

0.3

0.3

0.35

0.35

0.350.35

0.35

0.35

0.35

0.40.4

0.4

0.4

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


80 100 120 140 160 180 2000

200

400

600

800

1000

1200

1400

1600

1800

2000 0.05

0.05

0.05 0.05 0.05

0.1 0.1

0.1

0.1 0.1 0.1

0.15 0.15

0.15

0.15 0.15 0.15

0.2 0.2

0.2

0.2 0.2 0.2

0.25 0.25

0.25

0.25 0.25 0.25

0.3

0.30.3

0.3 0.30.3

0.3

0.3

0.35

0.35

0.350.35

0.35

0.35

0.35

0.40.4

0.4

0.4

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


80 100 120 140 160 180 2000

200

400

600

800

1000

1200

1400

1600

1800

2000 0.05

0.05

0.05 0.05 0.05

0.1 0.1

0.1

0.1 0.1 0.1

0.15 0.15

0.15

0.15 0.15 0.15

0.2 0.2

0.2

0.2 0.2 0.2

0.25 0.25

0.25

0.25 0.25 0.25

0.3

0.30.3

0.3 0.30.3

0.3

0.3

0.3

5

0.3

5

0.350.35

0.35

0.35

0.35

0.4

0.4

0.4

0.4

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


Cartographies de différents moteurs thermiquesayant une caractéristique de groupe électrogène

(base de données Matlab PSAT)


Cartographie d’un moteur thermiquemt = f ( Γ , Ω )

pmt(t)/Pmt = 50%

maxExtraction de la

caractéristique

mt = f (pmt(t)/Pmt)

maximisant mt

33

Moteur thermique pour groupe électrogène

Placement au point de rendement maximal

Moyenne des courbes de rendements

0 20 40 60 80 1000

5

10

15

20

25

30

35

40

45

50

Puissance (% Pmt)

Re

nd

em

en

t m

axi

mis

é (

%)

Moteurs du logiciel PSATModèle générique adimensionnel

80 100 120 140 160 180 2000

200

400

600

800

1000

1200

1400

1600

1800

2000 0.05

0.05

0.05 0.05 0.05

0.1 0.1

0.1

0.1 0.1 0.1

0.15 0.15

0.15

0.15 0.15 0.15

0.2 0.2

0.2

0.2 0.2 0.2

0.25 0.25

0.25

0.25 0.25 0.25

0.3

0.30.3

0.3 0.30.3

0.3

0.3

0.35

0.35

0.350.35

0.35

0.35

0.35

0.40.4

0.4

0.4

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


80 100 120 140 160 180 2000

200

400

600

800

1000

1200

1400

1600

1800

2000 0.05

0.05

0.05 0.05 0.05

0.1 0.1

0.1

0.1 0.1 0.1

0.15 0.15

0.15

0.15 0.15 0.15

0.2 0.2

0.2

0.2 0.2 0.2

0.25 0.25

0.25

0.25 0.25 0.25

0.3

0.30.3

0.3 0.30.3

0.3

0.3

0.35

0.35

0.350.35

0.35

0.35

0.35

0.40.4

0.4

0.4

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


80 100 120 140 160 180 2000

200

400

600

800

1000

1200

1400

1600

1800

2000 0.05

0.05

0.05 0.05 0.05

0.1 0.1

0.1

0.1 0.1 0.1

0.15 0.15

0.15

0.15 0.15 0.15

0.2 0.2

0.2

0.2 0.2 0.2

0.25 0.25

0.25

0.25 0.25 0.25

0.3

0.30.3

0.3 0.30.3

0.3

0.3

0.35

0.35

0.350.35

0.35

0.35

0.35

0.40.4

0.4

0.4

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


Cartographies de différents moteurs thermiques à caractéristiques de groupe électrogène

(base de données Matlab PSAT)

Modèle générique d’un moteur thermique pour groupe électrogène


80 100 120 140 160 180 2000

200

400

600

800

1000

1200

1400

1600

1800

2000 0.05

0.05

0.05 0.05 0.05

0.1 0.1

0.1

0.1 0.1 0.1

0.15 0.15

0.15

0.15 0.15 0.15

0.2 0.2

0.2

0.2 0.2 0.2

0.25 0.25

0.25

0.25 0.25 0.25

0.3

0.30.3

0.3 0.30.3

0.3

0.3

0.35

0.35

0.350.35

0.35

0.35

0.35

0.40.4

0.40.

4

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


34

Machine électrique pour groupe électrogène

0 20 40 60 80 1000

10

20

30

40

50

60

70

80

90

100

Puissance (% Pme)

Re

nd

em

en

t m

axi

mis

é (

%)

Machines du logiciel PSATModèle générique adimensionnel

0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)


Cartographies de différentes machines électriques(base de données Matlab PSAT)

Modèle générique d’une machine électrique pour groupe électrogène


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.850.

85

Vitesse (rad/s)

Co

up

le (

Nm

)


Même processus pour la machine électrique

35


0 20 40 60 80 1000

5

10

15

20

25

30

35

40

45

50

Puissance (% Pge)

Re

nd

em

en

t m

axi

mis

é (

%)

Modèle générique adimensionnel

Modèle génériqued’un groupe électrogène

0 20 40 60 80 1000

5

10

15

20

25

30

35

40

45

50

Puissance (% Pmt)

Re

nd

em

en

t m

axi

mis

é (

%)


Modèle génériqued’un moteur thermique

pour groupe électrogène

0 20 40 60 80 1000

10

20

30

40

50

60

70

80

90

100

Puissance (% Pme)

Re

nd

em

en

t m

axi

mis

é (

%)


Modèle génériqued’une machine électriquepour groupe électrogène

me

meme

mt

mtmt

ge

gege P

tp

P

tp

P

tp )()()(


36

Approximation linéaire du rendement en fonction de la puissance réduite

Limites en profondeur de déchargeEtat de charge min 40%Etat de charge max 100%

Limites en puissance10C en décharge5C en charge

Batterie

-100 -50 0 50 100

40

60

80

100

0.8

0.8

0.8

0.85

0.85

0.85

0.9 0.9

0.9

0.90.9

250.925

0.925 0.92

50.

925

0.92

50.950.95

0.95 0.95

0.95

0.9

50.97

0.970.97 0.

970.

970.

970

.99

0.99

0.99 0.

990.

99

0.9

9

Puissance (% Pbat)

Éta

t d

e ch

arg

e (

%)

-100 -50 0 50 10075

80

85

90

95

100

Puissance (% Pbat)

Re

nd

emen

t (%

)

déchargecharge

Rendement d’une cellule Lithium-Ion(base de données Matlab PSAT)

Modèle générique d’une batterie


37

Machine électrique (synchrone à aimants permanents)

0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)

Iso-rendementsIso-puissance maximale (15kW)Iso-puissance nominale(7kW)Iso-puissance 50%Iso-puissance 10%

0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.850.

85

Vitesse (rad/s)

Co

up

le (

Nm

)



0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.8

5

Vitesse (rad/s)

Co

up

le (

Nm

)



Cartographie d’une machine électriqueme = f ( Γ , Ω )

Extraction de lacaractéristique

me = f (pme(t)/Pme)

moyennant me

pme(t)/Pme = 50%

moy

38

Autorisation de surcharge à 200% pendant 180s

Machine électrique (synchrone à aimants permanents)

0 50 100 150 2000

10

20

30

40

50

60

70

80

90

100

Puissance (% Pme)

Re

nd

em

en

t m

oy

enn

é (%

)


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.85

0.85

Vitesse (rad/s)

Co

up

le (

Nm

)


0 100 200 300 400 500 600 7000

5

10

15

20

25

30

35

40

45

50

55 0.5

0.55

0.6 0.

7

0.75

0.75

0.8

0.80.8

0.850.

85

Vitesse (rad/s)

Co

up

le (

Nm

)


Modèle générique d’une machine électrique



1. Moyenne des rendements par iso-puissance pour chaque moteur

2. Moyenne de ces courbes de rendements pour obtenir le modèle générique

39


Architecture de la chaîne de traction


-100 -50 0 50 10075

80

85

90

95

100

Puissance (% Pbat)

Re

nd

em

en

t (%

)

décharge

charge

Batterie

Energie carburant

0 20 40 60 80 1000

5

10

15

20

25

30

35

40

45

50

Puissance (% Pge)

Ren

dem

ent

max

imis

é (%

)

Modèle générique adimensionnel

Groupeélectrogène

0 50 100 150 2000

10

20

30

40

50

60

70

80

90

100

Puissance (% Pme)

Ren

dem

ent

mo

yen

né

(%)


Machineélectrique

Energie chimique

Estimationde la consommation

de carburant Ccarb

et de l’état d’énergie SOE à la fin de la mission

pme

pchim

pcarb

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)

Inc

lin

ais

on

(%

)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

Stratégie de

gestion

pbat

pge proues

ν(t)

γ(t)(t)

Besoin d’unegestion de l’énergie

indépendante du dimensionnement

40

ObjectifsIndépendance au dimensionnement des composantsStratégie en ligne « légère »

Trois stratégies« Optimale »« Charge »« Décharge »

Gestion de l’énergie


Conditions de passage entre stratégies

41

Etude du rendement de la chaîne de traction



Mode Rendement = Putile / Pabsorbée

Boost / Electrique

Thermique

Régénération

Récupération

moycbat

optge

chimcarb

carbchimcarb

me tppoù

ptptp

tp

,

)(

)()(

)(

)(

)(

tp

tp

carb

me

)(

)()(

tp

tptp

carb

chimme

)()(

)(

tptp

tp

mecarb

chim

Cartographie = f (pge(t), pbat(t) )

42

Cartographie du rendement de la chaîne de traction = f (pge(t), pbat(t) )

Extraction descaractéristiques

pge(t) = f (pme(t))

pbat(t) = f (pme(t))

maximisant


-10 -5 0 5 10 15 200

2

4

6

8

10

12

14

16

18

20

20

25

25

25

30

30

30

30

33

33

33

33

35

35

35

35

37

37

37

37

374

0

404

0

40

40

45

45

50

50

556065707580859095 969798

-5 0

0

5

5

5

10

10

10

10

15

15

15

15

20

20

20

20

25

25

25

30

3035

pbat

(t) (kW)

pg

e(t

) (k

W)

Iso-rendements (%)Iso-puissances p

me(t) (kW)

Rendement max

(t)


pme(t) = 5kW

pge(t) = 12kW

Pbat(t) = -7kW

max

p ge(t

) (kW

)

pbat(t) (kW)

43

Stratégie « optimale » maximisant le rendement de la chaîne de traction

pge(t) = f (pme(t)) pbat(t) = f (pme(t))


-10 -5 0 5 10 15 20 25 30 35 40-10

-5

0

5

10

15

20

pme

(t) (kW)

pb

at(t

) (k

W)

OptimalApproximation

-10 -5 0 5 10 15 20 25 30 35 400

2

4

6

8

10

12

14

16

18

20

pme

(t) (kW)

pg

e(t)

(kW

)

OptimalApproximation


pge(t) = 12kW

pme(t) = 5kW pme(t) = 5kW

Pbat(t) = -7kW

p ge(t

) (kW

)

p bat(t

) (kW

)

pme(t) (kW) pme(t) (kW)

44

Bilan de puissance pour Pge = 10 kW et Ebat = 4 kWh (cycle NEDC)

Mise en œuvre des modèles de composants + gestion

0 200 400 600 800 1000 1200-50

0

50

Pu

iss

an

ce

(k

W)

pme

pge

0 200 400 600 800 1000 1200-50

0

50P

uis

sa

nc

e (

kW

)

pme

pbat

0 200 400 600 800 1000 120040

60

80

100

SO

E (

%)

Temps (s)

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

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


Simulation très rapide (10s pour une mission de 29h)

Logiciel Matlab v7.0.4Processeur Intel Core 2 Duo CPU E7500 @ 2,93 GHzWindows XP 3,5 Go de mémoire RAM

Sommaire





46


47

Algorithme de dimensionnement

Objectif : Trouver le couple {Pge , Ebat} minimisant Ccarb


Boucle pour parcourir les dimensionnements {Pge , Ebat}

(plan d’expériences)

Boucle pour tester un grand nombre de missions

Boucle pour converger sur la masse

Calcul de la consommation de carburant moyenne Ccarb

Ebat 1 Ebat 2 … Ebat q

Pge 1 Ccarb 1,1 Ccarb 1,2 … Ccarb 1,q

Pge 2 Ccarb 2,1 Ccarb 2,2 … Ccarb 2,q

… … … … …

Pge n Ccarb n,1 Ccarb n,2 … Ccarb n,q

Pge 1 Pge 2 … Pge n

Ebat 1 Ebat 2 … Ebat q

Table de groupes électrogènes

Table de batteries

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)

Inc

lin

ais

on

(%

)

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)

Inc

lin

ais

on

(%

)

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)

Inc

lin

ais

on

(%

)

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)

Inc

lin

ais

on

(%

)

200 400 600 800 1000 1200

-1

0

1

2

Temps (s)

Inc

lin

ais

on

(%

)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

-0.5

0

0.5

1

Temps (s)

Ac

cé

léra

tio

n (

m/s

²)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

200 400 600 800 1000 1200

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

ν(t)

γ(t)

(t)

Ensemble de missions

Consommations moyennessur l’ensemble des missions

en fonction du dimensionnement

Identification du dimensionnement

{Pge ; Ebat}minimisant Ccarb

48

Exemple de résultat de l’algorithme

Consommations moyennes pour les 1000 missions urbaines simulées


En considérant les pré-dimensionnements assurant 95% des missionsla consommation est réduite d’un dizième et Pge est divisée par 2

Consommation de carburant moyenne Ccarb (ℓ/100km)Standard

ECE x4Artemisurbain

22 trajetsurbains mesurés

1000 simulations urbaines

Pge = 10 kW mtraction =44 kg 2,80

Ebat = 2 kWhPge = 17 kW mtraction =

83 kg 3,06 3,83Ebat = 4 kWhPge = 10 kW mtraction =

80 kg 3,21 4,07 3,28Ebat = 5 kWhPge = 13 kW mtraction =

104 kg 3,38 4,25 3,46 3,44Ebat = 6 kWh

49

Résultats en fonction de la mission

Contexte Modèle de l’usage d’un véhicule Modèle de la chaîne de traction Pré-dimensionnement d'un véhicule Conclusion

Dimensionnement

Mission

Pré-dimensionnement optimal pour le cycle standard ECE Ne satisfait pas les autres missions urbaines


ECE x4Artemisurbain







104 kg 3,38 4,25 3,46 3,44Ebat = 6 kWh

50



Pré-dimensionnement satisfaisant les cycles ECE et Artemis urbain Non optimal pour le cycle ECE Ne satisfait pas les missions urbaines mesurée et simulées

Dimensionnement

Mission


ECE x4Artemisurbain







104 kg 3,38 4,25 3,46 3,44Ebat = 6 kWh

51



Pré-dimensionnement satisfaisant les cycles ECE, Artemis et mesuré Non optimal pour les cycles standards Ne satisfait pas l’ensemble des missions simulées

Dimensionnement

Mission


ECE x4ArtemisUrbain







104 kg 3,38 4,25 3,46 3,44Ebat = 6 kWh

52



Pré-dimensionnement satisfaisant toutes les missions Pré-dimensionnement optimal pour les simulations Consommation plus élevée pour les autres missions

Pré-dimensionnements optimauxdifférents pour chacune des missions

Qu’en est-il de la structure parallèle ?

Dimensionnement

Mission

53

Type de missionurbaine

Architec-ture

Moteur thermique

Pge / Pmt

(kW)

Batterie

Ebat

(kWh)

Machine électrique

Pme

(kW)

Masse de la chaîne de traction

m(kg)

Consommation de carburant

moyenneCcarb

(ℓ/100km)

StandardECE x4

Série 10 2 8 44 2,80Parallèle 15 2 2 34 2,64

Artemisurbain

Série 17 4 18 83 3,83Parallèle 27 6 17 91 3,87

22 trajetsmesurés

Série 10 5 24 80 3,28Parallèle 13 7 20 83 3,72

1000 simulations

Série 13 6 35 104 3,44Parallèle 30 16 23 167 3,51

Résultats en fonction de l’architecture


-6% de consommation avec la structure parallèleMasse de chaîne de traction inférieure

54


Architec-ture

Moteur thermique

Pge / Pmt

(kW)

Batterie

Ebat

(kWh)

Machine électrique

Pme

(kW)


m(kg)


moyenneCcarb

(ℓ/100km)

StandardECE x4

Série 10 2 8 44 2,80Parallèle 15 2 2 34 2,64

Artemisurbain

Série 17 4 18 83 3,83Parallèle 27 6 17 91 3,87

22 trajetsmesurés

Série 10 5 24 80 3,28Parallèle 13 7 20 83 3,72

1000 simulations

Série 13 6 35 104 3,44Parallèle 30 16 23 167 3,51



Meilleure structure : série Fonctionnement du moteur thermique à son meilleur rendement

dans le groupe électrogène

55


Architec-ture

Moteur thermique

Pge / Pmt

(kW)

Batterie

Ebat

(kWh)

Machine électrique

Pme

(kW)


m(kg)


moyenneCcarb

(ℓ/100km)

StandardECE x4

Série 10 2 8 44 2,80Parallèle 15 2 2 34 2,64

Artemisurbain

Série 17 4 18 83 3,83Parallèle 27 6 17 91 3,87

22 trajetsmesurés

Série 10 5 24 80 3,28Parallèle 13 7 20 83 3,72

1000 simulations

Série 13 6 35 104 3,44Parallèle 30 16 23 167 3,51



Globalement la nature de la mission a plus d’impact sur la consommation que le type de structure choisi

Obtention de résultats différents si masse du châssis réduite

56

AvantagesPas de choix a prioriOutils d’aide à la conceptionRapide (7h pour tester 564 dimensionnements sur 1000 missions de

20min)

Améliorations à apporterAlgorithme basique (plan d’expériences) à optimiserTables des composants testés à resserrerNombre de missions simulées utile à étudier

Synthèse sur le pré-dimensionnement d’un véhicule


Sommaire





57


58

Modèle de l’usage d’un véhicule3 variables contraignantes { ν, γ, }Calcul de proues = f ( mtraction ) possibleGénération de missions aléatoires

vraisemblables

Modèle des composantsGénérique adimensionnelSans choix « a priori »

Stratégie de gestion de l’énergieAdimensionnelleEn ligne (mission de 29h 10s)

Processus de dimensionnement Minimisation de Ccarb

Bilan des travaux


Optimisation du dimensionnement minimisant la consommation énergétique sur un ensemble de missions : « robustesse »

Matrice de Markov

Batterie


Machine électrique

Ccarb S

59

Etude de sensibilité à d’autres critèresDurée de la missionEtat d’énergie initial de la batterieCaractéristiques du châssisConsommation des accessoires

Développer une optimisation multicritèresCoût du systèmeDurée de vie des composants

Optimiser la gestion de l’énergieLois de gestion plus évoluées déjà existantesUtilisation de la matrice de Markov dans une stratégie en ligne

Perspectives


60

Etendre l’étude à d’autres structures de véhiculeVéhicule hybride série-parallèleVéhicule électrique

Etendre l’étude à d’autres types de véhiculeVéhicule à plusieurs organes de stockageVéhicule à pile à combustibleVélo hybride ?

Autres perspectives


Dimensionnement de la chaîne de tractiond’un véhicule électrique hybride

basé sur une modélisation stochastiquede ses profils de mission

Merci de votre attention

Gwenaëlle Souffran

Directeur de thèse : Patrick GuérinEncadrante : Laurence Miègeville

Bilan des forces Force aérodynamique

Fw = ½ Af Cw ν² Force de roulement

Fr = m g Cr cos Force due à l’inclinaison

Fh = m g sin Force d’accélération

Fa = m λ γ

Modèle mécanique

Bilan des forces agissant sur le véhicule

poidsrésistance au

roulement

force d’inertie

force aérodynamique

Paramètre Symbole Valeur

Densité de l’air 1,22 kg/m3

Surface frontale Af 2,7 m²

Coefficient de frottement aérodynamique Cw 0,25

Accélération gravitationnelle g 9,81 m/s²

Coefficient de résistance des roues au roulement Cr 0,018

Facteur de masse λ 1,06

Vitesse Accélération

Traitement des mesures

500 1000 1500 2000 2500 3000 3500 4000 4500 50000

20

40

60

80

100

Temps (s)

Vit

esse

(km

/h)

Vitesse mesuréeVitesse filtrée

500 1000 1500 2000 2500 3000 3500 4000 4500 5000-1

-0.5

0

0.5

Temps (s)

Acc

élér

atio

n (

m/s

²)

Filtrage Matlab“filtfilt” aller-retour(pas de déphasage)sur 10 points

Altitude Inclinaison de la route

Traitement des mesures

20 40 60 80 100 120

-20

0

20

40

60

80

Distance (km)

Alt

itu

de

(m)

Altitude mesuréeAltitude interpolée

500 1000 1500 2000 2500 3000 3500 4000 4500 5000

-20

0

20

40

60

80

Temps (s)

Alt

itu

de

(m)

0 20 40 60 80 100 120

-6

-4

-2

0

2

4

Distance (km)

Incl

inai

son

(%

)

Inclinaison interpoléeInclinaison filtrée

500 1000 1500 2000 2500 3000 3500 4000 4500 5000

-4

-2

0

2

4

Temps (s)

Incl

inai

son

(%

)

1) Profil temporel de l’altitude

2) Altitude = f (Distance)

3) Inclinaison = f (Distance)

4) Profil temporel d’inclinaison

Interpolation tous les 100m

Filtrage “filtfilt”

65

Nombres maximaux d’états par variable

Choix des nombres optimaux selon 3 facteurs :erreur relative en puissance maximale ≤ 3%erreur relative en puissance moyenne ≤ 1%nombre d’états minimisé pour un modèle le plus léger possible

soit 40x80x50 = 160 000 états possiblesréduits à 19 805 (-88%) apparaîssant au cours de la mission

Choix du nombre d’états de la modélisation par Markov

1201,0

12))(min())(max(

111036,0

4))(min())(max(

1300001,0

130))(min())(max(

max

max

max

précision

ttnb

précision

ttnb

précision

ttnb

inc

acc

vit

50;80;40 urbainurbainurbain incaccvit nbnbnb

Validation de la corrélation entre les variables (extra-urbain)

=f()

=f()

Indicateurs de caractérisation des missions

Distribution des simulations urbaines

Distribution des simulations

t

moyrouesbat

batbatu

rouesmax

rouesmoy

dPpte

teteE

tpP

tpP

0))(()(

))(min())(max(

))(max(

))(moy(

u

moymax

max

moy

E

PPPHE

P

PPHP

1

Distribution des simulations

Puissance carburant (kW)

Energie carburant (kWh)

Coefficient d’ajustement

Variation de l’état d’énergie

Consommation de carburant (ℓ/100km)

Calcul de la consommation

Initialisation des variables d’optimisation

- Dimensionnement des composants { Pge ; Ebat ; Pme }

- Architecture de la chaîne de traction { Série }

Calcul de la masse du véhicule

m = f ( mchâssis, Pge, Ebat, Pme )

Calcul de la consommation de carburant

Ccarb = f ( Ecarb, (t) )

Calcul de l’énergie carburant consommée

Ecarb = f ( pge(t), ge, SOE(t) )

Calcul de la puissance aux roues

proues(t) = f ( (t), (t), (t), m, Af, Cw, Cr, )

Application de la stratégie de gestion de l’énergie

{ pge(t) ; SOE(t) } = f ( proues(t), Pge, Ebat, Pme )

Initialisation des données d’entrée du modèle

- Mission du véhicule { (t) ; (t) ; (t) }

- Technologie des composants { Diesel ; MSAP ; Li-ion }

- Stratégie de gestion de l’énergie { Modes de gestion }

- Paramètres du châssis { mchâssis ; Af ; Cw ; Cr ; }

100 150 200 250 300 350 400 4500

50

100

150

200

250

0.05

0.05

0.05 0.05

0.05

0.05

0.05 0.05 0.05

0.1

0.1

0.1 0.1

0.1

0.1

0.1 0.10.1

0.15

0.15

0.15 0.15

0.15

0.15

0.15 0.150.15

0.2

0.2

0.20.2

0.2

0.2

0.20.2

0.2

0.25

0.25

0.250.25

0.25

0.25

0.25 0.250.25

0.3

0.3

0.3

0.3

0.3

0.3

0.3

0.30.3

0.35

0.35

0.35

0.35

0.35

0.350.35

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


Moteur thermique (Diesel)

0 20 40 60 80 1000

5

10

15

20

25

30

35

40

45

50

Puissance (% Pmt)

Re

nd

em

en

t m

oy

enn

é (%

)


100 150 200 250 300 350 400 4500

50

100

150

200

250

0.05

0.05

0.05 0.05

0.05

0.05

0.05 0.05 0.05

0.1

0.1

0.1 0.1

0.1

0.1

0.1 0.10.1

0.15

0.15

0.15 0.15

0.15

0.15

0.15 0.150.15

0.2

0.2

0.20.2

0.2

0.2

0.20.2

0.2

0.25

0.25

0.250.25

0.25

0.25

0.25 0.250.25

0.3

0.3

0.3

0.3

0.3

0.3

0.3

0.30.3

0.35

0.35

0.35

0.35

0.35

0.350.35

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


100 150 200 250 300 350 400 4500

50

100

150

200

250

0.05

0.05

0.05 0.05

0.05

0.05

0.05 0.05 0.05

0.1

0.1

0.1 0.1

0.1

0.1

0.1 0.10.1

0.15

0.15

0.15 0.15

0.15

0.15

0.15 0.150.15

0.2

0.2

0.20.2

0.2

0.2

0.20.2

0.2

0.25

0.25

0.250.25

0.25

0.25

0.25 0.250.25

0.3

0.3

0.3

0.3

0.3

0.3

0.3

0.30.3

0.35

0.35

0.35

0.35

0.35

0.350.35

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


100 150 200 250 300 350 400 4500

50

100

150

200

250

0.05

0.05

0.05 0.05

0.05

0.05

0.05 0.05 0.05

0.1

0.1

0.1 0.1

0.1

0.1

0.1 0.10.1

0.15

0.15

0.15 0.15

0.15

0.15

0.15 0.150.15

0.2

0.2

0.20.2

0.2

0.2

0.20.2

0.2

0.25

0.25

0.250.25

0.25

0.25

0.25 0.250.25

0.3

0.3

0.3

0.3

0.3

0.3

0.3

0.30.3

0.35

0.35

0.35

0.35

0.35

0.350.35

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)


Cartographies de différents moteurs thermiques

Modèle générique d’un moteur thermique

Cartographies de différents moteurs thermiques(base de données Matlab PSAT)

100 150 200 250 300 350 400 4500

50

100

150

200

250

0.0

5

0.05

0.05 0.05

0.05

0.0

5

0.05 0.05 0.05

0.1

0.1

0.1 0.1

0.1

0.1

0.1 0.10.1

0.1

5

0.1

5

0.15 0.15

0.15

0.15

0.15 0.150.15

0.2

0.2

0.20.2

0.2

0.2

0.20.2

0.2

0.25

0.2

5

0.250.25

0.25

0.25

0.25 0.250.25

0.3

0.3

0.3

0.3

0.3

0.3

0.3

0.30.3

0.35

0.3

5

0.35

0.35

0.35

0.350.35

0.4

0.4

Vitesse (rad/s)

Co

up

le (

Nm

)

Iso-rendementsIso-puissance nominale (81kW)Iso-puissance 50%Iso-puissance 10%1. Moyenne des rendements par iso-

puissance pour chaque moteur

2. Moyenne de ces courbes de rendements pour obtenir le modèle générique

Influence de la température sur le modèle générique de la batterie

Température

0°C

25°C

41°C

-100 -50 0 50 100

40

60

80

100

0.8

0.8

0.8

0.85

0.8

5

0.8

5

0.9

0.9

0.9

0.925 0.92

50.

925

0.9250

.95

0.95

0.95 0.95

0.95

0.9

5

0.9

7

0.970.97 0.

970.

97

0.97

0.9

90.99

0.9

9 0.9

90

.99

0.99

Puissance (% Pbat)É

tat

de

char

ge

(%)

-100 -50 0 50 100

40

60

80

100

0.8

0.8

0.8

0.85

0.8

5

0.85

0.9

0.9

0.9 0.9

0.9

0.90.925

0.92

5

0.925 0.92

5

0.925

0.92

50.9

5

0.95

0.95 0.95

0.95

0.950.97

0.9

7

0.97 0.97

0.97

0.9

70.990.

990.99 0

.99

0.99

0.9

9

Puissance (% Pbat)

Éta

t d

e ch

arg

e (%

)

-100 -50 0 50 100

40

60

80

100

0.8

0.8

0.8

0.85

0.8

50.

850.9 0.

90.

90.

90.9

25

0.925

0.925 0.92

50.

925

0.92

50.950.95

0.95 0.95

0.95

0.9

50.9

70

.97

0.97 0.97

0.97

0.9

70.990

.99

0.9

9 0.99

0.9

90

.99

Puissance (% Pbat)

Éta

t d

e ch

arg

e (%

)

Influence de la température sur le modèle générique de la batterie

Température

0°C

25°C

41°C

-100 -50 0 50 10075

80

85

90

95

100

Puissance (% Pbat)R

end

emen

t (%

)

déchargecharge

-100 -50 0 50 10075

80

85

90

95

100

Puissance (% Pbat)

Ren

dem

ent

(%)

déchargecharge

-100 -50 0 50 10075

80

85

90

95

100

Puissance (% Pbat)

Ren

dem

ent

(%)

déchargecharge

Machines électriques

Composants de la base de données PSAT (Argonne)

N° Type Puissance nominale (kW) Puissance maximale (kW) Véhicule

1 MSAP 7 14,2 Accord

2 MSAP 7 15 Prius

3 MSAP 10 10 Insight

4 MSAP 17 33 Escape MG2

5 MSAP 25 50 Prius

6 MSAP 32 45

7 MSAP 33 65 Escape MG1

8 MSAP 35 70

9 MSAP 36 75

10 MSAP 49 49 Honda

11 MSAP 55 100

12 MSAP 55 105

13 MSAP 58 58

Moteurs thermiques


N° Type Cylindrée (l) Puissance (kW) Véhicule

1 Diesel 1,7 75 Mercedes Classe A

2 Diesel 1,7 75 Mercedes Classe A

3 Diesel 1,8 75

4 Diesel 1,8 75

5 TDI 1,9 66 Volkswagen

6 Diesel 1,9 60

7 TDI 1,9 67 Volkswagen

8 Diesel 1,9 110 General Motor

9 HDI 2 81 PSA

10 CIDI 2,2 92 Mercedes OM611

11 TDI 2,5 88 Audi

Moteurs thermiques pour groupe électrogène


N° Type Cylindrée (l) Puissance (kW) Véhicule

1 Diesel 10,8 246 Cummins

2 Diesel 12 321 Caterpillar

3 Diesel 15 324 Caterpillar

Résultats de pré-dimensionnementstructure parallèlemissions extra-urbaines

Influence des caractéristiques du châssis

Mission Cw mchâssis

(kg)Inclinaison Pmt

(kW)Ebat

(kWh)Pme

(kW)mtraction

(kg)Ccarb

(l/100km)

Mesureextra-urbaine

0,25 1400

Avec 26 5 12 78 4,97

Sans 27 3 10 64 4,85

0,20 1400 Avec 23 3 12 61 4,50

0,25 500 Avec 19 2 12 43 3,39

Simulationsextra-urbaines

1000x2h0,25 1400 Avec 28 4 13 75 5,01

Pré-dimensionnement – structure série – mission extra-urbaine mesurée

Influence de l’inclinaison

Inclinaison prise en compte Inclinaison non prise en compte

Pré-dimensionnement – structure série – mission urbaine mesurée

Trajets urbains mesurés concaténés / séparés

Trajets mesurés concaténés

22 trajets séparément (recharge de la batterie entre chaque trajet)

Pré-dimensionnement {6kW ; 21kWh} – structure série – mission urbaine mesurée


Trajets mesurés concaténés

0 1 2 3 4 5 6 7 8 9 10

x 104

-20

0

20

40

Pu

iss

an

ce

(k

W)

pme

pge

0 1 2 3 4 5 6 7 8 9 10

x 104

-20

0

20

40

Pu

iss

an

ce

(k

W)

pme

pbat

0 1 2 3 4 5 6 7 8 9 10

x 104

40

60

80

100

SO

E (

%)

Temps (s)



0 1000 2000 3000 4000 5000 6000 7000 8000-50

0

50

Pu

iss

an

ce

(k

W) p

me

pge

0 1000 2000 3000 4000 5000 6000 7000 8000-50

0

50

Pu

iss

an

ce

(k

W) p

me

pbat

0 1000 2000 3000 4000 5000 6000 7000 800040

60

80

100

SO

E (

%)

Temps (s)

Trajet n°15 contraignant



0 1000 2000 3000 4000 5000 6000 7000 8000-50

0

50

Pu

iss

an

ce

(k

W) p

me

pge

0 1000 2000 3000 4000 5000 6000 7000 8000-50

0

50

Pu

iss

an

ce

(k

W) p

me

pbat

0 1000 2000 3000 4000 5000 6000 7000 800040

60

80

100

SO

E (

%)

Temps (s)

Trajet n°15 contraignant

83

84

85

Exemple du cycle de référence européen urbain ECE Parfaitement défini Simple Profil de vitesse non réaliste ! Inclinaison non prise en compte…

Exemple du cycle de référence Artemis urbain Parfaitement défini Réalisme (mesures >1000h et >7000 véhicules) Cycle unique pour représenter une mission Inclinaison non prise en compte…

Cycles de conduite de référence

0 50 100 150 2000

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

0 200 400 600 8000

10

20

30

40

50

60

Temps (s)

Vit

es

se

(k

m/h

)

87

Transports : Quelles solutions ?


CritèreVéhicule

électriqueà PAC (H)

Véhicule électriqueà batterie

Véhicule à moteur à

combustion

Véhicule électrique

hybrideBicyclette

Energie embarquée

Rendement

Rejet de polluants

Recyclage

Maintenance

Durée de vie Sécurité

Autonomie NOTE 0 1 2 3 6

Véhicule hybride : un compromis…

0 20 40 60 80 100 120-10

-5

0

5

10

15

20

25

30

35


Pu

iss

an

ce

(k

W)


-0.5 0 0.5-10

-5

0

5

10

15

20

25

30

35


Pu

iss

an

ce

(k

W)

-5 0 5-10

-5

0

5

10

15

20

25

30

35


Pu

iss

an

ce

(k

W)

500 1000 1500-10

-5

0

5

10

15

20

25

30

35

Masse du véhicule (kg)

Pu

iss

an

ce

(k

W)




m=1500kgγ=0m/s²=0%



Sensibilité de Proues à la masse

m=1500kgν=90km/h=0%

ν=90km/hγ=0m/s²=0%

3%

+100%

0,3 m/s²

+100%

3

+50%

Variation quadratique

120 km/h

28 kW

Variation linéaire

Variation linéaire Variation linéaire

88

0 20 40 60 80 100 120-800

-600

-400

-200

0

200

400

600

800


Fo

rce

s (

N)

Fw

: grande variation

Fr : constante

Fh : nulle

Fa : nulle

Analyse de sensibilité (Forces)

-0.5 0 0.5-800

-600

-400

-200

0

200

400

600

800


Fo

rce

s (

N)

Fw

: constante

Fr : constante

Fh : nulle

Fa : grande variation

-5 0 5-800

-600

-400

-200

0

200

400

600

800


Fo

rce

s (

N)

Fw

: constante

Fr : constante

Fh : grande variation

Fa : nulle

500 1000 1500-800

-600

-400

-200

0

200

400

600

800

Masse du véhicule (kg)

Fo

rce

s (

N)

Fw

: constante

Fr : faible variation

Fh : nulle

Fa : nulle


Sensibilité des forces à la vitesse

Sensibilité des forces à l’inclinaison

m=1500kgγ=0m/s²=0%


Sensibilité des forces à l’accélération

Sensibilité des forces à la masse

m=1500kgν=90km/h=0%

ν=90km/hγ=0m/s²=0%

89

Documents

Dimensionnement de la chaîne de traction dun véhicule électrique hybride basé sur une modélisation stochastique de ses profils de mission Gwenaëlle Souffran