Fiche individuelle

Optimal energy management for electrified vehicles can be achieved with a prior understanding of the velocity profile, whose prediction accuracy is influenced by the stochastic uncertainty of real driving cycles. This paper proposes a new state of charge planning method for plug-in hybrid electric trucks. The strategy eliminates the need for velocity prediction and relies solely on some readily available signals, such as estimated remaining distance and travel time. This exemption from velocity prediction avoids expensive computational costs, making it possible to use a more affordable processor. To test the strategy, four random driving cycles representing two different vocational uses are selected. The results show that the proposed strategy only increases fuel consumption by 1.3% for unknown urban and long-haul delivery cycles compared to the optimal strategy. Additionally, a sensitivity study reveals the robustness of the method on inaccurate navigation signals. These findings demonstrate that the proposed method is efficient and adaptive, making it suitable for existing truck applications without the need for additional hardware.

Le système de Machines Connectées Modulaires (MCM) est un type même système multi-machine, dans lequel plusieurs machines électriques sont intégrées dans un module. Il possède une zone à haute efficacité plus large, une meilleure capacité de tolérance aux pannes et de nombreux modes de fonctionnement. Il a des perspectives possibles dans le domaine des véhicules électrifiés. L'objectif de cette thèse est de développer différents systèmes MCM pour véhicules électrifiés.Pour cela, cette thèse organise tout d'abord le modèle et la commande d'un véhicule à base de MCM via la Représentation Energétique Macroscopique (REM). L'utilisation de la REM met l'accent sur les couplages importants, qui distribuent de l'énergie. Par le biais de règles d'inversion, la REM souligne la nécessité d'introduire des critères de répartition de l'énergie dans la structure de commande. Ensuite, une méthode de calcul rapide de la cartographie de rendement pour différentes machines électriques est proposée. L'élimination de la préconception de machine électrique permet de gagner beaucoup de temps, ce qui jette les bases du dimensionnement de MCM. En suite, une méthode de dimensionnement basée sur plusieurs objectifs est proposée, pour assurer une zone à haute efficacité plus large, une densité de couple plus grande et un volume d'aimant permanent moins important. Les intérêts de différents MCM pour différents véhicules sont comparés et analysés. Enfin, deux stratégies de répartition de la puissance au sein du MCM sont développées sur la base de la stratégie d'efficacité optimale. Elles sont comparées en termes d'efficacité et de condition de fonctionnement. Une configuration Hardware-In-the-Loop (HIL) à échelle réduite est établie et les stratégies sont validées en temps réel.