FR3126382A1 - Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination - Google Patents

Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination Download PDF

Info

Publication number
FR3126382A1
FR3126382A1 FR2108913A FR2108913A FR3126382A1 FR 3126382 A1 FR3126382 A1 FR 3126382A1 FR 2108913 A FR2108913 A FR 2108913A FR 2108913 A FR2108913 A FR 2108913A FR 3126382 A1 FR3126382 A1 FR 3126382A1
Authority
FR
France
Prior art keywords
temperature
destination
passenger compartment
thermal management
management system
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.)
Pending
Application number
FR2108913A
Other languages
English (en)
Inventor
Arthur Vattier
Jean Kuchly
Antoine Simon
Jean Novati
Cedric Nouillant
Dominique Nelson-Gruel
Alain Charlet
Yann Chamaillard
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.)
Universite dOrleans
PSA Automobiles SA
Original Assignee
Universite dOrleans
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 Universite dOrleans, PSA Automobiles SA filed Critical Universite dOrleans
Priority to FR2108913A priority Critical patent/FR3126382A1/fr
Publication of FR3126382A1 publication Critical patent/FR3126382A1/fr
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/0073—Control systems or circuits characterised by particular algorithms or computational models, e.g. fuzzy logic or dynamic models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
    • B60H1/00764—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models the input being a vehicle driving condition, e.g. speed
    • B60H1/00771—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models the input being a vehicle driving condition, e.g. speed the input being a vehicle position or surrounding, e.g. GPS-based position or tunnel

Abstract

L’invention concerne un système de gestion thermique d’habitacle de véhicule automobile, comprenant - un modèle de prédiction de destination (MP) configuré pour estimer une géolocalisation d’une destination d’un trajet en cours, et un temps restant avant l’arrivée à la destination, - un modèle de simulation de l’évolution d’une température de l’habitacle de véhicule automobile sur une fin du trajet si un système de régulation de la température de l’habitacle est arrêté ; - un moyen d’arrêt du système de régulation de la température de l’habitacle si un écart entre une consigne de température et la température simulée via le modèle de simulation sur la fin du trajet, est compris dans une marge donnée. L’invention concerne en outre un véhicule automobile et un procédé sur la base d’un tel système. Figure 1

Description

SYSTEME DE GESTION THERMIQUE D’HABITACLE D’UN VEHICULE AUTOMOBILE EN FONCTION D’UNE PREDICTION DE DESTINATION
L’invention se rapporte au domaine des systèmes de gestion de température d’habitacle de véhicules automobiles, y compris des systèmes de chauffage et d’air conditionné pour habitacle.
Dans ce domaine, il a été proposé de réaliser des systèmes de chauffage et de climatisation comprenant des mécanismes de régulation, de sorte que le conducteur renseigne une consigne de température dans l’habitacle, qui est ensuite réalisée par régulation à l’aide de la climatisation et du chauffage.
La climatisation et le chauffage, en particulier sur un véhicule électrique, représentent une dépense énergétique conséquente. Il serait donc pertinent de réduire cette dépense, dans l’objectif par exemple d’augmenter l’autonomie des véhicules électriques.
Un objectif de la présente invention est de mettre en œuvre une solution permettant de diminuer la consommation d’énergie liée à la régulation de la température de l’habitacle sur un trajet de sorte à, notamment, économiser de l’énergie, diminuer les émissions de CO2dans le cas d’un véhicule thermique et augmenter l’autonomie dans le cas d’un véhicule électrique.
Pour atteindre cet objectif, l’invention propose un système de gestion thermique d’habitacle de véhicule automobile, comprenant
- un modèle de prédiction de destination configuré pour estimer une géolocalisation d’une destination d’un trajet en cours, et un temps restant avant l’arrivée à la destination,
- un modèle de simulation de l’évolution d’une température de l’habitacle de véhicule automobile sur une fin du trajet si un système de régulation de la température de l’habitacle est arrêté,
- un moyen d’arrêt du système de régulation de la température de l’habitacle si un écart entre une consigne de température et la température simulée via le modèle de simulation sur la fin du trajet, est compris dans une marge donnée.
Avantageusement, l’invention permet de profiter de l’inertie thermique de l’habitacle pour économiser de l’énergie qui aurait été utilisée par le système de régulation thermique tel qu’un chauffage et/ou une climatisation.
L’invention permet en outre de diminuer les émissions de CO2dans le cas d’un véhicule thermique et d’augmenter l’autonomie dans le cas d’un véhicule électrique.
Selon une variante, le modèle de prédiction de destination est basé sur des données d’apprentissage d’habitudes du conducteur du véhicule automobile. Cela permet de s’affranchir du besoin que le conducteur renseigne lui-même sa destination.
De préférence, les données d’apprentissage comprennent des données d’horodatage de trajets, et des données de géolocalisation de trajets. Cela permet d’améliorer la précision du modèle et donc la précision de la prédiction de destination.
Selon une variante, le modèle de prédiction de destination utilise au moins un réseau de neurones de type perceptron multicouche. Ce type de réseau de neurones permet d’améliorer l’apprentissage automatique avec des résultats de prédiction satisfaisants.
De préférence, le modèle de prédiction de destination utilise en outre un réseau de neurones récurrent. Cela permet d’augmenter davantage la précision de la prédiction de destination.
Selon une variante, le modèle de prédiction de destination utilise en outre une fonction fournissant des probabilités de géolocalisation de destination, de sorte que la prédiction correspond à la géolocalisation de destination ayant la probabilité la plus élevée. Cela permet d’avoir un choix précis parmi plusieurs destinations possibles.
Selon une variante, le modèle de simulation de l’évolution de la température est basé sur la formule suivante :
(4)
où
est le produit de respectivement la masse d’air dans l’habitacle et de la capacité calorifique de l’air à la température de l’habitacle,
est la température habitacle,
est la puissance thermique apportée par le chauffage à l’air de l’habitacle,
est la puissance thermique soustraite par la climatisation à l’air de l’habitacle,
est le coefficient d’échange thermique entre l’air de l’habitacle et l’air ambiant, et
est la température de l’air ambiant.
Cela permet d’avoir une estimation précise de l’évolution de la température dans le temps.
Selon une variante, le modèle de prédiction de destination est basé sur une méthode probabiliste choisie parmi une chaîne de Markov ou un classifieur bayésien naïf.
L’invention porte en outre sur un véhicule automobile comprenant un système de gestion thermique selon l’invention.
Un autre objet de l’invention concerne un procédé de gestion thermique d’habitacle de véhicule automobile, comprenant
- une étape de prédiction de destination pour estimer une géolocalisation d’une destination d’un trajet en cours, et un temps restant avant l’arrivée à la destination,
- une étape de simulation de l’évolution d’une température de l’habitacle de véhicule automobile sur une fin du trajet si un système de régulation de la température de l’habitacle est arrêté ;
- une étape d’arrêt du système de régulation de la température de l’habitacle si un écart entre une consigne de température et la température simulée à l’étape de simulation sur la fin du trajet, est compris dans une marge donnée.
L’invention sera davantage détaillée par la description de modes de réalisation non limitatifs, et sur la base des figures annexées illustrant des variantes de l’invention, dans lesquelles :
- illustre schématiquement un modèle de prédiction de destination par apprentissage d’un système selon un premier mode de réalisation préféré de l’invention ; et
- illustre schématiquement un modèle de prédiction de destination par apprentissage d’un système selon un deuxième mode de réalisation préféré.
L’invention concerne un système de gestion thermique d’habitacle de véhicule automobile. Ce système permet de gérer la température de l’habitacle de manière particulière, en coopération avec un système de régulation thermique pouvant être un chauffage et/ou une climatisation.
Dans le cadre de l’invention, on utilise une prédiction de la destination du conducteur. Quand on approche de la fin du trajet, on simule l’évolution de la température habitacle sur la fin du trajet à l’aide d’un modèle simplifié, et en considérant la climatisation et le chauffage coupés.
Si l’écart entre la température finale simulée et la consigne fixée par l’utilisateur ne dépasse pas une certaine marge (détaillée plus bas), on arrête la climatisation ou le chauffage.
A cet effet, le système de gestion thermique comprend un modèle de prédiction de destination MP configuré pour estimer une géolocalisation d’une destination d’un trajet en cours, et un temps restant avant l’arrivée à la destination.
Le système de gestion thermique comprend en outre un modèle de simulation de l’évolution d’une température de l’habitacle de véhicule automobile sur une fin du trajet si un système de régulation de la température de l’habitacle est arrêté.
Le système de gestion thermique comprend en outre un moyen d’arrêt du système de régulation de la température de l’habitacle si un écart entre une consigne de température et la température simulée via le modèle de simulation sur la fin du trajet, est compris dans une marge donnée.
Avantageusement, l’invention permet de profiter de l’inertie thermique de l’habitacle pour économiser de l’énergie qui aurait été utilisée par le système de régulation thermique tel qu’un chauffage et/ou une climatisation.
L’invention permet en outre de diminuer les émissions de CO2dans le cas d’un véhicule thermique et d’augmenter l’autonomie dans le cas d’un véhicule électrique.
Couper le chauffage ou la climatisation peu avant l’arrivée permet d’économiser de l’énergie en jouant sur l’inertie thermique de la voiture, par rapport au cas standard où la température habitacle est régulée tout au long du trajet.
En outre, prédire la destination du conducteur permet d’utiliser cette stratégie en toutes circonstances. Sans prédiction, on ne peut utiliser cette stratégie que si le conducteur renseigne son trajet au préalable, ce qui est peu probable, en particulier pour les petits trajets du quotidien qui représenteraient pourtant une grande part du gain énergétique permis par cette stratégie.
Dans la variante illustrée, le modèle de prédiction de destination MP est basé sur des données d’apprentissage d’habitudes du conducteur du véhicule automobile. Il s’agit d’un modèle d’apprentissage automatique (ou «machine learning» en langue anglaise)
En particulier, à l’aide d’un algorithme de prédiction de destination, basé sur un apprentissage des habitudes du conducteur, il est possible de connaître avec une certaine probabilité la destination du trajet en cours, et donc le temps avant l’arrivée. En jouant sur l’inertie thermique, il est possible d’arrêter le chauffage ou la climatisation peu avant l’arrivée sans perte de confort pour l’utilisateur. Ce faisant, il est possible d’économiser de l’énergie et de diminuer les émissions de CO2sur un véhicule thermique ou d’augmenter l’autonomie sur un véhicule électrique. L’utilisation d’un algorithme de prédiction permet de s’affranchir du besoin que le conducteur renseigne lui-même sa destination.
Dans la variante préférée, les données d’apprentissage comprennent des données d’horodatage DHde trajets, et des données de géolocalisation DGPSde trajets. Ces données sont utilisées dans le modèle de prédiction de destination MP. En particulier, à chaque trajet réalisé par le véhicule, on relève les données suivantes :
- les positions GPS tout au long du trajet en tant que données de géolocalisation DGPS, et
- l’heure et le jour de la semaine en tant que données d’horodatage DH.
Ces données d’apprentissage, sont utilisées pour calibrer le modèle de prédiction de destination MP, qui peut avoir la structure illustrée à la .
Lorsque ce modèle MP est utilisé, à n’importe quel moment d’un trajet, il prend en entrée les données considérées :
- Un nombre fini de position GPS (données de géolocalisation DGPS) sous la forme de couples (par exemple les premiers et les derniers de la trajectoire, échantillonnés avec un pas de temps , avec , et à paramétrer. Le vecteur résultant, obtenu en concaténant tous les couples de positions, est noté .
- L’heure et le jour de la semaine, au moment du départ : ces données sont représentées par la case "Horodatage" (données d’horodatage DH) et le vecteur concaténant l’heure et le jour est noté .
Dans la variante préférée, le modèle de prédiction de destination MP utilise au moins un réseau de neurones de type perceptron multicouche noté MLP, en particulier deux réseaux de neurones de type perceptron multicouche illustrés en : à savoir un premier réseau de neurones MLP 1 recevant les données d’horodatage DHet un deuxième réseau de neurones MLP 2 recevant les données du premier réseau de neurones MLP 1 et les données de géolocalisation DGPS.
Plus précisément, le premier réseau de neurones MLP 1 prend en entrée le vecteur relatif aux données d’horodatage DH, et fournit en sortie un nombre de variables paramétrables par l’implémentateur, sous la forme d’un vecteur .
En outre, le vecteur des données GPS DGPSet la sortie de ce premier réseau de neurones MPL 1 sont concaténés et fournissent une entrée au deuxième réseau de neurones MLP 2. Le deuxième réseau de neurones MLP 2 aura pour sortie un nombre de variables correspondant au nombre de destinations déjà visitées par le conducteur, sous la forme d’un vecteur .
Dans les variantes illustrées, le modèle de prédiction de destination MP utilise en outre une fonction dite Softmax Sm fournissant des probabilités de géolocalisation de destination, de sorte que la prédiction correspond à la géolocalisation de destination ayant la probabilité la plus élevée.
Plus la valeur de la sortie correspondant à une destination est élevée, plus la probabilité associée à cette destination est élevée. Ainsi, la fonction Softmax Sm a pour but de fournir les probabilités associées à chaque destination en normalisant les sorties du deuxième réseau de neurones MLP 2. De cette façon, en notant et respectivement les sorties du deuxième réseau de neurones MLP 2 et les probabilités associées à chaque destination parmi les destinations considérées, on a :
(1)
La destination prédite sera donc celle qui a la probabilité la plus élevée.
Pour pouvoir utiliser ce modèle prédictif MP, il est nécessaire de le calibrer. En effet, les deux réseaux de neurones MLP 1, MLP 2 ont de nombreux paramètres qui doivent être déterminés grâce aux données recueillies par le véhicule à mesure que des trajets sont effectués. Le procédé de calibration du modèle est appelé apprentissage. L’apprentissage peut être réalisé en déterminant la combinaison de paramètres qui permet de minimiser une métrique choisie sur les données déjà recueillies (usuellement par la méthode de rétropropagation du gradient – «backpropagation» en langue anglaise). Cette métrique pourra être au choix la somme des distances entre les destinations prédites pour un ensemble de paramètres donnés et celles effectivement visitées dans les données d’apprentissages ; ou l’entropie croisée (ou «c ross-entrop y» en langue anglaise) entre le vecteur de prédiction et la valeur réelle (défini par si est la vraie classe et 0 sinon) (permettant de maximiser le taux de prédictions exactes).
L’entropie croisée CE est définie par :
((2)
où désigne le nombre de destinations considérées.
On a ainsi :
((3)
où est la métrique choisie, calculée en utilisant les données d’apprentissage en entrée du modèle prédictif et en comparant les destinations prédites par le modèle pour chaque trajet du passé avec la destination effectivement visitée.
L’apprentissage pourra être réalisé tous les trajets, avec une valeur paramétrable par l’implémentateur.
Une fois que l’apprentissage est réalisé au moins une fois, le modèle prédictif MP est utilisé à chaque trajet, au démarrage puis à intervalle régulier afin de prédire la destination. Si la probabilité maximum est supérieure à un seuil de probabilité paramétré par l’implémentateur, le système de navigation est interrogé par le calculateur et fournit le temps restant à parcourir pour atteindre la destination prédite.
Dans la variante préférée, le modèle de simulation de l’évolution de la température (ou modèle thermique) est basé sur la formule suivante :
(4)
où
est le produit de respectivement la masse d’air dans l’habitacle et de la capacité calorifique de l’air à la température de l’habitacle, qui sont des valeurs connues,
est la température habitacle,
est la puissance thermique apportée par le chauffage à l’air de l’habitacle,
est la puissance thermique soustraite par la climatisation à l’air de l’habitacle,
est le coefficient d’échange thermique entre l’air de l’habitacle et l’air ambiant, et
est la température de l’air ambiant.
Si la valeur la plus élevée des probabilités des destinations fournies par l’algorithme de prédiction dépasse le seuil de probabilité , et le système de navigation fournit un temps de trajet associé à cette destination inférieur à un seuil de temps à calibrer noté , alors ce modèle thermique est utilisé pour simuler la température de l’habitacle pendant le reste du trajet prédit, en fixant et . On regarde alors si la température finale simulée vérifie la condition suivante :
( ( 5)
avec :
la consigne de température choisie par le conducteur,
une marge à calibrer, qui sera typiquement de l’ordre de 1 ou 2 degrés.
Si cette condition est vérifiée, c’est-à-dire si l’écart entre la température finale simulée et la consigne du conducteur ne dépasse pas la marge , alors on coupe le système de régulation de température. L’inertie thermique de l’habitacle permettra de conserver le confort du conducteur et l’énergie qui aurait dû être dépensée dans le maintien de la température habitacle est économisée. Le gain énergétique réalisé peut être important, en particulier pour des trajets urbains où la climatisation peut éventuellement représenter la moitié de la puissance à développer.
L’invention porte en outre sur un procédé de gestion thermique correspondant, pour la gestion thermique d’un habitacle de véhicule automobile.
Le procédé comprend une étape de prédiction de destination pour estimer une géolocalisation d’une destination d’un trajet en cours, et un temps restant avant l’arrivée à la destination.
Le procédé comprend en outre une étape de simulation de l’évolution d’une température de l’habitacle de véhicule automobile sur une fin du trajet si un système de régulation de la température de l’habitacle est arrêté.
Le procédé comprend en outre une étape d’arrêt du système de régulation de la température de l’habitacle si un écart entre une consigne de température et la température simulée à l’étape de simulation sur la fin du trajet, est compris dans une marge donnée.
Plus précisément, le procédé comprend une étape de prédiction de destination, qui fournit une liste de probabilités, affectées à chacune des destinations qu’à visitées le conducteur dans le passé.
Si la probabilité la plus élevée de cette liste de probabilité dépasse un seuil à calibrer, le procédé comprend une étape d’interrogation du système de navigation pour fournir le temps restant avant d’arriver à la destination correspondante.
Si ce temps restant est inférieur à un seuil de temps à calibrer, le procédé comprend une utilisation du modèle thermique de l’équation (4) pour simuler l’évolution de la température à l’intérieur de l’habitacle, en fixant des puissances de chauffages et de climatisation nulles.
Si l’écart entre la température simulée à l’instant final du trajet prédit et la consigne de température fixée par le conducteur est inférieur à une marge à calibrer, alors le procédé comprend une étape de mise à l’arrêt du chauffage et de la climatisation.
L’intégralité du procédé est réalisée à intervalle régulier tout au long du trajet.
Plus généralement, les actions des parties d’un système de gestion thermique tel que décrit précédemment, et celles des parties du véhicules coopérant avec le système de gestion thermique peuvent être considérées comme autant d’étapes du procédé de gestion thermique.
Dans un deuxième mode de réalisation illustré par la figure 2, le modèle de prédiction de destination MP utilise en outre un réseau de neurones récurrent RNN. En particulier, outre la configuration de la figure 1, le réseau de neurones récurrent RNN reçoit les données de géolocalisation DGPS, ici du vecteur , et le deuxième réseau de neurones de type perceptron multicouche MLP 2 reçoit les données du premier réseau de neurones MLP 1, ici du vecteur , ainsi que les données du réseau de neurones récurrent RNN, ici du vecteur .
Plus précisément, à partir de la structure présentée sur la , il est possible de rajouter le réseau de neurones récurrent RNN («Recurrent Neural Network» en langue anglaise) qui prend en entrée les coordonnées GPS DGPS et fournit en sortie un vecteur de taille paramétrable qui sera utilisé en entrée du deuxième réseau de neurones MLP 2 ( ). Le réseau de neurones récurrent RNN prend un entrée un vecteur de taille quelconque, donc il est possible de lui fournir l’intégralité des positions GPS du parcours réalisé à l’instant actuel plutôt qu’une séquence finie.
On peut envisager un autre mode de réalisation (non illustré) où le modèle de prédiction de destination est basé sur une méthode probabiliste telle qu’une chaîne de Markov ou un classifieur bayésien naïf.
D’autres variantes peuvent également porter sur le système de navigation :
- Les données GPS peuvent être obtenues à partir du système de navigation du véhicule dans la variante privilégiée ;
- Elles peuvent également être obtenues à partir du téléphone du conducteur, en utilisant une application comme par exemple MyPeugeotTM.
L’invention permet, lors d’une traction réalisée par un moteur thermique, de diminuer les émissions de CO2; et lors d’une traction réalisée par une machine électrique, d’augmenter l’autonomie électrique du véhicule.

Claims (10)

  1. Système de gestion thermique d’habitacle de véhicule automobile, comprenant
    - un modèle de prédiction de destination (MP) configuré pour estimer une géolocalisation d’une destination d’un trajet en cours, et un temps restant avant l’arrivée à la destination,
    - un modèle de simulation de l’évolution d’une température de l’habitacle de véhicule automobile sur une fin du trajet si un système de régulation de la température de l’habitacle est arrêté,
    - un moyen d’arrêt du système de régulation de la température de l’habitacle si un écart entre une consigne de température et la température simulée via le modèle de simulation sur la fin du trajet, est compris dans une marge donnée.
  2. Système de gestion thermique selon la revendication 1, caractérisé en ce que le modèle de prédiction de destination (MP) est basé sur des données d’apprentissage d’habitudes du conducteur du véhicule automobile.
  3. Système de gestion thermique selon la revendication 2, caractérisé en ce que les données d’apprentissage comprennent des données d’horodatage (DH) de trajets, et des données de géolocalisation (DGPS) de trajets.
  4. Système de gestion thermique selon l’une quelconque des revendications 1 à 3, caractérisé en ce que le modèle de prédiction de destination (MP) utilise au moins un réseau de neurones de type perceptron multicouche (MLP 1, MLP 2).
  5. Système de gestion thermique selon la revendication 4, caractérisé en ce que le modèle de prédiction de destination (MP) utilise en outre un réseau de neurones récurrent (RNN).
  6. Système de gestion thermique selon l’une quelconque des revendications 4 à 5, caractérisé en ce que le modèle de prédiction de destination (MP) utilise en outre une fonction (Sm) fournissant des probabilités de géolocalisation de destination, de sorte que la prédiction correspond à la géolocalisation de destination ayant la probabilité la plus élevée.
  7. Système de gestion thermique selon l’une quelconque des revendications 1 à 6, caractérisé en ce que le modèle de simulation de l’évolution de la température est basé sur la formule suivante : (4)
    où
    est le produit de respectivement la masse d’air dans l’habitacle et de la capacité calorifique de l’air à la température de l’habitacle,
    est la température habitacle,
    est la puissance thermique apportée par le chauffage à l’air de l’habitacle,
    est la puissance thermique soustraite par la climatisation à l’air de l’habitacle,
    est le coefficient d’échange thermique entre l’air de l’habitacle et l’air ambiant, et
    est la température de l’air ambiant.
  8. Système de gestion thermique selon la revendication 1, caractérisé en ce que le modèle de prédiction de destination (MP) est basé sur une méthode probabiliste choisie parmi une chaîne de Markov ou un classifieur bayésien naïf.
  9. Véhicule automobile comprenant un système de gestion thermique selon l’une quelconque des revendications 1 à 8.
  10. Procédé de gestion thermique d’habitacle de véhicule automobile, comprenant
    - une étape de prédiction de destination pour estimer une géolocalisation d’une destination d’un trajet en cours, et un temps restant avant l’arrivée à la destination,
    - une étape de simulation de l’évolution d’une température de l’habitacle de véhicule automobile sur une fin du trajet si un système de régulation de la température de l’habitacle est arrêté ;
    - une étape d’arrêt du système de régulation de la température de l’habitacle si un écart entre une consigne de température et la température simulée à l’étape de simulation sur la fin du trajet, est compris dans une marge donnée.
FR2108913A 2021-08-26 2021-08-26 Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination Pending FR3126382A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2108913A FR3126382A1 (fr) 2021-08-26 2021-08-26 Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2108913 2021-08-26
FR2108913A FR3126382A1 (fr) 2021-08-26 2021-08-26 Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination

Publications (1)

Publication Number Publication Date
FR3126382A1 true FR3126382A1 (fr) 2023-03-03

Family

ID=78332885

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2108913A Pending FR3126382A1 (fr) 2021-08-26 2021-08-26 Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination

Country Status (1)

Country Link
FR (1) FR3126382A1 (fr)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180361823A1 (en) * 2016-01-07 2018-12-20 Mitsubishi Electric Corporation Vehicle air-conditioning system
WO2019100279A1 (fr) * 2017-11-23 2019-05-31 Beijing Didi Infinity Technology And Development Co., Ltd. Système et procédé d'estimation d'heure d'arrivée
DE102018214679A1 (de) * 2018-08-29 2020-03-05 Volkswagen Aktiengesellschaft Verfahren zum Steuern einer Klimatisierungsvorrichtung
DE102019002739A1 (de) * 2019-04-15 2020-04-23 Daimler Ag Verfahren und Vorrichtung zum verbrauchsoptimierten Betrieb eines Fahrzeuges sowie Fahrzeug
FR3097471A1 (fr) * 2019-06-19 2020-12-25 Psa Automobiles Sa Procede de regulation de temperature equivalente dans un habitacle d’un moyen de transport dote d’un systeme de climatisation
US20210239479A1 (en) * 2020-01-30 2021-08-05 Bayerische Motoren Werke Aktiengesellschaft Predicted Destination by User Behavior Learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180361823A1 (en) * 2016-01-07 2018-12-20 Mitsubishi Electric Corporation Vehicle air-conditioning system
WO2019100279A1 (fr) * 2017-11-23 2019-05-31 Beijing Didi Infinity Technology And Development Co., Ltd. Système et procédé d'estimation d'heure d'arrivée
DE102018214679A1 (de) * 2018-08-29 2020-03-05 Volkswagen Aktiengesellschaft Verfahren zum Steuern einer Klimatisierungsvorrichtung
DE102019002739A1 (de) * 2019-04-15 2020-04-23 Daimler Ag Verfahren und Vorrichtung zum verbrauchsoptimierten Betrieb eines Fahrzeuges sowie Fahrzeug
FR3097471A1 (fr) * 2019-06-19 2020-12-25 Psa Automobiles Sa Procede de regulation de temperature equivalente dans un habitacle d’un moyen de transport dote d’un systeme de climatisation
US20210239479A1 (en) * 2020-01-30 2021-08-05 Bayerische Motoren Werke Aktiengesellschaft Predicted Destination by User Behavior Learning

Similar Documents

Publication Publication Date Title
EP2872358A1 (fr) Procede de gestion de l'energie consommee par un vehicule automobile et systeme mettant en oeuvre un tel procede
EP3453583B1 (fr) Procede de determination d'une vitesse a atteindre pour un premier vehicule precede par un deuxieme vehicule, en particulier pour un vehicule autonome
WO2019042818A1 (fr) Procede de gestion de l'etat de charge d'un vehicule hybride
FR3018921A1 (fr) Procede pour estimer l'autonomie d'un vehicule electrique ou hybride
WO2015091235A1 (fr) Charge d'une batterie
WO2010043833A9 (fr) Procede d'estimation d'autonomie pour vehicule automobile pourvu de moyens de predictions ameliores et dispositif associe
EP3565747A1 (fr) Procede de calcul d'une consigne de gestion de la consommation en carburant et en courant electrique d'un vehicule automobile hybride
FR2942602A1 (fr) Dispositif et procede de gestion optimisee de l'energie electrique d'une source de stockage electrochimique embarquee dans un vehicule hybride
EP2785553B1 (fr) Procede d'estimation de la consommaton energetique d'un vehicule automobile
FR3126550A1 (fr) Systeme de gestion thermique de batterie de vehicule automobile en fonction d’une prediction de destination
FR3126382A1 (fr) Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination
FR2942087A1 (fr) Dispositif et procede de gestion du niveau de charge electrique lors de la mise en charge d'une source de stockage electrochimique embarquee dans un vehicule
WO2012160045A1 (fr) Procede de gestion de l'energie consommee par un systeme mobile, notamment un vehicule automobile, dispositif embarque mettant en œuvre un tel procede
FR3068322A1 (fr) Procede de gestion de la chaine de traction d'un vehicule hybride
FR3120594A1 (fr) Procede de gestion du demarrage d'un moteur thermique pour un vehicule hybride
FR2805782A1 (fr) Dispositif de gestion d'energie pour vehicule
WO2022024513A1 (fr) Système d'estimation de consommation d'énergie, procédé d'estimation de consommation d'énergie et programme d'estimation de consommation d'énergie
EP3599445B1 (fr) Procédé de détermination d'un itineraire minimisant la dépense energetique d'un vehicule hybride au moyen d'un graphe adjoint étendu
FR2991277A3 (fr) Procede et dispositif de validation d'une mission jusqu'a une destination pour un vehicule electrique ou hybride
FR3124256A1 (fr) Procede de prediction d’une position ou d’une trajectoire de destination d’un vehicule
FR3096315A1 (fr) Procédé et dispositif de gestion de la charge d’un véhicule électrique
US11757145B2 (en) Methods and systems for battery temperature management
FR3089463A1 (fr) Procédé de détermination de l’autonomie d’un véhicule
WO2023174807A1 (fr) Procédé et système de préconditionnement en température d'au moins un vitrage d'un véhicule
FR3135145A1 (fr) Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20230303

PLFP Fee payment

Year of fee payment: 3