FR3124256A1 - METHOD FOR PREDICTING A POSITION OR A DESTINATION TRAJECTORY OF A VEHICLE - Google Patents
METHOD FOR PREDICTING A POSITION OR A DESTINATION TRAJECTORY OF A VEHICLE Download PDFInfo
- Publication number
- FR3124256A1 FR3124256A1 FR2106558A FR2106558A FR3124256A1 FR 3124256 A1 FR3124256 A1 FR 3124256A1 FR 2106558 A FR2106558 A FR 2106558A FR 2106558 A FR2106558 A FR 2106558A FR 3124256 A1 FR3124256 A1 FR 3124256A1
- Authority
- FR
- France
- Prior art keywords
- vehicle
- neural network
- destination
- charge
- variables
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 14
- 238000002485 combustion reaction Methods 0.000 claims description 12
- 238000012886 linear function Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 40
- 239000000446 fuel Substances 0.000 description 10
- 230000001105 regulatory effect Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000000779 depleting effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L50/00—Electric propulsion with power supplied within the vehicle
- B60L50/10—Electric propulsion with power supplied within the vehicle using propulsion power supplied by engine-driven generators, e.g. generators driven by combustion engines
- B60L50/15—Electric propulsion with power supplied within the vehicle using propulsion power supplied by engine-driven generators, e.g. generators driven by combustion engines with additional electric power supply
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
- B60L58/13—Maintaining the SoC within a determined range
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/60—Navigation input
- B60L2240/62—Vehicle position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Power Engineering (AREA)
- Remote Sensing (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
L’invention concerne un procédé, mis en œuvre dans une unité électronique d’un véhicule effectuant un trajet, de prédiction d’une position ou d’une trajectoire de destination du véhicule, le procédé comportant les étapes suivantes : une application d’un premier réseau de neurones (2) sur des données d’horodatage (h1), fournissant en sortie un premier ensemble de variables (w1) ;une application d’un deuxième réseau de neurones (4) sur les variables du premier ensemble (w1) concaténées à des données de position du véhicule (g3), fournissant en sortie un second ensemble de variables (y2) dont chacune est associée à une destination précédemment atteinte ;un calcul, pour chacune des variables du second ensemble (y2), d’une probabilité associée à la destination correspondant à ladite variable ;une sélection de la destination associée à la probabilité la plus élevée, et une détermination de la position ou de la trajectoire de ladite destination. Figure 4The invention relates to a method, implemented in an electronic unit of a vehicle making a journey, for predicting a position or a destination trajectory of the vehicle, the method comprising the following steps: an application of a first neural network (2) on timestamp data (h1), outputting a first set of variables (w1);an application of a second neural network (4) on the variables of the first set (w1) concatenated to vehicle position data (g3), outputting a second set of variables (y2) each of which is associated with a previously reached destination;a calculation, for each of the variables of the second set (y2), of a probability associated with the destination corresponding to said variable;a selection of the destination associated with the highest probability, and a determination of the position or the trajectory of said destination. Figure 4
Description
L’invention se rapporte à un procédé, mis en œuvre dans une unité électronique d’un véhicule effectuant un trajet, de prédiction d’une position ou d’une trajectoire de destination du véhicule. Sans que cela ne soit limitatif dans le cadre de la présente invention, le véhicule peut être par exemple un véhicule hybride, typiquement un véhicule hybride rechargeable. L’unité électronique est typiquement mais non limitativement un système de gestion d’énergie du véhicule hybride. L’invention se rapporte également à un procédé, mis en œuvre dans un système de gestion d’énergie d’un véhicule hybride effectuant un trajet, de détermination d’une consigne de répartition de couple entre un moteur thermique et une machine électrique du véhicule hybride, comprenant un tel sous-procédé de prédiction d’une position ou d’une trajectoire de destination du véhicule.The invention relates to a method, implemented in an electronic unit of a vehicle making a journey, for predicting a position or a destination trajectory of the vehicle. Without this being limiting in the context of the present invention, the vehicle may for example be a hybrid vehicle, typically a rechargeable hybrid vehicle. The electronic unit is typically, but not limited to, a hybrid vehicle energy management system. The invention also relates to a method, implemented in an energy management system of a hybrid vehicle making a journey, for determining a torque distribution setpoint between a combustion engine and an electric machine of the vehicle hybrid, comprising such a sub-method for predicting a position or a destination trajectory of the vehicle.
Il est nécessaire de pouvoir planifier, dans un véhicule hybride rechargeable muni d’un moteur thermique, d’une machine électrique et d’une batterie de stockage électrique reliée à la machine électrique, l’utilisation de l’énergie électrique disponible dans la batterie après recharge, de manière à ce que la batterie soit vidée ou quasiment vidée au moment de la recharge suivante. Pour ce faire, au moins deux stratégies différentes sont connues : une première stratégie, appelée CDCS (de l’anglais « Charge Depleting – Charge Sustaining) et illustrée sur la
Une seconde stratégie, illustrée sur la
Toutefois, un inconvénient de la seconde stratégie est qu’elle n’est possible que si la distance du trajet est connue du système de gestion d’énergie du véhicule. Cette seconde stratégie nécessite par conséquent que le conducteur renseigne sa destination, par exemple dans le système de navigation du véhicule.However, a disadvantage of the second strategy is that it is only possible if the trip distance is known to the vehicle's energy management system. This second strategy therefore requires the driver to enter his destination, for example in the vehicle's navigation system.
Il existe donc un besoin de pouvoir utiliser la seconde stratégie dans un système de gestion d’énergie d’un véhicule hybride afin de minimiser la consommation globale de carburant, sans que le conducteur du véhicule ait à renseigner sa destination dans le système de navigation du véhicule.There is therefore a need to be able to use the second strategy in an energy management system of a hybrid vehicle in order to minimize the overall fuel consumption, without the driver of the vehicle having to enter his destination in the navigation system of the vehicle.
Un premier but de l’invention est de proposer un procédé, mis en œuvre dans une unité électronique d’un véhicule effectuant un trajet, de prédiction d’une position ou d’une trajectoire de destination du véhicule, qui permette de prédire de manière fiable la destination ainsi que la distance du trajet associé à cette destination à partir des habitudes du conducteur.A first object of the invention is to propose a method, implemented in an electronic unit of a vehicle making a journey, for predicting a position or a destination trajectory of the vehicle, which makes it possible to predict in a the destination as well as the distance of the trip associated with this destination based on the habits of the driver.
Un autre but de l’invention est de pallier les inconvénients de l’art antérieur en proposant un procédé permettant d’utiliser la distance prédite dans le cadre d’une stratégie de répartition proportionnelle de l’énergie électrique initialement disponible dans la batterie du véhicule, afin de minimiser la consommation globale de carburant du véhicule hybride.Another object of the invention is to overcome the drawbacks of the prior art by proposing a method making it possible to use the predicted distance within the framework of a strategy of proportional distribution of the electrical energy initially available in the battery of the vehicle. , in order to minimize the overall fuel consumption of the hybrid vehicle.
Pour ce faire, l’invention se rapporte ainsi, dans son acceptation la plus large, à un procédé, mis en œuvre dans une unité électronique d’un véhicule effectuant un trajet, de prédiction d’une position ou d’une trajectoire de destination du véhicule, l’unité électronique comportant des moyens de traitement et des moyens mémoire stockant au moins deux réseaux de neurones et une liste de destinations précédemment atteintes par le véhicule, le véhicule comportant en outre des moyens d’horodatage et des moyens d’acquisition de données de position du véhicule reliés à l’unité électronique, le procédé comportant les étapes suivantes :To do this, the invention thus relates, in its broadest sense, to a method, implemented in an electronic unit of a vehicle making a journey, for predicting a position or a destination trajectory. of the vehicle, the electronic unit comprising processing means and memory means storing at least two neural networks and a list of destinations previously reached by the vehicle, the vehicle further comprising time stamping means and acquisition means vehicle position data connected to the electronic unit, the method comprising the following steps:
- une application d’un premier réseau de neurones sur des données d’horodatage de début du trajet, l’application du premier réseau de neurones sur les données d’horodatage fournissant en sortie un premier ensemble de variables ;an application of a first neural network on travel start timestamp data, the application of the first neural network on the timestamp data outputting a first set of variables;
- une application d’un deuxième réseau de neurones sur les variables du premier ensemble concaténées à des données de position du véhicule acquises précédemment au cours du trajet, l’application du deuxième réseau de neurones fournissant en sortie un second ensemble de variables, le deuxième réseau de neurones étant configuré de telle sorte que le nombre de variables du second ensemble est égal au nombre de destinations précédemment atteintes par le véhicule, chacune des variables du second ensemble étant associée à une destination ;an application of a second neural network on the variables of the first set concatenated with vehicle position data previously acquired during the trip, the application of the second neural network providing as output a second set of variables, the second network of neurons being configured such that the number of variables of the second set is equal to the number of destinations previously reached by the vehicle, each of the variables of the second set being associated with a destination;
- un calcul, pour chacune des variables du second ensemble, d’une probabilité associée à la destination correspondant à ladite variable ; eta calculation, for each of the variables of the second set, of a probability associated with the destination corresponding to said variable; and
- une sélection, parmi les destinations associées aux probabilités calculées, de la destination associée à la probabilité la plus élevée, et une détermination, à partir de la liste de destinations, de la position ou de la trajectoire de ladite destination.a selection, from among the destinations associated with the calculated probabilities, of the destination associated with the highest probability, and a determination, from the list of destinations, of the position or the trajectory of said destination.
En exploitant des habitudes du conducteur, en particulier une liste de destinations précédemment atteintes par ce dernier, couplées à l’application de deux réseaux de neurones sur des données d’horodatage de début du trajet et des données de position du véhicule acquises précédemment au cours du trajet, le procédé selon l’invention permet de prédire de manière fiable la destination du véhicule ainsi que la distance du trajet associé à cette destination. Cette distance prédite peut alors être avantageusement utilisée dans le cadre d’une stratégie de répartition de l’énergie électrique initialement disponible dans la batterie du véhicule de manière proportionnelle sur tout le trajet parcouru par le véhicule.By exploiting the driver's habits, in particular a list of destinations previously reached by the latter, coupled with the application of two neural networks on trip start timestamp data and vehicle position data acquired previously during of the journey, the method according to the invention makes it possible to reliably predict the destination of the vehicle as well as the distance of the journey associated with this destination. This predicted distance can then be advantageously used within the framework of a strategy for distributing the electrical energy initially available in the battery of the vehicle in a proportional manner over the entire route traveled by the vehicle.
Les données de position utilisées lors de l’application du deuxième réseau de neurones peuvent être acquises sous la forme d’une séquence finie de données de position enregistrées par exemple en tant que couples de données de latitude et de longitude. Cette séquence finie comporte par exemple un nombre donné de premiers couples de données de position acquises le long de la trajectoire du véhicule sur le trajet, et un nombre donné de derniers couples de données de position acquises le long de la trajectoire du véhicule sur le trajet, échantillonnés avec un pas de temps prédéterminé. Le nombre de premiers couples de données de position acquises, le nombre de derniers couples de données de position acquises, et le pas de temps sont typiquement des variables paramétrables par le fabricant du véhicule. Les données de position sont typiquement des données de position de type GPS (de l’anglais « Global Positioning System »), qui peuvent par exemple être obtenues à partir d’un système de navigation du véhicule, ou encore à partir d’une application mobile installée sur un appareil de communication mobile appartenant au conducteur du véhicule.The position data used during the application of the second neural network can be acquired in the form of a finite sequence of position data recorded for example as pairs of latitude and longitude data. This finite sequence comprises for example a given number of first pairs of position data acquired along the trajectory of the vehicle on the route, and a given number of last pairs of position data acquired along the trajectory of the vehicle on the route , sampled with a predetermined time step. The number of first pairs of position data acquired, the number of last pairs of position data acquired, and the time step are typically variables that can be parameterized by the manufacturer of the vehicle. The position data is typically position data of the GPS (Global Positioning System) type, which can for example be obtained from a navigation system of the vehicle, or even from an application mobile installed on a mobile communication device belonging to the driver of the vehicle.
De préférence, la prédiction de la position ou de la trajectoire de destination du véhicule est mise en œuvre au début de chaque trajet effectué par le véhicule, et/ou en cours de trajet.Preferably, the prediction of the position or of the destination trajectory of the vehicle is implemented at the start of each journey made by the vehicle, and/or during the journey.
De préférence, le premier et/ou le deuxième réseau de neurones est un perceptron multicouche (appelé MLP en anglais pour « Multi-Layer Perceptron »).Preferably, the first and/or the second neural network is a multilayer perceptron (called MLP in English for “Multi-Layer Perceptron”).
Selon une caractéristique technique particulière de l’invention, chacun des premier et deuxièmes réseaux de neurones est entraîné via des données d’apprentissage relatives à des trajets déjà effectués par le véhicule, lesdites données d’apprentissage comprenant des données d’horodatage de début du trajet et/ou des données de position du véhicule.According to a particular technical characteristic of the invention, each of the first and second neural networks is trained via learning data relating to journeys already made by the vehicle, said learning data comprising start timestamp data of the route and/or vehicle position data.
Avantageusement, les moyens mémoire de l’unité électronique stockent un troisième réseau de neurones, et le procédé comporte en outre une étape d’application du troisième réseau de neurones sur les données de position du véhicule acquises précédemment au cours du trajet, l’application du troisième réseau de neurones sur les données de position du véhicule fournissant en sortie un troisième ensemble de variables, ladite étape d’application du troisième réseau de neurones étant effectuée avant l’étape d’application du deuxième réseau de neurones, les variables du premier ensemble étant concaténées aux variables du troisième ensemble lors de l’application du deuxième réseau de neurones. Ceci pourrait permettre d’améliorer la précision et l’efficacité du procédé de prédiction selon l’invention.Advantageously, the memory means of the electronic unit store a third neural network, and the method further comprises a step of applying the third neural network to the vehicle position data acquired previously during the journey, the application of the third neural network on the vehicle position data outputting a third set of variables, said step of applying the third neural network being performed before the step of applying the second neural network, the variables of the first set being concatenated to the variables of the third set when applying the second neural network. This could make it possible to improve the precision and the efficiency of the prediction method according to the invention.
De préférence, le troisième réseau de neurones est un réseau de neurones récurrents (appelé RNN en anglais pour « Recurrent Neural Network »). Du fait qu’un tel réseau de neurones récurrents RNN prend en entrée un vecteur de taille quelconque, il est possible de lui fournir l’intégralité des données de position GPS du parcours réalisé à l’instant courant plutôt qu’une séquence finie de données de position.Preferably, the third neural network is a recurrent neural network (called RNN in English for “Recurrent Neural Network”). Because such a recurrent neural network RNN takes as input a vector of any size, it is possible to provide it with all the GPS position data of the route taken at the current time rather than a finite sequence of data. of position.
L’invention se rapporte également à un procédé, mis en œuvre dans un système de gestion d’énergie d’un véhicule hybride effectuant un trajet, de détermination d’une consigne de répartition de couple entre un moteur thermique et une machine électrique du véhicule hybride, le système de gestion d’énergie comportant des moyens de traitement et des moyens mémoire stockant au moins deux réseaux de neurones et une liste de destinations précédemment atteintes par le véhicule, le véhicule hybride comportant en outre des moyens d’horodatage reliés au système de gestion d’énergie, un système de navigation relié au système de gestion d’énergie et une batterie électrique reliée à la machine électrique, le procédé comportant un sous-procédé de prédiction d’une position ou d’une trajectoire de destination du véhicule tel que décrit ci-dessus, et le procédé comportant en outre les étapes suivantes :The invention also relates to a method, implemented in an energy management system of a hybrid vehicle making a journey, for determining a torque distribution setpoint between a heat engine and an electric machine of the vehicle hybrid, the energy management system comprising processing means and memory means storing at least two neural networks and a list of destinations previously reached by the vehicle, the hybrid vehicle further comprising time-stamping means connected to the system energy management system, a navigation system connected to the energy management system and an electric battery connected to the electric machine, the method comprising a sub-method for predicting a position or a destination trajectory of the vehicle as described above, and the method further comprising the following steps:
- une comparaison de la probabilité la plus élevée calculée à une valeur seuil de probabilité prédéfinie ;a comparison of the calculated highest probability with a predefined probability threshold value;
- si la probabilité la plus élevée est supérieure à la valeur seuil de probabilité prédéfinie, un envoi au système de navigation d’une requête visant à fournir la distance séparant la position courante du véhicule et la position de la destination associée à la probabilité la plus élevée ;if the highest probability is greater than the predefined probability threshold value, sending to the navigation system a request aimed at providing the distance separating the current position of the vehicle and the position of the destination associated with the highest probability ;
- une réception de ladite distance séparant la position courante du véhicule et la position de la destination associée à la probabilité la plus élevée ;a reception of said distance separating the current position of the vehicle and the position of the destination associated with the highest probability;
- un calcul, en fonction de la distance séparant la position courante du véhicule et la position de la destination associée à la probabilité la plus élevée, d’une consigne courante d’état de charge de la batterie électrique ; eta calculation, as a function of the distance separating the current position of the vehicle and the position of the destination associated with the highest probability, of a current setpoint for the state of charge of the electric battery; and
- un calcul, en fonction de la consigne courante d’état de charge de la batterie électrique calculée, d’une consigne courante de répartition de couple entre le moteur thermique et la machine électrique du véhicule hybride.a calculation, as a function of the current charge state setpoint of the calculated electric battery, of a current torque distribution setpoint between the internal combustion engine and the electric machine of the hybrid vehicle.
Un tel procédé permet avantageusement de minimiser la consommation globale de carburant du véhicule hybride, et ce sans que le conducteur ait à renseigner sa destination dans le système de navigation du véhicule.Such a method advantageously makes it possible to minimize the overall fuel consumption of the hybrid vehicle, without the driver having to enter his destination in the vehicle's navigation system.
La batterie électrique est typiquement mais non limitativement une batterie de traction du véhicule, notamment une batterie lithium-ion.The electric battery is typically, but not limited to, a vehicle traction battery, in particular a lithium-ion battery.
Selon une caractéristique technique particulière de l’invention, si la probabilité la plus élevée est inférieure à la valeur seuil de probabilité prédéfinie, le procédé comporte une étape consistant à imposer l’utilisation de la machine électrique du véhicule hybride au détriment du moteur thermique jusqu’à ce que l’état de charge de la batterie électrique atteigne une valeur seuil minimale prédéfinie ; puis, lorsque l’état de charge de la batterie électrique a atteint la valeur seuil minimale prédéfinie, une étape de fixation d’une consigne courante d’état de charge de la batterie électrique sur une valeur constante ; et une étape de calcul, en fonction de la consigne courante d’état de charge de la batterie électrique, d’une consigne courante de répartition de couple entre le moteur thermique et la machine électrique du véhicule hybride. Ainsi, si l’indice de confiance associé à la prédiction de la destination est insuffisamment élevé, le système de gestion d’énergie rebascule sur une stratégie de régulation de l’état de charge de la batterie de type CDCS.According to a particular technical characteristic of the invention, if the highest probability is lower than the predefined probability threshold value, the method comprises a step consisting in imposing the use of the electric machine of the hybrid vehicle to the detriment of the heat engine until 'until the state of charge of the electric battery reaches a predefined minimum threshold value; then, when the state of charge of the electric battery has reached the predefined minimum threshold value, a step of setting a current set point for the state of charge of the electric battery to a constant value; and a step of calculating, as a function of the current set point for the state of charge of the electric battery, a current set point for the distribution of torque between the heat engine and the electric machine of the hybrid vehicle. Thus, if the confidence index associated with the prediction of the destination is insufficiently high, the energy management system switches back to a strategy for regulating the state of charge of the battery of the CDCS type.
De préférence, le système de gestion d’énergie du véhicule hybride comporte en outre un régulateur proportionnel intégral, ledit régulateur proportionnel intégral effectuant une partie de l’étape de calcul de la consigne courante de répartition de couple entre le moteur thermique et la machine électrique du véhicule hybride.Preferably, the energy management system of the hybrid vehicle further comprises a proportional integral regulator, said proportional integral regulator carrying out part of the step of calculating the current torque distribution setpoint between the combustion engine and the electric machine of the hybrid vehicle.
Selon un premier mode de réalisation, lors de l’étape de calcul de la consigne courante d’état de charge de la batterie électrique, la consigne d’état de charge est calculée comme une fonction linéaire décroissante avec la distance du trajet à parcourir jusqu’à la destination associée à la probabilité la plus élevée calculée.According to a first embodiment, during the step of calculating the current set point for the state of charge of the electric battery, the set point for the state of charge is calculated as a decreasing linear function with the distance of the journey to be traveled to 'to the destination associated with the calculated highest probability.
Selon un autre mode de réalisation, lors de l’étape de calcul de la consigne courante d’état de charge de la batterie électrique, la consigne d’état de charge est calculée comme une fonction linéaire par morceaux, chaque morceau étant associé à une section du trajet à parcourir jusqu’à la destination associée à la probabilité la plus élevée calculée, ladite fonction linéaire par morceaux étant paramétrée en fonction d’éléments d’information cartographiques prédéterminés de sorte à allouer l’état de charge de la batterie électrique de manière proportionnelle à la demande d’énergie électrique pour chaque section du trajet.According to another embodiment, during the step of calculating the current electric battery charge state setpoint, the charge state setpoint is calculated as a piecewise linear function, each piece being associated with a section of the route to be traveled to the destination associated with the calculated highest probability, said piecewise linear function being parameterized as a function of predetermined cartographic information elements so as to allocate the state of charge of the electric battery to proportional to the electrical energy demand for each section of the route.
On décrira ci-après, à titre d’exemples non limitatifs, des formes d’exécution de la présente invention, en référence aux figures annexées sur lesquelles :There will be described below, by way of non-limiting examples, embodiments of the present invention, with reference to the appended figures in which:
En se référant à la
Dans un tel véhicule hybride, lorsque le conducteur appuie sur la pédale d’accélérateur, il envoie au système de gestion d’énergie une consigne de couple exprimée au niveau du vilebrequin. Cette consigne de couple peut être satisfaite de quatre façons différentes :In such a hybrid vehicle, when the driver presses the accelerator pedal, he sends the energy management system a torque setpoint expressed at the crankshaft. This torque setpoint can be satisfied in four different ways:
- avec le moteur thermique seul ; ou- with the heat engine alone; Where
- avec la machine électrique seule ; ou- with the electric machine alone; Where
- avec le moteur thermique et la machine électrique fournissant chacun une fraction du couple demandé ; ou encore- with the combustion engine and the electric machine each supplying a fraction of the torque required; or
- avec le moteur thermique fournissant un couple supérieur au couple demandé, et la machine électrique fonctionnant en mode génératrice (donc avec un couple mécanique négatif) de manière à récupérer l’excédent d’énergie pour recharger la batterie. C’est le mode recharge forcée.- with the combustion engine supplying a torque greater than the torque requested, and the electric machine operating in generator mode (therefore with a negative mechanical torque) so as to recover the excess energy to recharge the battery. This is the forced recharge mode.
Le système de gestion d’énergie du véhicule hybride est muni de moyens mémoire et de moyens de traitement reliés aux moyens mémoire, de tels moyens n’étant pas représentés sur les figures. Les moyens mémoire stockent au moins deux réseaux de neurones et une liste de destinations précédemment atteintes par le véhicule. Selon un mode de réalisation particulier, les moyens mémoire stockent trois réseaux de neurones visibles sur la
Le procédé est mis en œuvre au début du trajet effectué par le véhicule, et/ou en cours de trajet, possiblement plusieurs fois en cours de trajet.The method is implemented at the start of the journey made by the vehicle, and/or during the journey, possibly several times during the journey.
Le procédé comporte un sous-procédé 8, mis en œuvre dans le système de gestion d’énergie du véhicule hybride, de prédiction d’une position ou d’une trajectoire de destination du véhicule.The method comprises a sub-method 8, implemented in the energy management system of the hybrid vehicle, for predicting a position or a destination trajectory of the vehicle.
Le sous-procédé 8 comporte une première étape 10 au cours de laquelle le système de gestion d’énergie applique le premier réseau de neurones 2 sur des données h1 d’horodatage de début du trajet, de telles données h1 étant représentées sur la
De préférence, le sous-procédé 8 comporte une étape parallèle ou suivante 12 au cours de laquelle le système de gestion d’énergie applique le troisième réseau de neurones 6 sur des données de position g3 du véhicule acquises précédemment au cours du trajet. Les données de position se présentent par exemple sous la forme d’un vecteur g3 et sont typiquement des données de position de type GPS (de l’anglais « Global Positioning System »), qui peuvent par exemple être obtenues à partir du système de navigation du véhicule, ou encore à partir d’une application mobile installée sur un appareil de communication mobile appartenant au conducteur du véhicule. Le troisième réseau de neurones 6 reçoit en entrée le vecteur g3 et fournit en sortie un ensemble de variables v3. L’ensemble de variables v3 se présente par exemple sous la forme d’un vecteur, dont le nombre de variables est paramétrable.Preferably, the sub-process 8 comprises a parallel or subsequent step 12 during which the energy management system applies the third neural network 6 to position data g3 of the vehicle acquired previously during the trip. The position data is for example in the form of a vector g3 and is typically GPS (Global Positioning System) type position data, which can for example be obtained from the navigation system of the vehicle, or from a mobile application installed on a mobile communication device belonging to the driver of the vehicle. The third neural network 6 receives the vector g3 as input and provides a set of variables v3 as output. The set of variables v3 is presented for example in the form of a vector, the number of variables of which is configurable.
Au cours d’une étape suivante 14 du sous-procédé 8, le système de gestion d’énergie applique le deuxième réseau de neurones 4 sur l’ensemble de variables w1 concaténées à l’ensemble de variables v3. Dans le cas où les moyens mémoire du système de gestion d’énergie ne stockent pas de troisième réseau de neurones 6, le système de gestion d’énergie applique le deuxième réseau de neurones 4 sur l’ensemble de variables w1 directement concaténées aux données de position g3 du véhicule. Dans ce cas, les données de position g3 peuvent être acquises sous la forme d’une séquence finie de données de position enregistrées par exemple en tant que couples de données de latitude et de longitude. Cette séquence finie comporte par exemple un nombre donné de premiers couples de données de position acquises le long de la trajectoire du véhicule sur le trajet, et un nombre donné de derniers couples de données de position acquises le long de la trajectoire du véhicule sur le trajet, échantillonnés avec un pas de temps prédéterminé. Le nombre de premiers couples de données de position acquises, le nombre de derniers couples de données de position acquises, et le pas de temps sont typiquement des variables paramétrables. Le deuxième réseau de neurones 4 fournit en sortie un ensemble de variables y2. L’ensemble de variables y2 se présente par exemple sous la forme d’un vecteur.During a following step 14 of sub-process 8, the energy management system applies the second neural network 4 to the set of variables w1 concatenated to the set of variables v3. In the case where the memory means of the energy management system do not store a third neural network 6, the energy management system applies the second neural network 4 to the set of variables w1 directly concatenated to the data of g3 position of the vehicle. In this case, the position data g3 can be acquired in the form of a finite sequence of position data recorded for example as pairs of latitude and longitude data. This finite sequence comprises for example a given number of first pairs of position data acquired along the trajectory of the vehicle on the route, and a given number of last pairs of position data acquired along the trajectory of the vehicle on the route , sampled with a predetermined time step. The number of first pairs of position data acquired, the number of last pairs of position data acquired, and the time step are typically parameterizable variables. The second neural network 4 outputs a set of variables y2. The set of variables y2 is presented for example in the form of a vector.
Le deuxième réseau de neurones 4 est configuré de telle sorte que le nombre de variables y2ide l’ensemble y2 est égal au nombre de destinations précédemment atteintes par le véhicule, chacune des variables y2iétant associée à une destination référencée par la lettre i.The second neural network 4 is configured such that the number of variables y2 i of the set y2 is equal to the number of destinations previously reached by the vehicle, each of the variables y2 i being associated with a destination referenced by the letter i .
Au cours d’une étape suivante 16 du sous-procédé 8, le système de gestion d’énergie calcule, au moyen d’une fonction 17 et pour chacune des variables y2ide l’ensemble y2, une probabilité p*iassociée à la destination i correspondant à cette variable y2i. Cette étape de calcul, pour chaque destination, d’une probabilité p*iassociée à la destination i peut par exemple consister à normaliser la variable y2icorrespondante, chaque probabilité p*is’exprimant alors selon l’équation (1) suivante :During a following step 16 of the sub-process 8, the energy management system calculates, by means of a function 17 and for each of the variables y2 i of the set y2, a probability p* i associated with the destination i corresponding to this variable y2 i . This step of calculating, for each destination, a probability p* i associated with destination i can for example consist in normalizing the corresponding variable y2 i , each probability p* i then being expressed according to the following equation (1) :
M étant le nombre de destinations précédemment atteintes par le véhicule et stockées dans la liste de destinations. Les différentes probabilités p*i sont par exemple rassemblées sous la forme d’un vecteur P*.M being the number of destinations previously reached by the vehicle and stored in the list of destinations. The different probabilities p*I are for example gathered in the form of a vector P*.
Au cours d’une étape suivante 18 du sous-procédé 8, le système de gestion d’énergie identifie dans le vecteur P* la probabilité la plus élevée. Le système de gestion d’énergie sélectionne ensuite la destination associée à cette probabilité la plus élevée. Le système de gestion d’énergie détermine alors, à partir de la liste de destinations, la position ou la trajectoire de cette destination, et fournit ainsi une prédiction de la position ou de la trajectoire de destination.During a following step 18 of the sub-process 8, the energy management system identifies the highest probability in the vector P*. The energy management system then selects the destination associated with this highest probability. The energy management system then determines, from the list of destinations, the position or the trajectory of this destination, and thus provides a prediction of the position or the trajectory of the destination.
Les trois réseaux de neurones 2, 4, 6 sont entraînés via des données d’apprentissage relatives à des trajets déjà effectués par le véhicule. Cet entraînement, qui permet de calibrer le sous-procédé de prédiction 8, peut être réalisé avant la mise en œuvre de ce sous-procédé 8 sur des données courantes h1, g3. Selon un mode de réalisation particulier, l’entraînement des réseaux de neurones 2, 4, 6 est réalisé tous les N trajets, avec N une valeur paramétrable par le fabricant du véhicule. Les données d’apprentissage comportent typiquement des données d’horodatage h1 et/ou des données de position du véhicule g3 relatives à des trajets déjà effectués par le véhicule. En effet, à la fin de chaque trajet effectué par le véhicule, les données d’horodatage h1 et les données de position g3 relatives à ce trajet sont enregistrées dans les moyens mémoire du système de gestion d’énergie en considérant une période d’échantillonnage paramétrable. Ces données nouvellement enregistrées sont ajoutées aux données d’apprentissage précédentes.The three neural networks 2, 4, 6 are trained via learning data relating to journeys already made by the vehicle. This training, which makes it possible to calibrate the prediction sub-process 8, can be carried out before the implementation of this sub-process 8 on current data h1, g3. According to a particular embodiment, the training of the neural networks 2, 4, 6 is carried out every N journeys, with N a value configurable by the manufacturer of the vehicle. The learning data typically includes timestamp data h1 and/or vehicle position data g3 relating to journeys already made by the vehicle. Indeed, at the end of each journey made by the vehicle, the timestamping data h1 and the position data g3 relating to this journey are recorded in the memory means of the energy management system by considering a sampling period configurable. This newly recorded data is added to the previous training data.
L’entraînement par apprentissage des réseaux de neurones 2, 4, 6 permet de déterminer plusieurs paramètres θ de ces réseaux de neurones, afin de calibrer le sous-procédé de prédiction 8. Cet entraînement peut par exemple être réalisé en déterminant une combinaison de paramètres qui permet de minimiser une métrique choisie sur les données d’apprentissage déjà recueillies, typiquement par une méthode connue de rétropropagation du gradient. Cette métrique peut par exemple être choisie comme la somme des distances entre les destinations prédites par le sous-procédé 8 pour un ensemble de paramètres θ donnés et celles effectivement visitées dans les données d’apprentissages. En variante, la métrique choisie peut être l’entropie croisée entre le vecteur de prédiction P* et la valeur réelle P (définie par pi= 1 si i est la vraie classe et 0 sinon ; ce qui permet de maximiser le taux de prédictions exactes).The training by learning of the neural networks 2, 4, 6 makes it possible to determine several parameters θ of these neural networks, in order to calibrate the prediction sub-process 8. This training can for example be carried out by determining a combination of parameters which makes it possible to minimize a metric chosen on the training data already collected, typically by a known method of backpropagation of the gradient. This metric can for example be chosen as the sum of the distances between the destinations predicted by the sub-process 8 for a given set of parameters θ and those actually visited in the learning data. As a variant, the chosen metric can be the cross-entropy between the prediction vector P* and the actual value P (defined by p i = 1 if i is the true class and 0 otherwise; which makes it possible to maximize the rate of predictions exact).
L’entropie croisée CE est définie par :The cross-entropy CE is defined by:
où M désigne le nombre de destinations précédemment atteintes par le véhicule.where M is the number of destinations previously reached by the vehicle.
On a ainsi :We thus have:
où θ* représente les nouveaux paramètres des réseaux de neurones 2, 4, 6 déterminés par apprentissage, et où J est la métrique choisie, calculée en utilisant les données d’apprentissage en entrée du sous-procédé de prédiction 8 et en comparant les destinations prédites par le sous-procédé 8 pour chaque trajet du passé avec la destination effectivement visitée par le véhicule.where θ* represents the new parameters of the neural networks 2, 4, 6 determined by training, and where J is the chosen metric, calculated using the training data as input to the prediction sub-process 8 and comparing the destinations predicted by the sub-process 8 for each journey of the past with the destination actually visited by the vehicle.
Le procédé de détermination d’une consigne de répartition de couple comporte une étape suivante 20 au cours de laquelle le système de gestion d’énergie compare la probabilité la plus élevée calculée au cours de l’étape 16 à une valeur seuil de probabilité prédéfinie. Cette valeur seuil de probabilité prédéfinie correspond à un indice de confiance quant à la prédiction de la position ou de la trajectoire de destination fournie par le système de gestion d’énergie.The method for determining a torque distribution setpoint includes a following step 20 during which the energy management system compares the highest probability calculated during step 16 with a predefined probability threshold value. This predefined probability threshold value corresponds to a confidence index as to the prediction of the destination position or trajectory provided by the energy management system.
Si la probabilité la plus élevée calculée est supérieure à la valeur seuil de probabilité prédéfinie, le procédé passe à une étape suivante 22. Sinon, le procédé passe à une étape suivante 24.If the highest calculated probability is greater than the predefined probability threshold value, the method goes to a next step 22. Otherwise, the method goes to a next step 24.
Au cours de l’étape suivante 22, le système de gestion d’énergie envoie au système de navigation du véhicule une requête visant à fournir la distance séparant la position courante du véhicule et la position de la destination associée à la probabilité la plus élevée calculée au cours de l’étape 16.During the next step 22, the energy management system sends the navigation system of the vehicle a request aimed at providing the distance separating the current position of the vehicle and the position of the destination associated with the highest probability calculated during step 16.
Au cours d’une étape suivante 26, le système de gestion d’énergie reçoit, de la part du système de navigation du véhicule, la distance séparant la position courante du véhicule et la position de la destination associée à la probabilité la plus élevée calculée au cours de l’étape 16. Le système de gestion d’énergie en déduit alors la distance totale du trajet entre le départ et la destination, cette distance étant appelée dtot par la suite.During a following step 26, the energy management system receives, from the navigation system of the vehicle, the distance separating the current position of the vehicle and the position of the destination associated with the highest probability calculated during step 16. The energy management system then deduces therefrom the total distance of the journey between the departure and the destination, this distance being called dearly afterwards.
Au cours d’une étape suivante 28, le système de gestion d’énergie calcule, en fonction de la distance dtot, une consigne courante d’état de charge de la batterie électrique SOCref(t), la variable t représentant le temps. La consigne courante d’état de charge de la batterie électrique SOCref(t) est de préférence calculée comme une fonction linéaire décroissante avec la distance du trajet à parcourir jusqu’à la destination associée à la probabilité la plus élevée calculée au cours de l’étape 16. La consigne courante d’état de charge de la batterie électrique SOCref(t) s’exprime alors selon l’équation (4) suivante :During a next step 28, the energy management system calculates, as a function of the distance d tot , a current setpoint for the state of charge of the electric battery SOC ref (t), the variable t representing the time . The current set point for the state of charge of the electric battery SOC ref (t) is preferably calculated as a decreasing linear function with the distance of the journey to be covered to the destination associated with the highest probability calculated during the step 16. The current setpoint for the state of charge of the electric battery SOC ref (t) is then expressed according to the following equation (4):
où d(t) est la distance du trajet parcourue à l’instant t courant, SOCinit est la valeur de l’état de charge de la batterie au moment du début du trajet, et SOCfinalest la valeur basse de l’état de charge de la batterie souhaité au moment où le véhicule aura atteint sa destination et que la recharge de la batterie sera possible. La valeur SOCfinal correspond à la valeur S2 sur la
En variante, la consigne courante d’état de charge de la batterie électrique est calculée comme une fonction linéaire par morceaux, chaque morceau étant associé à une section du trajet à parcourir jusqu’à la destination associée à la probabilité la plus élevée calculée au cours de l’étape 16. La fonction linéaire par morceaux est paramétrée en fonction d’éléments d’information cartographiques prédéterminés. Le système de navigation est alors interrogé pour obtenir des informations telles que par exemple la vitesse moyenne du véhicule sur des sections composant le trajet, les proportions du trajet correspondant à des situations de type urbain, extra-urbain ou autoroutier, le profil d’altitude du trajet, ou tout autre information pertinente du point de vue de l’énergie dépensée par le véhicule pour effectuer le trajet. La consigne courante d’état de charge de la batterie électrique est alors calculée de manière à allouer l’état de charge de la batterie électrique de manière proportionnelle à la demande d’énergie électrique pour chaque section du trajet.As a variant, the current set point for the state of charge of the electric battery is calculated as a linear function by pieces, each piece being associated with a section of the path to be traveled to the destination associated with the highest probability calculated during of step 16. The piecewise linear function is parameterized according to predetermined cartographic information elements. The navigation system is then interrogated to obtain information such as, for example, the average speed of the vehicle on the sections making up the route, the proportions of the route corresponding to situations of the urban, extra-urban or motorway type, the altitude profile of the trip, or any other relevant information from the point of view of the energy expended by the vehicle to make the trip. The current set point for the state of charge of the electric battery is then calculated so as to allocate the state of charge of the electric battery in proportion to the demand for electrical energy for each section of the journey.
Au cours d’une étape suivante 30, le système de gestion d’énergie calcule, en fonction de la consigne courante d’état de charge de la batterie électrique SOCref(t) calculée au cours de l’étape 28, une consigne courante u(t) de répartition de couple entre le moteur thermique et la machine électrique du véhicule hybride. Plus précisément, la consigne courante de répartition de couple u(t) peut s’exprimer selon l’équation (5) suivante :During a following step 30, the energy management system calculates, as a function of the current setpoint for the state of charge of the electric battery SOC ref (t) calculated during step 28, a current setpoint u(t) of torque distribution between the heat engine and the electric machine of the hybrid vehicle. More precisely, the current torque distribution setpoint u(t) can be expressed according to the following equation (5):
où Cmel(t) est le couple mécanique fourni par la machine électrique du véhicule hybride à l’instant t courant, et Cvil(t) est la consigne de couple du conducteur exprimée au niveau du vilebrequin.where C mel (t) is the mechanical torque supplied by the electric machine of the hybrid vehicle at the current time t, and C vil (t) is the driver's torque setpoint expressed at the crankshaft.
Cette requête de couple Cvil(t) s’exprime selon l’équation (6) suivante :This torque request C vile (t) is expressed according to the following equation (6):
où Cm th(t) est le couple mécanique fourni par le moteur thermique du véhicule hybride à l’instant t courant.where C m th (t) is the mechanical torque supplied by the heat engine of the hybrid vehicle at the current time t.
Plusieurs méthodes permettent de calculer la consigne courante de répartition de couple. Une méthode connue particulière, appelée méthode ECMS (de l’anglais « Equivalent Consumption Minimization Strategy ») consiste à minimiser une fonction appelée Hamiltonien qui est définie par l’équation (7) suivante :Several methods are used to calculate the current torque distribution setpoint. A particular known method, called ECMS method (from the English “Equivalent Consumption Minimization Strategy”) consists in minimizing a function called Hamiltonian which is defined by the following equation (7):
où :where :
- H est l’Hamiltonien,- H is the Hamiltonian,
- mfuel* est la consommation de carburant du moteur thermique du véhicule hybride, obtenue à partir d’une table de valeur prenant en entrée le régime et le couple du moteur thermique,- m fuel * is the fuel consumption of the heat engine of the hybrid vehicle, obtained from a table of values taking as input the speed and the torque of the heat engine,
- SOC* est la variation d’énergie dans la batterie électrique, obtenue à partir d’une table de valeur ou d’un modèle simple du système batterie-machine électrique, qui prend en entrée le régime et le couple de la machine électrique, et- SOC* is the energy variation in the electric battery, obtained from a table of values or a simple model of the battery-electric machine system, which takes as input the speed and the torque of the electric machine, and
- λ est appelé facteur d’équivalence. Il s’agit d’une variable permettant de régler le compromis entre l’utilisation du moteur thermique et de la machine électrique, comme décrit par la suite.- λ is called the equivalence factor. This is a variable that makes it possible to adjust the compromise between the use of the heat engine and the electric machine, as described below.
La consigne courante de répartition de couple u*(t) est obtenue en minimisant l’Hamiltonien tel que défini à l’équation (7), conformément à l’équation (8) suivante :The current torque distribution setpoint u*(t) is obtained by minimizing the Hamiltonian as defined in equation (7), in accordance with the following equation (8):
Ainsi, si λ est proche de zéro, l’énergie électrique pèse peu dans le compromis entre utilisation du moteur thermique et utilisation de la machine électrique : le minimum de l’Hamiltonien est alors obtenu en minimisant le terme mfuel*(t,u(t)) au détriment du terme λ(t)SOC*(t,u(t)) dans l’équation (7) ; ceci implique un roulage plutôt électrique, et la chaîne de traction a ainsi tendance à dépenser l’état de charge SOC disponible de la batterie électrique. À l’inverse, si λ a une valeur fortement négative, le terme λ(t)SOC*(t,u(t)) pèse plus que le terme mfuel*(t,u(t)) dans l’équation (7). Le minimum de l’Hamiltonien est alors obtenu en minimisant le terme λ(t)SOC*(t,u(t)) au détriment du terme mfuel*(t,u(t)) dans l’équation (7). Dans ce cas, la chaîne de traction a tendance à privilégier l’utilisation du moteur thermique par rapport à la machine électrique, et l’état de charge SOC de la batterie électrique est économisé, voire augmenté dans le cas d’une recharge forcée. Il apparaît donc que modifier la valeur de λ permet de réguler l’état de charge SOC de la batterie électrique en modifiant le compromis entre moteur thermique et machine électrique.Thus, if λ is close to zero, electrical energy weighs little in the trade-off between use of the heat engine and use of the electric machine: the minimum of the Hamiltonian is then obtained by minimizing the term m fuel *(t,u (t)) to the detriment of the term λ(t)SOC*(t,u(t)) in equation (7); this implies rather electric driving, and the traction chain thus tends to use up the available state of charge SOC of the electric battery. Conversely, if λ has a strongly negative value, the term λ(t)SOC*(t,u(t)) weighs more than the term m fuel *(t,u(t)) in the equation ( 7). The minimum of the Hamiltonian is then obtained by minimizing the term λ(t)SOC*(t,u(t)) to the detriment of the term m fuel *(t,u(t)) in equation (7). In this case, the traction chain tends to favor the use of the heat engine compared to the electric machine, and the state of charge SOC of the electric battery is saved, or even increased in the case of a forced recharge. It therefore appears that modifying the value of λ makes it possible to regulate the state of charge SOC of the electric battery by modifying the compromise between heat engine and electric machine.
En pratique, la valeur de λ est adaptée continuellement au cours du trajet, à l’aide du régulateur proportionnel intégral du système de gestion d’énergie du véhicule hybride. La valeur λ(t) peut alors s’exprimer selon l’équation (9) suivante :In practice, the value of λ is continuously adapted during the journey, using the integral proportional regulator of the hybrid vehicle's energy management system. The value λ(t) can then be expressed according to the following equation (9):
où λ0, Kpet κi sont des paramètres à calibrer par l’implémentateur ou le fabricant du véhicule, tandis que ε est l’erreur entre la consigne courante d’état de charge de la batterie électrique SOCref(t), calculée au cours de l’étape 28, et la valeur courante d’état de charge de la batterie électrique SOC(t). L’erreur ε(t) s’exprime ainsi selon l’équation (10) suivante :where λ0, Kpand κI are parameters to be calibrated by the implementer or the vehicle manufacturer, while ε is the error between the current state of charge setpoint of the electric battery SOCref(t), calculated during step 28, and the current state of charge value of the electric battery SOC(t). The error ε(t) is thus expressed according to the following equation (10):
Lors de la comparaison effectuée au cours de l’étape 20, si la probabilité la plus élevée calculée est inférieure à la valeur seuil de probabilité prédéfinie, le procédé passe à l’étape 24 au cours de laquelle le système de gestion d’énergie impose l’utilisation de la machine électrique du véhicule hybride au détriment du moteur thermique jusqu’à ce que l’état de charge SOC de la batterie électrique atteigne une valeur seuil minimale prédéfinie S1, comme illustré sur la
Lorsque l’état de charge SOC de la batterie électrique a atteint la valeur seuil minimale prédéfinie S1, le système de gestion d’énergie fixe, au cours d’une étape suivante 32, une consigne courante d’état de charge de la batterie électrique sur une valeur constante. De préférence, cette valeur constante est la valeur seuil minimale prédéfinie S1, comme illustré sur la
Au cours d’une étape suivante 34, le système de gestion d’énergie calcule, en fonction de la consigne courante d’état de charge de la batterie électrique fixée à l’étape 32, une consigne courante de répartition de couple entre le moteur thermique et la machine électrique du véhicule hybride. Pour ce faire, le système de gestion d’énergie utilise les équations (8), (9) et (10) détaillées ci-dessus, avec la consigne courante d’état de charge de la batterie électrique SOCref(t) fixée sur la valeur constante S1.During a next step 34, the energy management system calculates, as a function of the current set point for the state of charge of the electric battery set in step 32, a current set point for the distribution of torque between the motor heat and the electric machine of the hybrid vehicle. To do this, the energy management system uses equations (8), (9) and (10) detailed above, with the current set point for the state of charge of the electric battery SOC ref (t) fixed on the constant value S1.
Le procédé de prédiction d’une position ou d’une trajectoire de destination d’un véhicule a été précédemment décrit en référence au procédé plus global de détermination d’une consigne de répartition de couple entre un moteur thermique et une machine électrique d’un véhicule hybride, mis en œuvre dans un système de gestion d’énergie du véhicule hybride. Toutefois, le procédé de prédiction selon l’invention peut plus généralement s’appliquer de manière indépendante vis-à-vis d’un tel procédé de détermination d’une consigne de répartition de couple, et peut s’appliquer dans toute unité électronique d’un véhicule, que le véhicule soit un véhicule hybride ou non.The method for predicting a position or a destination trajectory of a vehicle was previously described with reference to the more global method for determining a torque distribution setpoint between a heat engine and an electric machine of a hybrid vehicle, implemented in a hybrid vehicle energy management system. However, the prediction method according to the invention can more generally be applied independently of such a method for determining a torque distribution setpoint, and can be applied in any electronic unit of a vehicle, whether the vehicle is a hybrid vehicle or not.
Le procédé de prédiction selon l’invention permet de prédire de manière fiable la destination du véhicule ainsi que la distance du trajet associé à cette destination. Le procédé de détermination d’une consigne de répartition de couple, en utilisant la distance prédite par le procédé de prédiction selon l’invention, permet avantageusement de minimiser la consommation globale de carburant d’un véhicule hybride, et ce sans que le conducteur ait à renseigner sa destination dans le système de navigation du véhicule.
The prediction method according to the invention makes it possible to reliably predict the destination of the vehicle as well as the distance of the journey associated with this destination. The method for determining a torque distribution setpoint, using the distance predicted by the prediction method according to the invention, advantageously makes it possible to minimize the overall fuel consumption of a hybrid vehicle, and this without the driver having to entering their destination in the vehicle's navigation system.
Claims (10)
- une application (10) d’un premier réseau de neurones (2) sur des données (h1) d’horodatage de début du trajet, l’application (10) du premier réseau de neurones (2) sur les données d’horodatage (h1) fournissant en sortie un premier ensemble de variables (w1) ;
- une application (14) d’un deuxième réseau de neurones (4) sur les variables du premier ensemble (w1) concaténées à des données de position du véhicule (g3) acquises précédemment au cours du trajet, l’application (14) du deuxième réseau de neurones (4) fournissant en sortie un second ensemble de variables (y2), le deuxième réseau de neurones (4) étant configuré de telle sorte que le nombre de variables du second ensemble (y2) est égal au nombre de destinations précédemment atteintes par le véhicule, chacune des variables du second ensemble (y2) étant associée à une destination ;
- un calcul (16), pour chacune des variables du second ensemble (y2), d’une probabilité associée à la destination correspondant à ladite variable ; et
- une sélection (18), parmi les destinations associées aux probabilités calculées, de la destination associée à la probabilité la plus élevée, et une détermination, à partir de la liste de destinations, de la position ou de la trajectoire de ladite destination.
- an application (10) of a first neural network (2) on travel start timestamp data (h1), the application (10) of the first neural network (2) on the timestamp data ( h1) outputting a first set of variables (w1);
- an application (14) of a second neural network (4) on the variables of the first set (w1) concatenated with vehicle position data (g3) acquired previously during the journey, the application (14) of the second neural network (4) outputting a second set of variables (y2), the second neural network (4) being configured such that the number of variables in the second set (y2) is equal to the number of previously reached destinations by the vehicle, each of the variables of the second set (y2) being associated with a destination;
- a calculation (16), for each of the variables of the second set (y2), of a probability associated with the destination corresponding to said variable; and
- a selection (18), among the destinations associated with the calculated probabilities, of the destination associated with the highest probability, and a determination, from the list of destinations, of the position or the trajectory of said destination.
- une comparaison (20) de la probabilité la plus élevée calculée à une valeur seuil de probabilité prédéfinie ;
- si la probabilité la plus élevée est supérieure à la valeur seuil de probabilité prédéfinie, un envoi (22) au système de navigation d’une requête visant à fournir la distance séparant la position courante du véhicule et la position de la destination associée à la probabilité la plus élevée ;
- une réception (26) de ladite distance séparant la position courante du véhicule et la position de la destination associée à la probabilité la plus élevée ;
- un calcul (28), en fonction de la distance séparant la position courante du véhicule et la position de la destination associée à la probabilité la plus élevée, d’une consigne courante d’état de charge de la batterie électrique ; et
- un calcul (30), en fonction de la consigne courante d’état de charge de la batterie électrique calculée, d’une consigne courante de répartition de couple entre le moteur thermique et la machine électrique du véhicule hybride.
- comparing (20) the calculated highest probability to a predefined probability threshold value;
- if the highest probability is greater than the predefined probability threshold value, sending (22) to the navigation system a request aimed at providing the distance separating the current position of the vehicle and the position of the destination associated with the probability the highest;
- a reception (26) of said distance separating the current position of the vehicle and the position of the destination associated with the highest probability;
- a calculation (28), as a function of the distance separating the current position of the vehicle and the position of the destination associated with the highest probability, of a current set point for the state of charge of the electric battery; and
- a calculation (30), as a function of the current charge state setpoint of the calculated electric battery, of a current torque distribution setpoint between the internal combustion engine and the electric machine of the hybrid vehicle.
Method according to any one of Claims 6 to 8, characterized in that, during the step (28) of calculating the current setpoint for the state of charge of the electric battery, the setpoint for the state of charge is calculated as a piecewise linear function, each piece being associated with a section of the route to be traveled to the destination associated with the calculated highest probability, said piecewise linear function being parameterized according to predetermined cartographic information elements of so as to allocate the state of charge of the electric battery in proportion to the demand for electric energy for each section of the route.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2106558A FR3124256A1 (en) | 2021-06-21 | 2021-06-21 | METHOD FOR PREDICTING A POSITION OR A DESTINATION TRAJECTORY OF A VEHICLE |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2106558A FR3124256A1 (en) | 2021-06-21 | 2021-06-21 | METHOD FOR PREDICTING A POSITION OR A DESTINATION TRAJECTORY OF A VEHICLE |
| FR2106558 | 2021-06-21 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3124256A1 true FR3124256A1 (en) | 2022-12-23 |
Family
ID=77710967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2106558A Withdrawn FR3124256A1 (en) | 2021-06-21 | 2021-06-21 | METHOD FOR PREDICTING A POSITION OR A DESTINATION TRAJECTORY OF A VEHICLE |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3124256A1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2369299A1 (en) * | 2010-03-24 | 2011-09-28 | Sap Ag | Navigation device and method for predicting the destination of a trip |
| WO2019028763A1 (en) * | 2017-08-10 | 2019-02-14 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for estimating travel time and distance |
-
2021
- 2021-06-21 FR FR2106558A patent/FR3124256A1/en not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2369299A1 (en) * | 2010-03-24 | 2011-09-28 | Sap Ag | Navigation device and method for predicting the destination of a trip |
| WO2019028763A1 (en) * | 2017-08-10 | 2019-02-14 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for estimating travel time and distance |
Non-Patent Citations (1)
| Title |
|---|
| ENDO YUKI ET AL: "Predicting Destinations from Partial Trajectories Using Recurrent Neural Network", 23 April 2017, ADVANCES IN BIOMETRICS : INTERNATIONAL CONFERENCE, ICB 2007, SEOUL, KOREA, AUGUST 27 - 29, 2007 ; PROCEEDINGS; [LECTURE NOTES IN COMPUTER SCIENCE; LECT.NOTES COMPUTER], SPRINGER, BERLIN, HEIDELBERG, PAGE(S) 160 - 172, ISBN: 978-3-540-74549-5, XP047410426 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3317139B1 (en) | Method for calculating a setpoint for managing the fuel and electricity consumption of a hybrid motor vehicle | |
| FR3068322A1 (en) | METHOD FOR MANAGING THE TRACTION CHAIN OF A HYBRID VEHICLE | |
| FR2968107A1 (en) | DEVICE FOR ESTIMATING THE ELECTRICITY REQUIREMENT OF A VEHICLE, DEVICE FOR PROCESSING ELECTRICAL DATA AND CHARGING SYSTEM | |
| WO2018127644A1 (en) | Method for calculating a management setpoint for managing the fuel and electric power consumption of a hybrid motor vehicle | |
| EP2785553B1 (en) | Method for estimating the energy consumption of a motor vehicle | |
| WO2010097554A1 (en) | Device and method for the optimised management of electrical power from an electrochemical storage source on-board a hybrid vehicle | |
| EP2396189A1 (en) | Device and method for managing the level of electric charge during the charging of an electrochemical storage source onboard a vehicle | |
| EP3599445B1 (en) | Method of searching a route minimizing the energy consumption of a hybrid vehicle using an extended line graph | |
| FR3124256A1 (en) | METHOD FOR PREDICTING A POSITION OR A DESTINATION TRAJECTORY OF A VEHICLE | |
| FR2975795A1 (en) | METHOD FOR MANAGING ENERGY CONSUMED BY A MOBILE SYSTEM, IN PARTICULAR A MOTOR VEHICLE, ON-BOARD DEVICE IMPLEMENTING SUCH A METHOD | |
| FR3096315A1 (en) | Method and device for managing the charge of an electric vehicle | |
| FR3126550A1 (en) | AUTOMOTIVE VEHICLE BATTERY THERMAL MANAGEMENT SYSTEM BASED ON A DESTINATION PREDICTION | |
| FR2942086A1 (en) | Charge state managing device for e.g. lithium-ion battery in plug-in-hybrid vehicle, has management system for controlling socket and charger, where socket and charger connects domestic network to charge source until value of preset state | |
| FR3095538A1 (en) | ASSISTANCE WITH THE CHARGING OF AN ELECTRIC VEHICLE, BY DETERMINATION OF A CHARGING PLAN OVER A LONG JOURNEY | |
| EP3630529B1 (en) | Control apparatus for an electric propulsion assembly of a vehicle | |
| WO2023047026A1 (en) | Method and device for selecting a charging station for an electrically powered vehicle | |
| FR3126382A1 (en) | THERMAL MANAGEMENT SYSTEM FOR THE CABIN OF A MOTOR VEHICLE BASED ON A DESTINATION PREDICTION | |
| FR3139534A1 (en) | Method and device for selecting a charging station for an electric vehicle | |
| FR3125621A1 (en) | Method and system for controlling the activation of electric vehicle charging stations | |
| FR3097357A1 (en) | ASSISTANCE WITH THE CHARGING OF A VEHICLE, BY DETERMINATION OF OPTIMAL AND ALTERNATIVE CHARGING PLANS OVER A LONG TRIP | |
| FR3146216A1 (en) | TRAJECTORY CALCULATION SYSTEM MINIMIZING THE ENERGY CONSUMPTION OF AN ELECTRIC MOTOR VEHICLE AND TAKING INTO ACCOUNT THE VEHICLE'S FREEWHEEL DRIVING PHASES | |
| WO2023104472A1 (en) | Method for determining and resetting the state of charge of the batteries of a hybrid vehicle | |
| FR3097358A1 (en) | ASSISTANCE WITH THE CHARGING OF A VEHICLE, BY PROPOSING OPTIMAL AND ALTERNATIVE CHARGING PLANS ADAPTED TO A LONG TRIP | |
| FR3142423A1 (en) | METHOD FOR OPTIMIZING THE ENERGY CONSUMPTION OF A MOTOR VEHICLE | |
| FR3132760A1 (en) | CONNECTED NAVIGATION SYSTEM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20221223 |
|
| ST | Notification of lapse |
Effective date: 20240205 |