FR3126550A1 - Systeme de gestion thermique de batterie de vehicule automobile en fonction d’une prediction de destination - Google Patents

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

Info

Publication number
FR3126550A1
FR3126550A1 FR2108914A FR2108914A FR3126550A1 FR 3126550 A1 FR3126550 A1 FR 3126550A1 FR 2108914 A FR2108914 A FR 2108914A FR 2108914 A FR2108914 A FR 2108914A FR 3126550 A1 FR3126550 A1 FR 3126550A1
Authority
FR
France
Prior art keywords
battery
destination
temperature
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.)
Granted
Application number
FR2108914A
Other languages
English (en)
Other versions
FR3126550B1 (fr
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.)
Stellantis Auto Sas Fr
UNIVERSITE ORLEANS, FR
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 FR2108914A priority Critical patent/FR3126550B1/fr
Publication of FR3126550A1 publication Critical patent/FR3126550A1/fr
Application granted granted Critical
Publication of FR3126550B1 publication Critical patent/FR3126550B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B60L58/25—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries by controlling the electric load
    • 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
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B60L58/26—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries by cooling
    • 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
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B60L58/27—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries by heating
    • 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
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • 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
    • B60L2260/46—Control modes by self learning
    • 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
    • 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
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
    • 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
    • B60L2260/56—Temperature prediction, e.g. for pre-cooling

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)

Abstract

L’invention concerne un système de gestion thermique d’une batterie 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 la batterie sur le trajet sur la base de données d’utilisation de la batterie, si un système de régulation de la température de la batterie est arrêté ;- un moyen d’arrêt du système de régulation de la température de la batterie si la température simulée via le modèle de simulation, est inférieure à un seuil. 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 DE BATTERIE DE VEHICULE AUTOMOBILE EN FONCTION D’UNE PREDICTION DE DESTINATION
L’invention se rapporte au domaine des systèmes de gestion de température pour des chaînes de traction électriques de véhicules automobiles.
À l’heure actuelle, plusieurs phénomènes imposent une régulation de la température de la batterie :
- À basse température, le rendement énergétique de la batterie est mauvais. Dans ces circonstances, on n’attend pas que la batterie monte en température uniquement par le fonctionnement de la chaîne de traction et on apporte une puissance de chauffe additionnelle de manière à atteindre plus rapidement des températures permettant d’avoir un bon rendement.
- À haute température, la batterie se dégrade plus rapidement. Il est en plus nécessaire, dans le but d’assurer la sécurité du véhicule, de ne pas dépasser une température haute limite. La batterie est donc équipée d’un système de refroidissement qui régule sa température.
Sur des trajets courts, il peut être préférable de ne pas réguler la température de la batterie :
- En condition froide, si le temps de trajet est suffisamment faible, le gain d’énergie permis par l’augmentation du rendement de la batterie peut être inférieur à l’énergie dépensée dans la chauffe de la batterie.
- Pour des températures modérées, le temps de trajet peut être suffisamment faible pour que la température ne monte pas au-delà de seuils problématiques, auquel cas il n’est pas utile de démarrer le système de refroidissement de la batterie.
Ainsi, pour certains trajets relativement courts, les chauffes ou refroidissements de la batterie peuvent être inutiles.
Un objectif de la présente invention est de mettre en œuvre une solution permettant d’optimiser le chauffage ou le refroidissement de la batterie en tenant compte d’une prédiction de trajet pour limiter les chauffages ou refroidissements inutiles sur des trajets courts.
Pour atteindre cet objectif, l’invention propose un système de gestion thermique d’une batterie 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 la batterie sur le trajet sur la base de données d’utilisation de la batterie, si un système de régulation de la température de la batterie est arrêté,
- un moyen d’arrêt du système de régulation de la température de la batterie si la température simulée via le modèle de simulation, est inférieure à un seuil.
De préférence, l’estimation de la température est couplée à l’estimation de la puissance que peut délivrer la batterie pendant le trajet. Ainsi, le système de régulation est arrêté si, en outre, la batterie peut délivrer suffisamment de puissance.
En utilisant un modèle de prédiction de la destination, il est possible de savoir quand le trajet en cours est justement suffisamment court pour ne pas utiliser la chauffe ou le refroidissement de la batterie.
Avantageusement, l’invention permet, lors de trajets courts, de ne pas chauffer la batterie malgré des conditions froides, car le gain lié à l’augmentation du rendement de la batterie peut être inférieur à l’énergie dépensée pour la chauffe pour un trajet suffisamment court.
En outre, l’invention permet, lors de trajets courts, de ne pas refroidir la batterie car le trajet est suffisamment court pour que la température ne dépasse pas un seuil problématique.
Il en résulte un gain énergétique, et une augmentation de l’autonomie dans le cas d’un véhicule électrique ; ou une diminution des émissions de CO2dans le cas d’un moteur de traction thermique en particulier d’un véhicule hybride rechargeable.
Selon une variante, le modèle de prédiction de destination est basé sur des données d’apprentissage d’habitudes de roulage 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)
avec
le produit entre respectivement la masse de la batterie et sa capacité calorifique massique,
la température de la batterie,
la puissance thermique apportée à la batterie par le système de chauffage, qui est une grandeur commandable,
la puissance thermique prélevée à la batterie par le système de refroidissement, qui est une grandeur commandable,
la puissance thermique dissipée naturellement par la batterie dans l’air ambiant,
la puissance thermique produite par les pertes lors du fonctionnement de la batterie, pouvant être déterminée à la partir de la puissance requise pour le roulage, qui peut s’obtenir elle-même à partir des informations cartographiques fournies par le système de navigation.
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. Il s’agit en particulier d’un véhicule à moteur de traction électrique ou d’un véhicule hybride rechargeable.
Un autre objet de l’invention concerne un procédé de gestion thermique d’une batterie 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 la batterie sur le trajet sur la base de données d’utilisation de la batterie, si un système de régulation de la température de la batterie est arrêté,
- une étape d’arrêt du système de régulation de la température de la batterie si la température simulée à l’étape de simulation, est inférieure à un seuil.
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 ;
- illustre schématiquement un procédé de gestion thermique selon un mode de réalisation préféré ; 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 de batterie de véhicule automobile. Ce système permet de gérer la température de la batterie d’une manière particulière, en coopération avec un système de régulation thermique pouvant être un système de chauffage et/ou un système de refroidissement de batterie.
Dans le cadre de l’invention, on utilise une prédiction de la destination du conducteur.
L’invention cherche à résoudre le problème de chauffes ou de refroidissements de la batterie qui peuvent être inutiles pour de courts trajets.
En utilisant un algorithme de prédiction de la destination, il est possible de savoir quand le trajet en cours est suffisamment court pour ne pas utiliser la chauffe ou le refroidissement de la batterie. Dans le cadre de l’invention le terme «algorithme» peut être interprété comme un procédé mis en œuvre pour réaliser ou participer à la réalisation d’un objectif de l’invention, par exemple au moyen d’un système de type informatique.
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 la batterie sur le trajet sur la base de données d’utilisation de la batterie si un système de régulation de la température de la batterie est arrêté.
Le système de gestion thermique comprend en outre un moyen d’arrêt du système de régulation de la température de la batterie si la température simulée via le modèle de simulation, est inférieure à un seuil.
Avantageusement, l’invention permet, lors de trajets courts, de ne pas chauffer la batterie malgré des conditions froides, car le gain lié à l’augmentation du rendement de la batterie peut être inférieur à l’énergie dépensée pour la chauffe pour un trajet suffisamment court.
En outre, l’invention permet, lors de trajets courts, de ne pas refroidir la batterie car le trajet est suffisamment court pour que la température de la batterie ne dépasse pas un seuil problématique.
Ceci se base sur le fait que l’on connaît le trajet à venir. Les trajets courts étant typiquement des trajets du quotidien, il est très peu probable que le conducteur les renseigne dans la navigation. Ainsi, l’invention permet de mettre en œuvre un algorithme de prédiction de la destination.
L’invention est donc une stratégie de gestion de la température de la batterie basée sur cet algorithme de prédiction.
Ne pas chauffer ou refroidir la batterie quand ce n’est pas nécessaire permet de réaliser un gain énergétique, et donc d’augmenter l’autonomie dans le cas d’un véhicule électrique ; ou de diminuer les émissions de CO2dans le cas d’un moteur de traction thermique en particulier d’un véhicule hybride rechargeable.
En outre, prédire la destination du conducteur permet d’utiliser cette stratégie en toutes circonstances, sans avoir besoin que le conducteur renseigne son trajet au préalable.
Dans la variante illustrée, le modèle de prédiction de destination MP est basé sur des données d’apprentissage d’habitudes de roulage du conducteur du véhicule automobile. Il s’agit d’un modèle d’apprentissage automatique (ou «machine learning» en langue anglaise)
Dans la variante préférée, les données d’apprentissage comprennent des données d’horodatage DHde trajets, 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 des informations sur le trajet correspondant.
Après un découpage du trajet en sections successives (une section pouvant être définie comme une portion de route où la limitation de vitesse est constante par exemple), le système de navigation fournit pour chaque section la vitesse moyenne des véhicules la traversant et la pente moyenne entre le début et la fin de la section.
Dans la variante préférée, le modèle de simulation de l’évolution de la température (ou modèle thermique) est basé sur la formule suivante :
(4)
avec
le produit entre respectivement la masse de la batterie et sa capacité calorifique massique,
la température de la batterie,
la puissance thermique apportée à la batterie par le système de chauffage, qui est une grandeur commandable,
la puissance thermique prélevée à la batterie par le système de refroidissement, qui est une grandeur commandable,
la puissance thermique dissipée naturellement par la batterie dans l’air ambiant, qui ne dépend que de la différence de température entre la batterie et l’air ambiant,
la puissance thermique produite par les pertes lors du fonctionnement de la batterie. est déterminée à la partir de la puissance requise pour le roulage, qui s’obtient elle-même à partir des informations cartographiques fournies par le système de navigation.
La puissance requise pour le roulage et d’autres données d’utilisation de la batterie peuvent être obtenues par les équations suivantes :
( ( 5)
( ( 6)
( ( 7)
( ( 8)
( ( 9)
avec :
une constante représentant le rendement énergétique du véhicule et de la chaîne de traction, hors batterie : cette valeur peut être calibrée pour prendre une marge de sûreté sur l’estimation de l’énergie à dépenser ;
, et sont les paramètres d’une loi de route du véhicules, est la masse du véhicule et est la constante gravitationnelle ;
est la tension de la batterie, est la tension à vide de la batterie et est sa résistance interne, qui dépendent toutes les deux de l’état de charge de la batterie (State Of Charge, ) et de sa température ;
est le courant entrant ou sortant de la batterie, et est la capacité maximale de la batterie.
À noter que la puissance de traction maximale que le véhicule peut fournir est diminuée à basse température. On l’obtient à partir d’une fonction issue de données expérimentales :
((10)
L’invention porte en outre sur un procédé de gestion thermique correspondant, pour la gestion thermique d’une batterie 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 la batterie sur le trajet sur la base de données d’utilisation de la batterie, si un système de régulation de la température de la batterie est arrêté.
Le procédé comprend en outre une étape d’arrêt du système de régulation de la température de la batterie si la température simulée via le modèle de simulation, est inférieure à un seuil.
Plus précisément concernant le procédé, on désigne les lois de commande par défaut du refroidissement et de la chauffe de batterie par le terme "nominal" (R-N, C-N respectivement).
À partir de la prédiction de destination et des relations physiques décrivant le comportement de la batterie, on peut utiliser le procédé décrit dans le paragraphe ci-dessous.
L’invention suit l’algorithme suivant, qui est résumé sur la :
Au début du trajet : On réalise une prédiction de destination suivant la méthode décrite plus haut. On obtient un vecteur de probabilités , dont chaque probabilité est associée à une destination. On le compare au seuil de probabilité calibrable . Par souci de clarté, les tests à réaliser dans le cadre de l’algorithme et leur réalisation (si/sinon) sont désigné par une lettre (A à F).
A.1.: Test A :Si
La probabilité maximale dépasse le seuil fixé. Dans ce cas, on envoie une requête au système de navigation pour obtenir le temps restant avant la fin du trajet, ainsi que des informations cartographiques : sections de la route, vitesse moyenne de chaque section, variation d’altitude entre le début et la fin de chaque section. On regarde si le temps restant est inférieur à un critère calibré noté . L’idée est que le trajet doit être suffisamment court pour que ce soit possible de gagner de l’énergie en ne chauffant pas ou en en refroidissant pas la batterie.
B.1.: Test B :Si
On procède à une simulation du trajet, grâce aux informations cartographiques utilisées dans l’équation (5). On se sert de l’équation (4) pour calculer l’évolution de la température de la batterie, des équations (6-7-8-9) pour calculer l’évolution duSOC, et de l’équation (10) pour calculer la puissance de roulage maximale que peut développer la chaîne de traction en fonction de la température de la batterie.
La simulation se fait pour et c'est-à-dire sans chauffage ni refroidissement. On observe ensuite si la stratégie sans chauffe et sans refroidissement enfreint les contraintes qu’on se fixe, à savoir le fait de pouvoir fournir pour chaque section la puissance de roulage requise et de ne pas dépasser un seuil de température haut . Ce seuil est paramétré par le calibrateur pour assurer la sécurité de la batterie d’une part, et limiter la dégradation de sa capacité maximale d’autre part.
C.1. : Test C :Si :
- (c'est-à-dire P< en ) ; et
- (c'est-à-dire T> en ).
On est dans le cas le plus défavorable : pour au moins une section du trajet la température est insuffisante pour pouvoir fournir la puissance requise, et de plus la température dépasse à au moins un moment du trajet le seuil maximum admissible. Dans ce cas, on applique pour le trajet la stratégie par défaut : et (i.e. : C-N, R-N en , branche de gauche).
C.2. : Test C :Si
- (i.e. : P< en ) ; et
- (i.e. : T< en ).
Ici le seuil de température maximal n’est pas atteint, mais la température est insuffisante pour pouvoir fournir la puissance requise pour au moins une section du trajet. On refait donc une simulation pour et . La température sur le trajet simulé ayant augmenté, on vérifie à nouveau qu’on ne dépasse pas le seuil maximal via par exemple le test D :
D.1. : Test D :Si
Dans ce cas, on respecte la contrainte de température. On applique donc la stratégie suivante : et (i.e. : C-N, R-0). On économise alors la puissance dépensée dans le refroidissement de la batterie par la stratégie nominale.
D.2. : Test D :Sinon
Dans cas, le fait d’avoir choisi la loi de commande nominale pour la chauffe mais pas de refroidissement entraîne la violation de la contrainte de température. On applique donc la stratégie par défaut : et (i.e. : C-N, R-N).
D.3. : Fin du test D.
C.3. : Test C :Si
- (i.e. P>); et
- (i.e. T>).
Dans ce cas, la température est suffisamment élevée tout au long du cycle pour permettre à la chaîne de traction de fournir l’énergie désirée, par contre le seuil de température maximale est dépassé. On simule donc une première fois le trajet avec et , puis une deuxième fois avec et .
On compare lesSOCde fin de trajet obtenus par les deux stratégies pour savoir laquelle permet la meilleure performance énergétique, par exemple par le test E :
E.1. : Test E :Si
.
Dans ce cas, leSOCfinal simulé avec les lois de commande nominales pour la chauffe et le refroidissement est inférieur à celui obtenu avec le refroidissement mais sans la chauffe. On applique alors la stratégie la plus efficace, c’est-à-dire avec et (i.e. C-0, R-N).
E.2. : Test E :Sinon
Si ce n’est pas le cas, la stratégie nominale est la plus efficace du point de vue énergétique. On applique alors et (i.e. C-N, R-N).
E.3. : Fin du test E.
C.4. : Test C :Si
- (i.e. P>) ; et
- (i.e. T<).
On est alors dans le cas le plus favorable, puisque la température de la batterie est suffisamment élevée pour fournir la puissance demandée tout au long du trajet et le seuil de température maximal n’est pas atteint. On simule alors le trajet pour la loi de commande nominale, avec et , puis on compare les performances énergétiques de cette stratégie avec la stratégie et de manière analogue à l’étape précédente, par exemple via le test F :
F.1.: Test F :Si
Dans ce cas, la stratégie sans chauffe et sans refroidissement est la meilleure. On applique alors (i.e. C-0, R-0).
F.2. : Test F :Sinon
Si la stratégie nominale permet d’aboutir à unSOCfinal plus élevé, alors on l’applique : on prend et (i.e. C-N, R-N).
F.3.: Fin du test F.
C.5. : Fin du test C.
B.2. : Test B :Sinon
Si le temps prévu pour le trajet est supérieur au seuil fixé par le calibrateur , alors on applique la stratégie nominale avec et (i.e. C-N, R-N).
B.3.: Fin du test B.
A.2.: Test A :Sinon
Si aucune des probabilités associées aux destinations ne dépasse le seuil fixé par le calibrateur, alors on considère que la prédiction est trop incertaine pour pouvoir se baser dessus. On applique alors la stratégie nominale avec et (i.e. C-N, R-N).
A.3. : Fin du test A
A la fin du procédé, celui-ci doit être répété à intervalles réguliers le long du trajet.
Le procédé peut comprendre toute action réalisée par un moyen, élément ou partie du système de gestion thermique décrit précédemment, en combinaison ou non avec un moyen ou élément du véhicule automobile correspondant.
Le système selon l’invention peut comprendre tout moyen ou élément configuré pour réaliser les étapes du procédé décrit précédemment.
Dans un deuxième mode de réalisation illustré par la figure 3, le modèle de prédiction de destination MP utilise en outre un réseau de neurones récurrent RNN («Recurrent Neural Network» en langue anglaise). 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 qui prend en entrée les coordonnées GPS DGPSet 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.
Par ailleurs, il est possible de ne considérer que la chauffe et de fixer toujours un refroidissement nominal R-N. À l’inverse, il est possible de ne considérer que le refroidissement et de fixer toujours une chauffe nominale C-N.
Il est possible de ne pas considérer la puissance maximale que peut fournir la batterie en fonction de sa température (équation 9). Dans ce cas, la prestation du véhicule pourra être altérée dans des conditions de faibles températures et de forte demande d’énergie.
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 en particulier d’un véhicule hybride rechargeable, 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’une batterie 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 la batterie sur le trajet sur la base de données d’utilisation de la batterie, si un système de régulation de la température de la batterie est arrêté,
    - un moyen d’arrêt du système de régulation de la température de la batterie si la température simulée via le modèle de simulation, est inférieure à un seuil.
  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 de roulage 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)
    avec
    le produit entre respectivement la masse de la batterie et sa capacité calorifique massique,
    la température de la batterie,
    la puissance thermique apportée à la batterie par le système de chauffage, qui est une grandeur commandable,
    la puissance thermique prélevée à la batterie par le système de refroidissement, qui est une grandeur commandable,
    la puissance thermique dissipée naturellement par la batterie dans l’air ambiant,
    la puissance thermique produite par les pertes lors du fonctionnement de la batterie, pouvant être déterminée à la partir de la puissance requise pour le roulage, qui peut s’obtenir elle-même à partir des informations cartographiques fournies par le système de navigation.
  8. Système de gestion thermique selon la revendication 1, caractérisé en ce que le modèle de prédiction de destination 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’une batterie 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 la batterie sur le trajet sur la base de données d’utilisation de la batterie, si un système de régulation de la température de la batterie est arrêté,
    - une étape d’arrêt du système de régulation de la température de la batterie si la température simulée à l’étape de simulation, est inférieure à un seuil.
FR2108914A 2021-08-26 2021-08-26 Systeme de gestion thermique de batterie de vehicule automobile en fonction d’une prediction de destination Active FR3126550B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2108914A FR3126550B1 (fr) 2021-08-26 2021-08-26 Systeme de gestion thermique de batterie de vehicule automobile en fonction d’une prediction de destination

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2108914A FR3126550B1 (fr) 2021-08-26 2021-08-26 Systeme de gestion thermique de batterie de vehicule automobile en fonction d’une prediction de destination
FR2108914 2021-08-26

Publications (2)

Publication Number Publication Date
FR3126550A1 true FR3126550A1 (fr) 2023-03-03
FR3126550B1 FR3126550B1 (fr) 2024-03-29

Family

ID=78212245

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2108914A Active FR3126550B1 (fr) 2021-08-26 2021-08-26 Systeme de gestion thermique de batterie de vehicule automobile en fonction d’une prediction de destination

Country Status (1)

Country Link
FR (1) FR3126550B1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116620115A (zh) * 2023-07-26 2023-08-22 宁德时代新能源科技股份有限公司 功率调整方法、装置、车辆管理设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006139963A (ja) * 2004-11-10 2006-06-01 Toyota Motor Corp バッテリ冷却装置
EP2177389A1 (fr) * 2007-08-09 2010-04-21 Toyota Jidosha Kabushiki Kaisha Voiture équipée d'un dispositif de batterie rechargeable, et procédé de régulation thermique du dispositif de batterie rechargeable
US20170101030A1 (en) * 2014-05-20 2017-04-13 Jaguar Land Rover Limited Vehicle control system and method
EP3584106A1 (fr) * 2018-06-19 2019-12-25 Einride Ab Gestion thermique à distance prédictive
WO2020127231A1 (fr) * 2018-12-17 2020-06-25 Magna Steyr Fahrzeugtechnik Ag & Co Kg Procédé pour faire fonctionner un véhicule automobile

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006139963A (ja) * 2004-11-10 2006-06-01 Toyota Motor Corp バッテリ冷却装置
EP2177389A1 (fr) * 2007-08-09 2010-04-21 Toyota Jidosha Kabushiki Kaisha Voiture équipée d'un dispositif de batterie rechargeable, et procédé de régulation thermique du dispositif de batterie rechargeable
US20170101030A1 (en) * 2014-05-20 2017-04-13 Jaguar Land Rover Limited Vehicle control system and method
EP3584106A1 (fr) * 2018-06-19 2019-12-25 Einride Ab Gestion thermique à distance prédictive
WO2020127231A1 (fr) * 2018-12-17 2020-06-25 Magna Steyr Fahrzeugtechnik Ag & Co Kg Procédé pour faire fonctionner un véhicule automobile

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
EBEL PATRICK ET AL: "Destination Prediction Based on Partial Trajectory Data", 2020 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV), IEEE, 19 October 2020 (2020-10-19), pages 1149 - 1155, XP033872679, DOI: 10.1109/IV47402.2020.9304734 *
LASSOUED YASSINE ET AL: "A hidden Markov model for route and destination prediction", 2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, 16 October 2017 (2017-10-16), pages 1 - 6, XP033330540, DOI: 10.1109/ITSC.2017.8317888 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116620115A (zh) * 2023-07-26 2023-08-22 宁德时代新能源科技股份有限公司 功率调整方法、装置、车辆管理设备及可读存储介质
CN116620115B (zh) * 2023-07-26 2023-11-03 宁德时代新能源科技股份有限公司 功率调整方法、装置、车辆管理设备及可读存储介质

Also Published As

Publication number Publication date
FR3126550B1 (fr) 2024-03-29

Similar Documents

Publication Publication Date Title
FR3018921A1 (fr) Procede pour estimer l&#39;autonomie d&#39;un vehicule electrique ou hybride
EP2872358A1 (fr) Procede de gestion de l&#39;energie consommee par un vehicule automobile et systeme mettant en oeuvre un tel procede
EP2636093B1 (fr) Procede de charge pour une batterie d&#39;alimentation d&#39;un moteur d&#39;entrainement d&#39;un vehicule automobile
EP3676145A1 (fr) Procede de gestion de l&#39;etat de charge d&#39;un vehicule hybride
EP2790988B1 (fr) Procede de gestion d&#39;energie pour un vehicule electrique
EP3565747A1 (fr) Procede de calcul d&#39;une consigne de gestion de la consommation en carburant et en courant electrique d&#39;un vehicule automobile hybride
FR3126550A1 (fr) Systeme de gestion thermique de batterie de vehicule automobile en fonction d’une prediction de destination
FR3124147A1 (fr) Systeme de calculs de trajectoire minimisant la consommation en energie d’un vehicule automobile
EP2785553B1 (fr) Procede d&#39;estimation de la consommaton energetique d&#39;un vehicule automobile
EP2401170A1 (fr) Dispositif et procédé de gestion optimisée de l&#39;énergie électrique d&#39;une source de stockage électrochimique embarquée dans un véhicule hybride
WO2012160045A1 (fr) Procede de gestion de l&#39;energie consommee par un systeme mobile, notamment un vehicule automobile, dispositif embarque mettant en œuvre un tel procede
FR2805782A1 (fr) Dispositif de gestion d&#39;energie pour vehicule
EP3991233A1 (fr) Procédé pour optimiser la durée de vie d&#39;une batterie
FR3126382A1 (fr) Systeme de gestion thermique d’habitacle d’un vehicule automobile en fonction d’une prediction de destination
WO2022024513A1 (fr) Système d&#39;estimation de consommation d&#39;énergie, procédé d&#39;estimation de consommation d&#39;énergie et programme d&#39;estimation de consommation d&#39;énergie
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
FR2997233A1 (fr) Gestion de batterie d&#39;un vehicule non branche a une source d&#39;energie externe
FR2991277A3 (fr) Procede et dispositif de validation d&#39;une mission jusqu&#39;a une destination pour un vehicule electrique ou hybride
FR2977325A1 (fr) Procede et dispositif de controle du rechargement d&#39;une batterie de vehicule, pour optimiser la recuperation d&#39;energie cinetique
FR3124256A1 (fr) Procede de prediction d’une position ou d’une trajectoire de destination d’un vehicule
FR3146216A1 (fr) Systeme de calculs de trajectoire minimisant la consommation en energie d’un vehicule automobile electrique et tenant compte de phases de roulage en roue libre du vehicule
FR3147225A1 (fr) Procede de determination d’une trajectoire optimale minimisant la consommation en energie d’un vehicule automobile
FR3089463A1 (fr) Procédé de détermination de l’autonomie d’un véhicule
FR3145817A1 (fr) Méthode de dimensionnement d’une batterie pour véhicule électrique
FR3146215A1 (fr) Systeme de calculs de trajectoire minimisant la consommation en energie d’un vehicule automobile a moteur thermique

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

CD Change of name or company name

Owner name: UNIVERSITE ORLEANS, FR

Effective date: 20240423

Owner name: STELLANTIS AUTO SAS, FR

Effective date: 20240423

PLFP Fee payment

Year of fee payment: 4