FR3119040A1 - Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile - Google Patents

Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile Download PDF

Info

Publication number
FR3119040A1
FR3119040A1 FR2100511A FR2100511A FR3119040A1 FR 3119040 A1 FR3119040 A1 FR 3119040A1 FR 2100511 A FR2100511 A FR 2100511A FR 2100511 A FR2100511 A FR 2100511A FR 3119040 A1 FR3119040 A1 FR 3119040A1
Authority
FR
France
Prior art keywords
data
motor vehicle
energy consumption
parameter
driving
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
FR2100511A
Other languages
English (en)
Inventor
Mohamed Oumri
Zineb Bouchikhi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PSA Automobiles SA
Original Assignee
PSA Automobiles SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PSA Automobiles SA filed Critical PSA Automobiles SA
Priority to FR2100511A priority Critical patent/FR3119040A1/fr
Publication of FR3119040A1 publication Critical patent/FR3119040A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/06—Combustion engines, Gas turbines
    • B60W2510/0638—Engine speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/08—Electric propulsion units
    • B60W2510/081—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/24—Energy storage means
    • B60W2510/242—Energy storage means for electrical energy
    • B60W2510/244—Charge state
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/24—Energy storage means
    • B60W2510/242—Energy storage means for electrical energy
    • B60W2510/246—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/209—Fuel quantity remaining in tank
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal position
    • B60W2540/106—Rate of change
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/12—Brake pedal position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/16—Ratio selector position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/16—Ratio selector position
    • B60W2540/165—Rate of change
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/406—Traffic density
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/05—Big data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

Méthode pour prédire la consommation énergétique d'un véhicule automobile, comprenant les étapes suivantes- collecte de données de roulage provenant d'au moins un véhicule automobile, ces données comprenant des données d'un paramètre lié au véhicule automobile, des données d'un paramètre lié à un contexte de conduite, des données d’ un paramètre lié à un mode de conduite, des données de consommation énergétique de ce véhicule automobile; - analyse des données de roulage collectées, cette étape comprenant un calcul d'un coefficient de corrélation entre les données de consommation énergétique et, respectivement, les données des paramètres, cette étape d'analyse comprenant, en outre, une sélection sur la base des coefficients de corrélation calculés d'au moins un paramètre; - apprentissage automatique d'un modèle de prédiction de la consommation énergétique au moyen des données de consommation énergétique et des données du paramètre sélectionné. Figure pour l’abrégé : Fig.2

Description

Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile
La présente invention a trait aux méthodes de prédiction de la consommation énergétique d'un véhicule automobile au moyen des techniques d'apprentissage automatique.
La prédiction de la consommation d'énergie d'un véhicule automobile, qu'il soit électrique, hybride ou thermique, est d'une importance clé pour une gestion optimale de l’énergie embarquée. Une estimation de la consommation future d'un véhicule automobile permet, en effet, de dimensionner convenablement les sources d'énergie (accumulateur, réservoir de carburant), d'utiliser de façon optimale l'énergie à bord du véhicule, ainsi que de réduire les émissions polluantes qui sont directement liées à la consommation du véhicule.
A cet égard, il existe des méthodes de prédiction de la consommation énergétique basées sur des modèles de consommation prédéfinis de différents organes du véhicule automobile tel qu'un modèle de la chaîne de traction permettant d’estimer la consommation d’énergie pour un point de fonctionnement donné du moteur électrique ou thermique. Un inconvénient majeur de ces méthodes est qu'elles sont, pour la plupart, basées sur des modèles déterministes qui n'intègre aucune information sur le contexte de conduite futur.
D'autres méthodes de prédiction intégrant des facteurs externes au véhicule automobile existent. Ces dernières reposent sur des paramètres considérés comme étant les plus influents sur la consommation de l'énergie dans un véhicule automobile. Les facteurs les plus souvent retenus sont des paramètres liés au véhicule automobile et/ou le type de la route.
Cependant, ces méthodes de prédiction se limitent aux facteurs les plus explicites et ne couvrent pas l’ensemble des facteurs susceptibles d'influencer la consommation de l’énergie embarquée. En outre, ces facteurs sont souvent considérés, dans les modèles de prédiction existants, comme étant indépendants, alors que certains sont corrélés ou n'influencent la consommation énergétique que couplés à d'autres facteurs (tels que la masse du véhicule et son profil aérodynamique, ou des facteurs fortement dépendants du contexte de conduite). Une éventuelle corrélation entre les facteurs utilisés par ces modèles de prédiction rend leurs résultats instables.
Par ailleurs, les valeurs des facteurs utilisés peuvent être entachées d’imprécision ou être partiellement indisponibles. Les causes en sont multiples telles qu'un dysfonctionnement des capteurs embarqués, l'indisponibilité d'un signal ou des données qui ne peuvent être connues que de manière partielle ou incertaine (comme les conditions du trafic ou les prévisions météorologiques). La précision de prédiction d'un modèle destiné à recevoir un jeu de données précis se trouve, ainsi, dégradée.
Un objet de la présente invention est de remédier aux inconvénients précités.
Un autre objet de la présente invention est de proposer des méthodes de prédiction de la consommation énergétique d'un véhicule automobile prenant en considération le plus possible de paramètres influençant directement ou indirectement la consommation d'énergie embarquée.
A cet effet, il est proposé une méthode pour prédire la consommation énergétique d'un premier véhicule automobile, comprenant les étapes suivantes
- collecte de données de roulage provenant d'au moins un véhicule automobile, ces données de roulage comprenant des données d'au moins un premier paramètre lié audit au moins un véhicule automobile, des données d'au moins un deuxième paramètre lié à un contexte de conduite dudit au moins un véhicule automobile, des données d'au moins un troisième paramètre lié à un mode de conduite dudit au moins un véhicule automobile, des données de consommation énergétique dudit au moins un véhicule automobile;
- analyse des données de roulage collectées, cette étape comprenant un calcul d'un coefficient de corrélation entre les données de consommation énergétique dudit au moins un véhicule automobile et, respectivement, les données dudit au moins un premier paramètre, les données dudit au moins un deuxième paramètre, les données dudit au moins un troisième paramètre, cette étape d'analyse comprenant, en outre, une sélection sur la base des coefficients de corrélation calculés d'au moins un paramètre parmi ledit au moins un premier paramètre, ledit au moins un deuxième paramètre, ledit au moins un troisième paramètre ;
- apprentissage automatique d'un modèle de prédiction de la consommation énergétique au moyen des données de consommation énergétique dudit au moins un véhicule automobile et des données dudit au moins un paramètre sélectionné ;
- prédiction au moyen du modèle de prédiction de la consommation énergétique dudit premier véhicule automobile à partir de données de roulage provenant de ce premier véhicule automobile.
Diverses caractéristiques supplémentaires peuvent être prévues, seules ou en combinaison :
- le modèle de prédiction est un réseau de neurones ;
- le modèle de prédiction est un réseau de neurones convolutifs ;
- les données de consommation énergétique dudit au moins un véhicule automobile sont des données de consommation en électricité ;
- les données de consommation énergétique dudit au moins un véhicule automobile sont des données de consommation en carburant ;
- le premier paramètre est choisi parmi une liste comprenant la température instantanée d'une batterie de traction équipant ledit au moins un véhicule automobile, le régime moteur dudit au moins un véhicule automobile, la vitesse instantanée dudit au moins un véhicule automobile ;
- le deuxième paramètre est choisi parmi une liste comprenant une densité du trafic routier, des conditions climatiques, le type de route emprunté par ledit au moins un véhicule automobile ;
- le troisième paramètre est choisi parmi une liste comprenant la vitesse d’enfoncement des pédales d’accélération et/ou de frein dudit au moins un véhicule automobile, le changement de rapport de vitesse dudit au moins un véhicule automobile ;
- les données de consommation énergétique comprennent l'état de charge instantané d'une batterie de traction équipant ledit au moins un véhicule automobile ;
- les données de consommation énergétique comprennent le niveau instantané de carburant dans ledit au moins un véhicule automobile.
D'autres caractéristiques et avantages de l'invention apparaîtront plus clairement et de manière concrète à la lecture de la description ci-après de modes de réalisation, laquelle est faite en référence aux dessins annexés dans lesquels :
la figure illustre schématiquement des étapes d'une méthode pour prédire la consommation énergétique d'un véhicule automobile selon divers modes de réalisation;
la figure illustre schématiquement une mise en œuvre d'une méthode pour prédire la consommation énergétique d'un véhicule automobile selon divers modes de réalisation.
En se référant aux figures annexées, il est affiché des étapes d'une méthode de prédiction de la consommation énergétique d'un véhicule1automobile. Cette méthode comprend une étape10de collecte de données de roulage (ou d'observation de données de roulage) depuis une pluralité de véhicules1-4automobiles. Pour cela, chacun des véhicules1-4automobiles est équipé d'une pluralité de capteurs configurés pour mesurer des données prédéfinies et d’au moins une interface de communication (tel qu'une ou plusieurs connexions cellulaires) configurée pour communiquer ces données à une base de données de roulage5.
La base de données de roulage5est, dans un mode de réalisation, une base de données massive (plus connue sous le nom anglais « Big Data») comprenant des données de roulage issues de divers véhicules1-4automobiles (électriques, hybrides ou thermiques) circulant sur différents trajets ou routes. On entend, ici, par véhicule1-4automobile tout moyen de transport routier, ferroviaire, aérien ou maritime ayant une consommation énergétique tel qu’un autobus, un camion, un véhicule particulier, un véhicule utilitaire, une moto, un train, un avion ou un bateau.
La base de données de roulage5est apte à agréger des données de roulage provenant de différents véhicules1-4automobiles. De façon générale, les données de roulage collectées correspondent à la définition des données massives (ou Big Data) dans la mesure où elles répondent aux caractéristiques de volume, de vélocité (notamment, sous forme de flux), de variété, ou encore de véracité. La base de données de roulage5comprend, dans un mode de réalisation, des unités de traitement informatique telles que des bases de données pourvues d'interfaces d’acquisition et/ou de processeurs configurés pour collecter des données de roulage issues d'une pluralité de véhicules1-4automobiles.
Les données de roulage issues d'un véhicule1automobile comprennent des données ou des valeurs de paramètres (attributs ou, en anglais, « features ») liés à ce véhicule1automobile, des données de paramètres liés au contexte de conduite de ce véhicule1automobile, et des données de paramètres liés au mode (ou au style) de conduite de ce véhicule1automobile. Ces données de roulage sont, dans un mode de réalisation, communiquées de manière anonyme, à la base de données de roulage5. Des données à caractère personnel (telle que le numéro d'immatriculation du véhicule1automobile) se rapportant à une personne physique identifiée ou identifiable ne sont, de préférence, pas communiquées à la base de données de roulage5.
Des paramètres liés au véhicule1automobile peuvent être choisis parmi la liste comprenant l'accélération/décélération longitudinale, le régime moteur (en tr/min), le couple moteur, la vitesse instantanée du véhicule, l'énergie cinétique du véhicule, la position de la pédale d’accélération, le nombre de kilomètres parcourus par tranche de vitesse de 5km/h par type de route (ville, route, autoroute), le nombre de kilomètres cumulés par type de route (ville, route, autoroute), le nombre d'arrêt/démarrage moteur par kilomètre par type de route (ville, route, autoroute), la consommation électrique récupérée par cent kilomètres, un coefficient de traînée aérodynamique, la consommation énergétique (en électricité et/ou en carburant par exemple) moyenne par 100 Km, l’état du groupe motopropulseur (GMP) d’un véhicule hybride, au moins un paramètre relatif à la batterie de traction, au moins un paramètre relatif au carburant (type, qualité, demande d’ouverture de la trappe à carburant), un paramètre relatif à la batterie 12 V, un paramètre du système de confort thermique, un paramètre du réseau basse-tension ou du réseau de bord du véhicule automobile, la vitesse moyenne cumulée par type de route (ville, route, autoroute), la pression des pneus, la résistance au roulement des pneus, la consommation en électricité ou en carburant sur un nombre prédéfini des derniers trajets, la consommation électrique récupérée sur un nombre prédéfini des derniers trajets, la demande d’activation et le rapport du diagnostique, l'état du dispositif électronique anti-patinage, ou l’état du dispositif de stabilité du véhicule automobile.
Parmi les paramètres relatifs à une batterie, on cite, à titre d'exemples, son état de charge (ou SOC pour « State Of Charge »), le niveau de SOC en début et à la fin de recharge, son état de santé (ou SOH pour « State Of Health »), son état d'énergie (ou SOE pour « State Of Energy »), son état de sécurité (ou SOS pour « State Of Safety »), son état de puissance (ou SOP pour « State Of Power »), sa température instantanée, la tension à ses bornes, l'intensité de son courant, sa tension à vide, son impédance, ou sa résistance.
Les paramètres liés au véhicule1automobile peuvent, en outre, comprendre ses données de position (fournies par un système de géolocalisation et/ou de navigation embarqué), son type de motorisation (Diesel, Essence, bicarburation, hybride, ou électrique par exemple), sa puissance, sa date de la mise en circulation, sa catégorie (particulier, utilitaire, poids lourd par exemple), son poids, ou son autonomie électrique.
Par ailleurs, les paramètres liés au contexte de conduite (c'est-à-dire, aux conditions opérationnelles d’exploitation du véhicule1automobile ou à l’environnement de conduite) comprennent, par exemple,
- la densité du trafic routier (trafic fluide, un bouchon, un véhicule arrêté sur la chaussée, un accident, des travaux sur la route);
- des conditions climatiques ou météorologiques (température extérieure, forte pluie, vent, vent traversier, vent de face, brouillard, brouillard givrant, enneigement, ou verglas par exemple);
- un paramètre lié au tronçon de route emprunté (un segment de route de quelques mètres à plusieurs kilomètres) telles que son type (milieu urbain, voie rapide, autoroute, ou route de montagne par exemple), une limitation de vitesse applicable, le nombre de voies, des règles de la circulation routière (une priorité à droite, un cédez-le-passage, une zone de danger, des feux tricolores, un Stop, un ralentisseur dos-d’âne, ou des barrières de péage par exemple), l’allure ou la configuration du tronçon (par exemples un virage serré, une pente, une succession de virages, un rond-point, un carrefour, un passage à niveau, des qualités du revêtement routier sur ce tronçon de route responsables de ralentissements puis d’accélérations).
Dans un mode de réalisation, des données de paramètres liés au contexte de conduite du véhicule1automobile sont déterminées à partir des données de position du véhicule1automobile en combinaison avec des données d'une base de données cartographique centrale ou embarqué dans un dispositif de navigation équipant le véhicule1automobile. La route est, dans un mode de réalisation, décomposée en tronçons classés en catégories énergétiques selon sa configuration (pente/descente d'une certaine inclinaison, virage, ligne droite) et/ou la vitesse maximale qui y est autorisée, et/ou son type (urbain, inter-urbain, autoroute, ou route de montagne par exemple).
Les données de roulage collectées comprennent, en outre, des données de paramètres liés à un mode ou à un style de conduite adopté par le conducteur du véhicule1automobile (un profil conducteur). Ces paramètres peuvent comprendre, par exemple, la vitesse d’enfoncement des pédales d’accélération et/ou de frein, le type de freinage (brusque ou anticipé), un type d'accélération (lisse ou agressive), la durée moyenne de conduite sans arrêt, la fréquence des arrêts/démarrage, utilisation du frein moteur, le changement de rapport de vitesse, la variation de la commande de la vitesse (c.à.d. l'instabilité de la vitesse), ou plus généralement toute autre donnée permettant de classifier un mode de conduite en, par exemple, une conduite sportive, une conduite nerveuse, une conduite normale, ou une conduite économique.
Le mode de conduite du véhicule1automobile peut, en outre, être un mode de conduite supporté par le véhicule1automobile et sélectionné par le conducteur tel qu'un mode automatique, un mode sport, un mode zéro émission, un mode quatre roues motrices, ou un mode hybride. Des données concernant le temps passé sur certains ou chacun de ces modes de conduite peuvent également être collectées.
Les données de roulage collectées comprennent des données de consommation énergétique en électricité et/ou en carburant des véhicules1-4automobiles. Ces données de consommation énergétique sont, de préférence, des données de consommation instantanée ou des données de consommation moyenne sur une distance prédéfinie (5, 10 ou 20 mètres par exemple). Une pluralité de capteurs embarqués peuvent être envisagés pour mesurer ces données de consommation énergétique telles que l'état de charge instantané d'une batterie de traction, l'état de charge instantané d'une batterie 12 V, le niveau instantané de carburant, ou la consommation énergétique instantanée d'un système de confort thermique ou d'un réseau basse-tension du véhicule automobile. Ces données de consommation énergétique sont communiquées à la base de données de roulage5en association avec les données des paramètres en observation.
La consommation énergétique d'un véhicule1automobile est supposée dépendre de plusieurs paramètres (aussi appelées attributs, caractéristiques, variables explicatives ou, en anglais, « features ») qui peuvent relever des trois catégories de paramètres présentées ci-dessus, à savoir des paramètres liés au véhicule1automobile, des paramètres liés au contexte de conduite ou des paramètres liés au mode de conduite de ce véhicule1automobile.
Pour identifier les paramètres influençant la consommation énergétique d'un véhicule1automobile, une étape11d’analyse ou d’exploration des données de roulage collectées (dite « feature selection» ou encore «feature extraction» selon des terminologies anglo-saxonnes) des données de roulage collectées comprend le calcul d'un coefficient de corrélation entre les données de consommation énergétique du véhicule1automobile et, respectivement, les données des différents paramètres. Le coefficient de corrélation entre les données de consommation énergétique et les données d'un paramètre est, dans un mode de réalisation, égal à la covariance des données de consommation énergétique et des données dudit paramètre divisée par le produit des écarts-type des données de consommation énergétique et des données dudit paramètre.
Ce calcul de corrélation vise à déterminer s'il existe une relation entre la consommation énergétique et les autres paramètres dont des données sont collectées dans la base de données de roulage5. Le coefficient de corrélation calculé (négative ou positive) permet, en effet, d'identifier les paramètres qui influencent la consommation de l’énergie embarquée. Les coefficients de corrélation calculés permettent de déterminer les paramètres les plus influents sur la consommation énergétique du véhicule1automobile.
Cette étape11d'analyse des données de roulage collectées comprend, en outre, la sélection sur la base des coefficients de corrélation calculés d'au moins un paramètre parmi les paramètres dont des données sont collectées. Les paramètres sélectionnés sont, par exemple, ceux ayant un coefficient de corrélation avec les données de consommation énergétique supérieur en valeur absolue à une valeur prédéfinie (0.05, 0.1, 0.2, ou 0.3 par exemple). Les paramètres sélectionnés sont considérés explicatifs de la consommation énergétique. Dans un mode de réalisation, seuls les paramètres ayant un impact significatif sur la consommation énergétique (un coefficient de corrélation supérieur en valeur absolue à un seuil prédéfini) sont sélectionnés. En alternative, tous les paramètres ayant un coefficient de corrélation non nul avec les données de consommation énergétique sont sélectionnés à l'effet de prendre en compte un maximum de paramètres qui influencent la consommation de l’énergie embarquée.
Dans un mode de réalisation, cette étape11d'analyse met, par exemple, en évidence une corrélation entre la consommation électrique et, entre autres, la température de la batterie, le régime moteur, l'instabilité de la vitesse du véhicule automobile, l'accélération agressive, et la densité du trafic (en considérant des coefficients de corrélation supérieurs à 0.3 ou inférieurs à -0.3). Dans un autre mode de réalisation, la consommation électrique est, en outre, corrélée avec le poids du véhicule automobile, et/ou la pression des pneus.
Un module6d'analyse des données de roulage est configuré pour déterminer par corrélation les paramètres ayant un impact sur la consommation de l'énergie embarquée. Ce module6d'analyse comprend des unités de traitement informatique intégrant des instructions pour calculer un coefficient de corrélation entre les données de consommation énergétique et les données des paramètres observés. Les paramètres sélectionnés par le module6d'analyse sont considérés pertinents pour la prédiction de la consommation énergétique.
Pour la construction ou l'élaboration d'un modèle de prédiction de la consommation énergétique, les données des paramètres sélectionnés ainsi que les données de consommation énergétique sont soumises à un module7d'apprentissage automatique. Ce module7d’apprentissage automatique est configuré pour inférer un modèle de prédiction de la consommation énergétique à partir des données fournies à son entrée. Le module7d’apprentissage automatique comprend une ou plusieurs unités de traitement informatique intégrant des instructions pour la mise en œuvre d'un algorithme d'apprentissage automatique supervisé ou semi-supervisé.
Le module7d'apprentissage automatique est, dans un mode de réalisation, un module d'apprentissage profond (plus connu sous le nom anglais « Deep-Learning ») comprenant un algorithme d'apprentissage automatique ou, plus généralement, un modèle de prédiction tel qu'un réseau de neurones.
Les réseaux de neurones ont l’avantage d’une capacité d'extrapolation, de fusion et d'intégration d’un grand nombre de paramètres observés, notamment en présence de données imprécises, incertaines ou incomplète. Face à la multiplicité des données de roulage et leur interdépendance (avec éventuellement des relations non linéaires et complexes), un modèle de prédiction basé sur des réseaux de neurones est, avantageusement, convenable pour représenter les différentes fonctions (linéaire ou pas, simple ou complexe) pouvant relier la consommation énergétique aux autres paramètres.
Le modèle de prédiction comprend, dans un mode de réalisation, un réseau de neurones convolutifs (plus connu sous le nom anglais "Convolutional Neural Networks" ou CNN). Un réseau de neurones convolutifs résiste, avantageusement, à un bruit et/ou un manque de précision dans les données de roulages collectées.
Le module7d'apprentissage automatique met en œuvre une étape12d’apprentissage automatique du modèle de prédiction de la consommation énergétique au moyen des données de consommation énergétique collectées des véhicules1-4automobiles et des données des paramètres sélectionnés correspondants.
L'étape12d'apprentissage automatique est, dans un mode de réalisation, une étape de modélisation de la consommation énergétique d’un véhicule1automobile en fonction de paramètres considérés pertinents déterminés à partir de paramètres liés au véhicule1automobile, de paramètres liés au mode de conduite de ce véhicule1automobile, et de paramètres liés au contexte de conduite de ce véhicule1automobile.
Lors de l'étape12d'apprentissage automatique du modèle de prédiction, trois ensembles de données sont formés à partir des données des paramètres considérés pertinents pour la prédiction de la consommation énergétique. Un premier ensemble de données est utilisé pour apprendre ou entrainer le modèle de prédiction jusqu'à la convergence. Un deuxième ensemble de données est utilisé pour ajuster le modèle de prédiction. Un troisième ensemble de données est utilisé pour tester les performances du modèle8de prédiction. Ces ensembles sont, dans un mode de réalisation, inégaux, le premier ensemble d’apprentissage étant plus important que les autres. Par ajustement successifs, le modèle de prédiction peut être affiné tout en évitant un sur-apprentissage ou un sous-apprentissage des données.
Le module7d'apprentissage automatique produit en sortie un modèle8de prédiction (défini par l'état final du réseau de neurones) apte à estimer une consommation énergétique future d'un véhicule1automobile à partir des données de roulage provenant de ce véhicule1automobile. Autrement dit, il résulte de l'étape12d'apprentissage automatique un modèle8de prédiction valide configuré pour prédire une consommation énergétique à partir de données de rouage fournies à son entrée.
Ainsi, une fois l'étape12d'apprentissage automatique est terminée, le modèle8de prédiction déployé (ou le réseau de neurones valide) est utilisé pour estimer (étape1 3de prédiction ou de déploiement) en temps réel la consommation énergétique future du véhicule1automobile à partir des données de roulage qui lui sont remontées en temps réel. L'itinéraire du véhicule1automobile peut être fourni par un dispositif de navigation embarqué, imposé par les règles de circulation ou par la configuration de la route, ou estimé à partir des trajets antérieurs du véhicule1automobile. En alternative, une prédiction temps réel de la consommation énergétique future du véhicule1automobile pour chaque itinéraire possible partant de la position actuelle du véhicule1automobile est réalisée par le modèle8de prédiction déployé.
Les données de roulage d'un véhicule1automobile sont directement communiquées au modèle8de prédiction valide qui produit en retour une prédiction temps réel de la consommation énergétique du véhicule1automobile (étape1 3de prédiction). Il est ainsi possible de prédire la consommation énergétique du véhicule1automobile pour un trajet à venir. Dans un autre mode de réalisation, une prédiction de la consommation énergétique future du véhicule1automobile est effectuée par tronçons de route, la consommation énergétique totale sur un itinéraire étant la somme des consommations énergétiques (la consommation en carburant et/ou la consommation en électricité) estimées sur les différents tronçons composant cet itinéraire.
Dans un mode de réalisation, le module7d'apprentissage automatique peut continuer l'apprentissage du modèle8de prédiction au moyen des données collectées en temps réel. Une adaptation du modèle8de prédiction est, par conséquent, possible en fonction des conditions réellement rencontrées par le véhicule1automobile. En d’autres termes, le modèle8de prédiction valide peut continuer à apprendre et à être adapté « en ligne », au moyen des données de roulage recueillies en continu depuis les véhicules1-4automobiles.
Avantageusement, les méthodes décrites ci-dessus pour la prédiction de la consommation énergétique d'un véhicule1automobile permettent
- en estimant le besoin énergétique futur d'un véhicule1automobile sur un trajet prévu, une utilisation plus judicieuse des ressources énergétiques (électrique et/ou thermique) par le système de gestion de l'énergie embarquée, tant qu'en termes économiques (conduite économique) qu'environnementaux;
- de déterminer l'itinéraire le plus intéressant d'un point de vue économique et environnemental;
- un redimensionnement des sources d'énergie (capacité de stockage des réservoirs et/ou des batteries par exemple) en fonction des besoins énergétiques du véhicule1automobile. Partant d'une spécification des besoins en terme de performance (par exemple, le poids et/ou l'autonomie d'un véhicule automobile électrique), il est possible de dimensionner la source d’énergie (par exemple, les batteries) nécessaire pour avoir la performance demandée;
- d'exprimer la consommation de l’énergie par un véhicule1automobile en fonction de l’ensemble des paramètres observables influents relatifs au véhicule1automobile, au contexte de conduite et à un profil conducteur (ou à un mode/style de conduite) ;
- une gestion temps réel de l’énergie embarquée dans le véhicule1automobile de façon à faciliter, pour le conducteur, le contrôle de la consommation de l’énergie avec un indicateur fiable.

Claims (10)

  1. Méthode pour prédire la consommation énergétique d'un premier véhicule (1) automobile, comprenant les étapes suivantes
    - collecte (10) de données de roulage provenant d'au moins un véhicule (1-4) automobile, ces données de roulage comprenant des données d'au moins un premier paramètre lié audit au moins un véhicule (1-4) automobile, des données d'au moins un deuxième paramètre lié à un contexte de conduite dudit au moins un véhicule (1-4) automobile, des données d'au moins un troisième paramètre lié à un mode de conduite dudit au moins un véhicule automobile (1-4), des données de consommation énergétique dudit au moins un véhicule (1-4) automobile;
    - analyse (11) des données de roulage collectées, cette étape comprenant un calcul d'un coefficient de corrélation entre les données de consommation énergétique dudit au moins un véhicule (1-4) automobile et, respectivement, les données dudit au moins un premier paramètre, les données dudit au moins un deuxième paramètre, les données dudit au moins un troisième paramètre, cette étape d'analyse comprenant, en outre, une sélection sur la base des coefficients de corrélation calculés d'au moins un paramètre parmi ledit au moins un premier paramètre, ledit au moins un deuxième paramètre, ledit au moins un troisième paramètre ;
    - apprentissage automatique (12) d'un modèle de prédiction de la consommation énergétique au moyen des données de consommation énergétique dudit au moins un véhicule (1-4) automobile et des données dudit au moins un paramètre sélectionné ;
    - prédiction (13) au moyen du modèle de prédiction de la consommation énergétique dudit premier véhicule (1) automobile à partir de données de roulage provenant de ce premier véhicule (1) automobile.
  2. Méthode selon la revendication précédente,caractérisé e en ce quele modèle de prédiction est un réseau de neurones.
  3. Méthode selon la revendication 1 ou 2,caractérisé e en ce quele modèle de prédiction est un réseau de neurones convolutifs.
  4. Méthode selon l'une quelconque des revendications précédentes,caractérisé e en ce queles données de consommation énergétique dudit au moins un véhicule (1-4) automobile sont des données de consommation en électricité.
  5. Méthode selon l'une quelconque des revendications précédentes,caractérisé e en ce queles données de consommation énergétique dudit au moins un véhicule (1-4) automobile sont des données de consommation en carburant.
  6. Méthode selon l'une quelconque des revendications précédentes,caractérisé e en ce quele premier paramètre est choisi parmi une liste comprenant la température instantanée d'une batterie de traction équipant ledit au moins un véhicule (1-4) automobile, le régime moteur dudit au moins un véhicule (1-4) automobile, la vitesse instantanée dudit au moins un véhicule (1-4) automobile.
  7. Méthode selon l'une quelconque des revendications précédentes,caractérisé e en ce quele deuxième paramètre est choisi parmi une liste comprenant une densité du trafic routier, des conditions climatiques, le type de route emprunté par ledit au moins un véhicule (1-4) automobile.
  8. Méthode selon l'une quelconque des revendications précédentes,caractérisé e en ce quele troisième paramètre est choisi parmi une liste comprenant la vitesse d’enfoncement des pédales d’accélération et/ou de frein dudit au moins un véhicule (1-4) automobile, le changement de rapport de vitesse dudit au moins un véhicule (1-4) automobile.
  9. Méthode selon l'une quelconque des revendications précédentes,caractérisé e en ce queles données de consommation énergétique comprennent l'état de charge instantané d'une batterie de traction équipant ledit au moins un véhicule (1-4) automobile.
  10. Méthode selon l'une quelconque des revendications précédentes,caractérisé e en ce queles données de consommation énergétique comprennent le niveau instantané de carburant dans ledit au moins un véhicule (1-4) automobile.
FR2100511A 2021-01-20 2021-01-20 Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile Withdrawn FR3119040A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2100511A FR3119040A1 (fr) 2021-01-20 2021-01-20 Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2100511A FR3119040A1 (fr) 2021-01-20 2021-01-20 Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile
FR2100511 2021-01-20

Publications (1)

Publication Number Publication Date
FR3119040A1 true FR3119040A1 (fr) 2022-07-22

Family

ID=74669163

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2100511A Withdrawn FR3119040A1 (fr) 2021-01-20 2021-01-20 Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile

Country Status (1)

Country Link
FR (1) FR3119040A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022210297A1 (de) 2022-09-28 2024-03-28 Psa Automobiles Sa Verfahren zur Reichweitenvorhersage

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140214267A1 (en) * 2013-01-25 2014-07-31 Audi Ag Predicting consumption and range of a vehicle based on collected route energy consumption data
US20180370537A1 (en) * 2017-06-22 2018-12-27 Chun-Yi Wu System providing remaining driving information of vehicle based on user behavior and method thereof

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140214267A1 (en) * 2013-01-25 2014-07-31 Audi Ag Predicting consumption and range of a vehicle based on collected route energy consumption data
US20180370537A1 (en) * 2017-06-22 2018-12-27 Chun-Yi Wu System providing remaining driving information of vehicle based on user behavior and method thereof

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022210297A1 (de) 2022-09-28 2024-03-28 Psa Automobiles Sa Verfahren zur Reichweitenvorhersage

Similar Documents

Publication Publication Date Title
CN107000751B (zh) 用于提供建议驾驶速度的设备及方法
US9631940B2 (en) Method and system for determining a route for efficient energy consumption
EP2649419B1 (fr) Système permettant de mesurer et de réduire le gaspillage de carburant d'un véhicule
EP2047345B1 (fr) Procede de determination de limites de roulage d'un vehicule
CN108475358B (zh) 用于评价驾驶员的行程性能的方法和系统
US20130041621A1 (en) Vehicle speed, fuel, and revenue optimizer
US20210063181A1 (en) Cost-based vehicle routing
CN108369682B (zh) 用于评价驾驶员的行程性能的方法和系统
EP3462404A1 (fr) Procédé de détermination d'indicateurs sur le caractère polluant de la mobilité tenant compte de l'usage réel
FR2905921A1 (fr) Procede de determination de parametres optimaux de conduite et systeme d'aide a l'eco-conduite correspondant.
CN108431837B (zh) 用于评价驾驶员的行程性能的方法和系统
WO2015099645A1 (fr) Évaluations d'un véhicule par l'intermédiaire du comportement mesuré du conducteur
CN108369683B (zh) 用于评价驾驶员的行程性能的方法和系统
WO2010043833A1 (fr) Procede d'estimation d'autonomie pour vehicule automobile pourvu de moyens de predictions ameliores et dispositif associe
FR3070656A1 (fr) Procede de commande d’un vehicule hybride en zone a emission polluante nulle, et vehicule pour ce procede.
Gebhard et al. Range prediction for electric bicycles
EP2785553B1 (fr) Procede d'estimation de la consommaton energetique d'un vehicule automobile
CN108369681B (zh) 用于评价驾驶员的行程性能的方法和系统
FR3119040A1 (fr) Méthodes pour la prédiction de la consommation énergétique d’un véhicule automobile
CN108475357B (zh) 用于评价驾驶员的行程性能的方法和系统
EP3515763B1 (fr) Procédé et dispositif d'analyse de la répartition des dépenses énergétiques d'un véhicule automobile
FR2956639A1 (fr) Dispositif et procede d'evaluation de la conduite d'un vehicule
Jain et al. Review of computational techniques for modelling eco-safe driving behavior
WO2020035485A1 (fr) Signalisation du niveau de pollution d'un vehicule
CN117382656B (zh) 节油驾驶引导方法、装置、终端及存储介质

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20220722

ST Notification of lapse

Effective date: 20230905