FR3140334A1 - METHOD FOR OPTIMIZING A CRITERIA OR A COMBINATION OF CRITERIA RELATING TO A MOTOR VEHICLE - Google Patents
METHOD FOR OPTIMIZING A CRITERIA OR A COMBINATION OF CRITERIA RELATING TO A MOTOR VEHICLE Download PDFInfo
- Publication number
- FR3140334A1 FR3140334A1 FR2209868A FR2209868A FR3140334A1 FR 3140334 A1 FR3140334 A1 FR 3140334A1 FR 2209868 A FR2209868 A FR 2209868A FR 2209868 A FR2209868 A FR 2209868A FR 3140334 A1 FR3140334 A1 FR 3140334A1
- Authority
- FR
- France
- Prior art keywords
- state
- setpoint
- value
- criterion
- vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 239000000446 fuel Substances 0.000 claims abstract description 85
- 239000001257 hydrogen Substances 0.000 claims abstract description 32
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 32
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 27
- 239000003990 capacitor Substances 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 84
- 238000012937 correction Methods 0.000 claims description 67
- 238000005070 sampling Methods 0.000 claims description 38
- 238000005265 energy consumption Methods 0.000 claims description 24
- 230000010354 integration Effects 0.000 claims description 20
- 230000002123 temporal effect Effects 0.000 claims description 20
- 230000036541 health Effects 0.000 claims description 19
- 239000002828 fuel tank Substances 0.000 claims description 15
- 241000897276 Termes Species 0.000 description 21
- 239000003054 catalyst Substances 0.000 description 14
- 238000001816 cooling Methods 0.000 description 12
- 235000021183 entrée Nutrition 0.000 description 11
- 238000011217 control strategy Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 150000002431 hydrogen Chemical class 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 239000000110 cooling liquid Substances 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 230000005182 global health Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004606 Fillers/Extenders Substances 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/12—Controlling the power contribution of each of the prime movers to meet required power demand using control strategies taking into account route information
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/15—Control strategies specially adapted for achieving a particular effect
- B60W20/16—Control strategies specially adapted for achieving a particular effect for reducing engine exhaust emissions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/06—Combustion engines, Gas turbines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/08—Electric propulsion units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/06—Combustion engines, Gas turbines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/08—Electric propulsion units
Abstract
L’invention concerne un procédé d’optimisation d’un critère ou d’une combinaison de critères relatif(s) à un véhicule automobile (2) comprenant un réservoir de carburant ou d’hydrogène, une batterie et/ou des super-capacités (30), un moteur thermique (M) ou une pile à combustible (P), une machine électrique (ME), une pluralité de dispositifs, chacun caractérisé par au moins une variable d’état, et un calculateur (4) configuré pour gérer la chaine de traction du véhicule automobile (2) sur un trajet prédéterminé et étant apte à commander le moteur thermique (M) ou la pile à combustible (P), la machine électrique (ME) et/ou les dispositifs par l’émission d’un ensemble de consignes. L’invention concerne également un calculateur (4) et un produit programme d’ordinateur pour la mise en œuvre d’un tel procédé, ainsi qu’un véhicule automobile (2) comprenant un tel calculateur (4). Figure de l’abrégé : Fig. 1The invention relates to a method for optimizing a criterion or a combination of criteria relating to a motor vehicle (2) comprising a fuel or hydrogen tank, a battery and/or super-capacitors (30), a heat engine (M) or a fuel cell (P), an electric machine (ME), a plurality of devices, each characterized by at least one state variable, and a calculator (4) configured to manage the traction chain of the motor vehicle (2) on a predetermined path and being able to control the thermal engine (M) or the fuel cell (P), the electric machine (ME) and/or the devices by emission of a set of instructions. The invention also relates to a computer (4) and a computer program product for implementing such a method, as well as a motor vehicle (2) comprising such a computer (4). Abstract Figure: Fig. 1
Description
La présente invention concerne l’optimisation d’un critère ou d’une combinaison de critères relatif(s) à un véhicule automobile, et plus particulièrement un procédé d’optimisation d’un critère ou d’une combinaison de critères d’un véhicule automobile sur un trajet prédéfini. L’invention vise en particulier à générer des consignes optimisées pour commander le véhicule sur ledit trajet à parcourir en minimisant le critère ou la combinaison de critères. Le critère à optimiser est typiquement un niveau de pollution, une consommation en énergie, un état de santé du véhicule ou une durée d’un trajet prédéterminé du véhicule. La combinaison de critères à optimiser consiste en une combinaison d’au moins deux critères choisis parmi le groupe consistant en : un niveau de pollution, une consommation en énergie, un état de santé et une durée d’un trajet prédéterminé. Par « consommation en énergie du véhicule » on entend au sens de la présente invention une consommation en carburant, en hydrogène, en énergie électrique, en courant électrique délivré par les branches d’un chargeur électronique d’une batterie électrique du véhicule, en nombre de redémarrages d’un groupe électrogène dans un véhicule hybride série (aussi appelé « range extender » en anglais), ou encore une consommation combinée de plusieurs de ces éléments. Par « état de santé du véhicule » on entend au sens de la présente invention un pourcentage qui évolue de 100 % à 0 % et qui permet de caractériser le niveau de détérioration d’une batterie électrique et/ou d’une ou plusieurs super-capacités et/ou d’une pile à combustible du véhicule, en tenant compte des coûts de remplacement et de maintenance.The present invention relates to the optimization of a criterion or a combination of criteria relating to a motor vehicle, and more particularly a method for optimizing a criterion or a combination of criteria of a vehicle automobile on a predefined route. The invention aims in particular to generate optimized instructions for controlling the vehicle on said route to be traveled by minimizing the criterion or the combination of criteria. The criterion to be optimized is typically a level of pollution, energy consumption, a state of health of the vehicle or a duration of a predetermined journey of the vehicle. The combination of criteria to be optimized consists of a combination of at least two criteria chosen from the group consisting of: a level of pollution, energy consumption, a state of health and a duration of a predetermined journey. By “energy consumption of the vehicle” is meant within the meaning of the present invention a consumption of fuel, of hydrogen, of electrical energy, of electrical current delivered by the branches of an electronic charger of an electric battery of the vehicle, in number restarts of a generator in a series hybrid vehicle (also called a “range extender” in English), or even a combined consumption of several of these elements. By “state of health of the vehicle” is meant within the meaning of the present invention a percentage which changes from 100% to 0% and which makes it possible to characterize the level of deterioration of an electric battery and/or one or more super- capacities and/or fuel cell of the vehicle, taking into account replacement and maintenance costs.
Dans un véhicule automobile, il est connu d’optimiser la consommation en énergie de la chaîne de traction sur un trajet donné ou prévu. Une telle optimisation peut être réalisée sur le carburant, sur l’énergie électrique, sur la consommation en hydrogène (dans le cas d’un véhicule muni d’une pile à combustible) ou sur deux ou trois de ces critères à la fois.In a motor vehicle, it is known to optimize the energy consumption of the traction chain on a given or planned route. Such optimization can be carried out on fuel, on electrical energy, on hydrogen consumption (in the case of a vehicle equipped with a fuel cell) or on two or three of these criteria at the same time.
De manière connue, l’optimisation peut être réalisée en utilisant le principe connu sous le nom du Principe du Maximum de Pontryagin (PMP). Cette méthode consiste à minimiser la fonction Hamiltonienne (ou Hamiltonien) à partir du critère à optimiser, par exemple la quantité de carburant ou d’hydrogène ou encore l’énergie électrique consommée, et la description de la dynamique du système. La dynamique du système est définie à partir de l’état de différentes variables du véhicule (vitesse du véhicule, état de charge de la batterie, et/ou des super-capacités, températures, etc.) et de différentes entrées ou consignes (consignes de couple à appliquer sur les roues du véhicule pour le moteur thermique ou pour la ou les machines électriques, de consignes de couple à appliquer pour le ou les moteurs du groupe électrogène, et/ou de consignes de puissance ou de courant pour la pile à combustible, et/ou encore de consignes de chauffage du catalyseur, et/ou encore de consignes de commande du circuit de refroidissement, etc.). La fonction Hamiltonienne est minimisée afin de déterminer les consignes permettant d’obtenir le minimum de consommation de carburant ou d’hydrogène, et/ou d’énergie électrique.In a known manner, optimization can be carried out using the principle known as Pontryagin's Maximum Principle (PMP). This method consists of minimizing the Hamiltonian function (or Hamiltonian) based on the criterion to be optimized, for example the quantity of fuel or hydrogen or the electrical energy consumed, and the description of the dynamics of the system. The dynamics of the system are defined from the state of different vehicle variables (vehicle speed, state of charge of the battery, and/or super-capacities, temperatures, etc.) and different inputs or instructions (references of torque to be applied to the wheels of the vehicle for the thermal engine or for the electrical machine(s), torque instructions to be applied for the motor(s) of the generator, and/or power or current instructions for the battery. fuel, and/or even catalyst heating instructions, and/or even cooling circuit control instructions, etc.). The Hamiltonian function is minimized in order to determine the instructions allowing the minimum consumption of fuel or hydrogen, and/or electrical energy to be obtained.
Chaque entrée ou consigne est dépendante de l’état de certaines variables. Par exemple, la consigne de couple pour la machine électrique à appliquer sur les roues du véhicule est dépendante de la vitesse du véhicule et de l’état de charge de la batterie, la consigne de commande du circuit de refroidissement est dépendante de la température en temps réel dans le circuit de refroidissement, la consigne de chauffage du catalyseur est dépendante de la température en temps réel dans le catalyseur.Each input or instruction is dependent on the state of certain variables. For example, the torque setpoint for the electric machine to be applied to the wheels of the vehicle is dependent on the speed of the vehicle and the state of charge of the battery, the control setpoint for the cooling circuit is dependent on the temperature in real time in the cooling circuit, the catalyst heating setpoint is dependent on the real time temperature in the catalyst.
L’Hamiltonien ainsi déterminé est ensuite minimisé. Autrement dit, les valeurs des consignes pour lesquelles la valeur de l’Hamiltonien est la plus faible sont sélectionnées et appliquées au véhicule. Les valeurs de consignes sont ainsi déterminées en temps réel en fonction de l’état actuel du système.The Hamiltonian thus determined is then minimized. In other words, the setpoint values for which the Hamiltonian value is the lowest are selected and applied to the vehicle. The setpoint values are thus determined in real time based on the current state of the system.
L’application d’un tel modèle PMP utilise ainsi un modèle interne décrivant la dynamique du système à commander (ici le véhicule automobile et sa chaîne de traction), via des équations différentielles qui donnent une représentation du système. Un tel modèle PMP est par conséquent principalement basé sur une stratégie de commande optimale par boucle ouverte, qui calcule la solution de commande optimale en fonction des prédictions du modèle interne, avec très peu de rétroaction provenant de mesures courantes sur le système. Lorsque le modèle interne diffère très peu du système physique réel, l’utilisation d’un tel modèle PMP fournit une solution acceptable du point de vue de la précision, de sorte que le modèle conduit à une solution optimale correcte. Toutefois, le modèle interne peut différer du système physique réel, du fait notamment de simplifications de modèle, de perturbations externes, d’effets de vieillissement, etc. Le résultat fourni par un tel modèle souffre alors d’un manque de précision et/ou de stabilité du point de vue de la stratégie de commande d’optimisation employée.The application of such a PMP model thus uses an internal model describing the dynamics of the system to be controlled (here the motor vehicle and its traction chain), via differential equations which give a representation of the system. Such a PMP model is therefore primarily based on an open-loop optimal control strategy, which calculates the optimal control solution based on the predictions of the internal model, with very little feedback from current measurements on the system. When the internal model differs very little from the real physical system, the use of such a PMP model provides an acceptable solution from an accuracy point of view, such that the model leads to a correct optimal solution. However, the internal model may differ from the real physical system, due in particular to model simplifications, external disturbances, aging effects, etc. The result provided by such a model then suffers from a lack of precision and/or stability from the point of view of the optimization control strategy employed.
Il existe donc un besoin de pouvoir disposer d’un procédé de commande optimale permettant l’optimisation d’un critère ou d’une combinaison de critères relatif(s) à un véhicule automobile par mise en œuvre d’un modèle PMP, tout en étant auto-adaptatif afin de tenir compte, de manière itérative, des écarts avec le système physique réel que constitue le véhicule.There is therefore a need to be able to have an optimal control method allowing the optimization of a criterion or a combination of criteria relating to a motor vehicle by implementing a PMP model, while being self-adaptive in order to take into account, in an iterative manner, deviations from the real physical system that constitutes the vehicle.
Le document « Adaptative Control of a Hybrid Powertrain with Map-based ECMS – IFAC Proceedings – Vol 44, Issue 1, 2011, p2949-2954 » décrit une stratégie de commande optimale auto-adaptative appliquée sur des véhicules hybrides (de type à batterie électrique et pile à combustible). La stratégie de commande optimale met en œuvre un principe connu sous le nom de principe de minimisation de la consommation équivalente (dit principe ECMS en anglais, pour « Equivalent Consumption Minimization Strategy »). La stratégie de commande optimale mise en œuvre par ce principe ECMS consiste à considérer la batterie électrique du véhicule comme étant un réservoir de combustible auxiliaire, ce qui lui permet de choisir à chaque instant la commande qui minimise l’énergie totale prélevée aux deux réservoirs (le réservoir d’hydrogène constituant la source principale, la batterie électrique constituant le réservoir auxiliaire) par l’introduction de facteurs d’équivalence permettant de ramener les différentes consommations dans le même espace énergétique. Toutefois, une telle stratégie de commande auto-adaptative ne dispose pas des équations dites « conditions d’optimalité » utilisant les « co-états » ou « variables duales » nécessaires, et n’est pas transposable telle quelle dans un procédé de commande optimale mettant en œuvre un modèle PMP.The document “Adaptive Control of a Hybrid Powertrain with Map-based ECMS – IFAC Proceedings – Vol 44, Issue 1, 2011, p2949-2954” describes an optimal self-adaptive control strategy applied to hybrid vehicles (electric battery type and fuel cell). The optimal control strategy implements a principle known as the equivalent consumption minimization principle (ECMS principle in English, for “Equivalent Consumption Minimization Strategy”). The optimal control strategy implemented by this ECMS principle consists of considering the vehicle's electric battery as an auxiliary fuel tank, which allows it to choose at each moment the control which minimizes the total energy taken from the two tanks ( the hydrogen tank constituting the main source, the electric battery constituting the auxiliary tank) by the introduction of equivalence factors making it possible to bring the different consumptions into the same energy space. However, such a self-adaptive control strategy does not have the so-called “optimality conditions” equations using the necessary “co-states” or “dual variables”, and cannot be transposed as is into an optimal control process. implementing a PMP model.
Il existe donc le besoin d’une solution permettant de remédier au moins en partie à ces inconvénients.There is therefore a need for a solution to at least partially remedy these drawbacks.
A cette fin et selon un premier aspect, l’invention concerne un procédé, mis en œuvre dans un calculateur embarqué au sein d’un véhicule automobile, d’optimisation d’un niveau de pollution du véhicule, le véhicule comprenant un réservoir de carburant ou d’hydrogène, une batterie électrique et/ou des super-capacités apte(s) à fournir de l’énergie électrique, un moteur thermique alimenté par le réservoir de carburant ou une pile à combustible alimentée par le réservoir d’hydrogène, au moins une machine électrique alimentée par de l’énergie électrique fournie par la batterie et/ou les super-capacités, au moins un dispositif relatif au moteur thermique ou à la pile à combustible, au moins un dispositif relatif à la machine électrique, et au moins un dispositif relatif à la batterie électrique ou aux super-capacités, le calculateur étant configuré pour gérer la chaine de traction du véhicule automobile sur un trajet prédéterminé et étant apte à commander le moteur thermique ou la pile à combustible, la machine électrique et/ou les dispositifs par l’émission d’un ensemble de consignes, le moteur thermique ou la pile à combustible, la machine électrique, et les dispositifs étant chacun caractérisés par au moins une variable d’état, chaque variable d’état permettant de décrire l’état de fonctionnement du dispositif qu’elle caractérise, l’ensemble du moteur thermique ou de la pile à combustible, de la machine électrique, et des dispositifs étant représenté par un système d’équations d’état modélisant la dynamique du véhicule, lesdites équations d’état étant fonctions au moins des valeurs de consignes instantanées et des variables d’état, le niveau de pollution à optimiser étant représenté par une équation de critère fonction au moins des valeurs de consignes instantanées et des variables d’état, le véhicule comprenant en outre des moyens de mesure du ou des état(s) décrit(s) par la ou chaque variable d’état et des moyens de mesure du niveau de pollution du véhicule, ledit procédé étant mis en œuvre pendant une durée divisée en instants d’échantillonnage constants, le procédé comprenant, à chaque instant d’échantillonnage, les étapes de :
- a) détermination d’un domaine de consignes applicables comprenant un ensemble de valeurs pour chaque consigne,
- b) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de tous les gradients d’état possibles pour ladite consigne, en utilisant au moins les équations d’état,
- c) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles pour le niveau de pollution à optimiser, en utilisant au moins l’équation de critère,
- d) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles d’une fonction Hamiltonienne de ladite consigne, en utilisant les valeurs de gradients d’état et les valeurs possibles pour le niveau de pollution à optimiser déterminées pour ladite consigne,
- e) détermination de la valeur de chaque consigne, dans le domaine de consignes applicables déterminé, pour laquelle ladite fonction Hamiltonienne est la plus faible,
- f) calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur du gradient d’état pour ladite consigne, et/ou calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur du niveau de pollution pour ladite consigne,
- g) intégration temporelle de la valeur du gradient d’état calculée, fournissant une valeur d’état estimée, et/ou intégration temporelle de la valeur du niveau de pollution calculée, fournissant une valeur de niveau de pollution globale estimée,
- h) comparaison de la valeur d’état estimée à une valeur d’état mesurée, l’écart entre les deux valeurs fournissant un premier terme de correction, le premier terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul b) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul b), et/ou comparaison de la valeur de niveau de pollution globale estimée à une valeur de niveau de pollution mesurée, l’écart entre les deux valeurs fournissant un second terme de correction, le second terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul c) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul c).
- a) determination of a domain of applicable instructions comprising a set of values for each instruction,
- b) calculation, for each setpoint and in the determined applicable setpoint domain, of all possible state gradients for said setpoint, using at least the state equations,
- c) calculation, for each setpoint and in the determined applicable setpoint range, of all possible values for the pollution level to be optimized, using at least the criterion equation,
- d) calculation, for each setpoint and in the determined applicable setpoint domain, of all the possible values of a Hamiltonian function of said setpoint, using the state gradient values and the possible values for the pollution level to be optimized determined for said instruction,
- e) determination of the value of each setpoint, in the determined applicable setpoint domain, for which said Hamiltonian function is the lowest,
- f) calculation, for each of the setpoints, as a function of said determined value of the setpoint, of the value of the state gradient for said setpoint, and/or calculation, for each of the setpoints, as a function of said determined value of the setpoint , the value of the pollution level for said setpoint,
- g) temporal integration of the calculated state gradient value, providing an estimated state value, and/or temporal integration of the calculated pollution level value, providing an estimated global pollution level value,
- h) comparison of the estimated state value to a measured state value, the difference between the two values providing a first correction term, the first correction term thus determined being provided as input to the calculation step b ) at the next sampling instant and being used in said calculation step b), and/or comparison of the estimated global pollution level value to a measured pollution level value, the difference between the two values providing a second correction term, the second correction term thus determined being provided as input to the calculation step c) at the next sampling instant and being used in said calculation step c).
Selon un deuxième aspect, l’invention concerne également un procédé, mis en œuvre dans un calculateur embarqué au sein d’un véhicule automobile, d’optimisation de la consommation en énergie du véhicule, le véhicule comprenant un réservoir de carburant ou d’hydrogène, une batterie électrique et/ou des super-capacités apte(s) à fournir de l’énergie électrique, un moteur thermique alimenté par le réservoir de carburant ou une pile à combustible alimentée par le réservoir d’hydrogène, au moins une machine électrique alimentée par de l’énergie électrique fournie par la batterie et/ou les super-capacités, au moins un dispositif relatif au moteur thermique ou à la pile à combustible, au moins un dispositif relatif à la machine électrique, et au moins un dispositif relatif à la batterie électrique ou aux super-capacités, le calculateur étant configuré pour gérer la chaine de traction du véhicule automobile sur un trajet prédéterminé et étant apte à commander le moteur thermique ou la pile à combustible, la machine électrique et/ou les dispositifs par l’émission d’un ensemble de consignes, le moteur thermique ou la pile à combustible, la machine électrique, et les dispositifs étant chacun caractérisés par au moins une variable d’état, chaque variable d’état permettant de décrire l’état de fonctionnement du dispositif qu’elle caractérise, l’ensemble du moteur thermique ou de la pile à combustible, de la machine électrique, et des dispositifs étant représenté par un système d’équations d’état modélisant la dynamique du véhicule, lesdites équations d’état étant fonctions au moins des valeurs de consignes instantanées et des variables d’état, la consommation en énergie à optimiser étant représentée par une équation de critère fonction au moins des valeurs de consignes instantanées et des variables d’état, le véhicule comprenant en outre des moyens de mesure du ou des état(s) décrit(s) par la ou chaque variable d’état et des moyens de mesure de la consommation en énergie du véhicule, ledit procédé étant mis en œuvre pendant une durée divisée en instants d’échantillonnage constants, le procédé comprenant, à chaque instant d’échantillonnage, les étapes de :
- i) détermination d’un domaine de consignes applicables comprenant un ensemble de valeurs pour chaque consigne,
- j) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de tous les gradients d’état possibles pour ladite consigne, en utilisant au moins les équations d’état,
- k) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles pour la consommation en énergie à optimiser, en utilisant au moins l’équation de critère,
- l) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles d’une fonction Hamiltonienne de ladite consigne, en utilisant les valeurs de gradients d’état et les valeurs possibles pour la consommation en énergie à optimiser déterminées pour ladite consigne,
- m) détermination de la valeur de chaque consigne, dans le domaine de consignes applicables déterminé, pour laquelle ladite fonction Hamiltonienne est la plus faible,
- n) calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur du gradient d’état pour ladite consigne, et/ou calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur de la consommation en énergie pour ladite consigne,
- o) intégration temporelle de la valeur du gradient d’état calculée, fournissant une valeur d’état estimée, et/ou intégration temporelle de la valeur de la consommation en énergie calculée, fournissant une valeur de consommation en énergie globale estimée,
- p) comparaison de la valeur d’état estimée à une valeur d’état mesurée, l’écart entre les deux valeurs fournissant un premier terme de correction, le premier terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul j) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul j), et/ou comparaison de la valeur de consommation en énergie globale estimée à une valeur de consommation en énergie mesurée, l’écart entre les deux valeurs fournissant un second terme de correction, le second terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul k) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul k).
- i) determination of a domain of applicable instructions comprising a set of values for each instruction,
- j) calculation, for each setpoint and in the determined applicable setpoint domain, of all possible state gradients for said setpoint, using at least the state equations,
- k) calculation, for each setpoint and in the determined applicable setpoint range, of all possible values for the energy consumption to be optimized, using at least the criterion equation,
- l) calculation, for each setpoint and in the determined applicable setpoint domain, of all the possible values of a Hamiltonian function of said setpoint, using the state gradient values and the possible values for the energy consumption to be optimized determined for said instruction,
- m) determination of the value of each setpoint, in the determined applicable setpoint domain, for which said Hamiltonian function is the lowest,
- n) calculation, for each of the setpoints, as a function of said determined value of the setpoint, of the value of the state gradient for said setpoint, and/or calculation, for each of the setpoints, as a function of said determined value of the setpoint , the value of the energy consumption for said setpoint,
- o) temporal integration of the calculated state gradient value, providing an estimated state value, and/or temporal integration of the calculated energy consumption value, providing an estimated overall energy consumption value,
- p) comparison of the estimated state value to a measured state value, the difference between the two values providing a first correction term, the first correction term thus determined being provided as input to the calculation step j ) at the next sampling instant and being used in said calculation step j), and/or comparison of the estimated overall energy consumption value to a measured energy consumption value, the difference between the two values providing a second correction term, the second correction term thus determined being provided as input to the calculation step k) at the next sampling instant and being used in said calculation step k).
Selon un troisième aspect, l’invention concerne également un procédé, mis en œuvre dans un calculateur embarqué au sein d’un véhicule automobile, d’optimisation d’un état de santé du véhicule, le véhicule comprenant un réservoir de carburant ou d’hydrogène, une batterie électrique et/ou des super-capacités apte(s) à fournir de l’énergie électrique, un moteur thermique alimenté par le réservoir de carburant ou une pile à combustible alimentée par le réservoir d’hydrogène, au moins une machine électrique alimentée par de l’énergie électrique fournie par la batterie et/ou les super-capacités, au moins un dispositif relatif au moteur thermique ou à la pile à combustible, au moins un dispositif relatif à la machine électrique, et au moins un dispositif relatif à la batterie électrique ou aux super-capacités, le calculateur étant configuré pour gérer la chaine de traction du véhicule automobile sur un trajet prédéterminé et étant apte à commander le moteur thermique ou la pile à combustible, la machine électrique et/ou les dispositifs par l’émission d’un ensemble de consignes, le moteur thermique ou la pile à combustible, la machine électrique, et les dispositifs étant chacun caractérisés par au moins une variable d’état, chaque variable d’état permettant de décrire l’état de fonctionnement du dispositif qu’elle caractérise, l’ensemble du moteur thermique ou de la pile à combustible, de la machine électrique, et des dispositifs étant représenté par un système d’équations d’état modélisant la dynamique du véhicule, lesdites équations d’état étant fonctions au moins des valeurs de consignes instantanées et des variables d’état, l’état de santé à optimiser étant représenté par une équation de critère fonction au moins des valeurs de consignes instantanées et des variables d’état, le véhicule comprenant en outre des moyens de mesure du ou des état(s) décrit(s) par la ou chaque variable d’état et des moyens de mesure de l’état de santé du véhicule, ledit procédé étant mis en œuvre pendant une durée divisée en instants d’échantillonnage constants, le procédé comprenant, à chaque instant d’échantillonnage, les étapes de :
- q) détermination d’un domaine de consignes applicables comprenant un ensemble de valeurs pour chaque consigne,
- r) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de tous les gradients d’état possibles pour ladite consigne, en utilisant au moins les équations,
- s) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles pour l’état de santé à optimiser, en utilisant au moins l’équation de critère,
- t) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles d’une fonction Hamiltonienne de ladite consigne, en utilisant les valeurs de gradients d’état et les valeurs possibles pour l’état de santé à optimiser déterminées pour ladite consigne,
- u) détermination de la valeur de chaque consigne, dans le domaine de consignes applicables déterminé, pour laquelle ladite fonction Hamiltonienne est la plus faible,
- v) calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur du gradient d’état pour ladite consigne, et/ou calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur de l’état de santé pour ladite consigne,
- w) intégration temporelle de la valeur du gradient d’état calculée, fournissant une valeur d’état estimée, et/ou intégration temporelle de la valeur de l’état de santé calculée, fournissant une valeur d’état de santé global estimée,
- x) comparaison de la valeur d’état estimée à une valeur d’état mesurée, l’écart entre les deux valeurs fournissant un premier terme de correction, le premier terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul r) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul r), et/ou comparaison de la valeur d’état de santé global estimée à une valeur d’état de santé mesurée, l’écart entre les deux valeurs fournissant un second terme de correction, le second terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul s) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul s).
- q) determination of a domain of applicable instructions comprising a set of values for each instruction,
- r) calculation, for each setpoint and in the determined applicable setpoint domain, of all possible state gradients for said setpoint, using at least the equations,
- s) calculation, for each setpoint and in the determined applicable setpoint range, of all possible values for the state of health to be optimized, using at least the criterion equation,
- t) calculation, for each setpoint and in the determined applicable setpoint domain, of all the possible values of a Hamiltonian function of said setpoint, using the state gradient values and the possible values for the state of health at optimize determined for said setpoint,
- u) determination of the value of each setpoint, in the determined applicable setpoint domain, for which said Hamiltonian function is the lowest,
- v) calculation, for each of the setpoints, as a function of said determined value of the setpoint, of the value of the state gradient for said setpoint, and/or calculation, for each of the setpoints, as a function of said determined value of the setpoint , the value of the state of health for said instruction,
- w) temporal integration of the calculated state gradient value, providing an estimated state value, and/or temporal integration of the calculated health state value, providing an estimated global health state value,
- x) comparison of the estimated state value to a measured state value, the difference between the two values providing a first correction term, the first correction term thus determined being provided as input to the calculation step r ) at the next sampling instant and being used in said calculation step r), and/or comparison of the estimated global health status value to a measured health status value, the difference between the two values providing a second correction term, the second correction term thus determined being provided as input to the calculation step s) at the next sampling instant and being used in said calculation step s).
Selon un quatrième aspect, l’invention concerne également un procédé, mis en œuvre dans un calculateur embarqué au sein d’un véhicule automobile, d’optimisation d’une durée d’un trajet prédéterminé du véhicule, le véhicule comprenant un réservoir de carburant ou d’hydrogène, une batterie électrique et/ou des super-capacités apte(s) à fournir de l’énergie électrique, un moteur thermique alimenté par le réservoir de carburant ou une pile à combustible alimentée par le réservoir d’hydrogène, au moins une machine électrique alimentée par de l’énergie électrique fournie par la batterie et/ou les super-capacités, au moins un dispositif relatif au moteur thermique ou à la pile à combustible, au moins un dispositif relatif à la machine électrique, et au moins un dispositif relatif à la batterie électrique ou aux super-capacités, le calculateur étant configuré pour gérer la chaine de traction du véhicule automobile sur un trajet prédéterminé et étant apte à commander le moteur thermique ou la pile à combustible, la machine électrique et/ou les dispositifs par l’émission d’un ensemble de consignes, le moteur thermique ou la pile à combustible, la machine électrique, et les dispositifs étant chacun caractérisés par au moins une variable d’état, chaque variable d’état permettant de décrire l’état de fonctionnement du dispositif qu’elle caractérise, l’ensemble du moteur thermique ou de la pile à combustible, de la machine électrique, et des dispositifs étant représenté par un système d’équations d’état modélisant la dynamique du véhicule, lesdites équations d’état étant fonctions au moins des valeurs de consignes instantanées et des variables d’état, la durée du trajet prédéterminé à optimiser étant représentée par une équation de critère fonction au moins des valeurs de consignes instantanées et des variables d’état, le véhicule comprenant en outre des moyens de mesure du ou des état(s) décrit(s) par la ou chaque variable d’état et des moyens de mesure de la durée du trajet prédéterminé du véhicule, ledit procédé étant mis en œuvre pendant une durée divisée en instants d’échantillonnage constants, le procédé comprenant, à chaque instant d’échantillonnage, les étapes de :
- y) détermination d’un domaine de consignes applicables comprenant un ensemble de valeurs pour chaque consigne,
- z) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de tous les gradients d’état possibles pour ladite consigne, en utilisant au moins les équations d’état,
- aa) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles pour la durée du trajet prédéterminé à optimiser, en utilisant au moins l’équation de critère,
- bb) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles d’une fonction Hamiltonienne de ladite consigne, en utilisant les valeurs de gradients d’état et les valeurs possibles pour la durée du trajet prédéterminé à optimiser déterminées pour ladite consigne,
- cc) détermination de la valeur de chaque consigne, dans le domaine de consignes applicables déterminé, pour laquelle ladite fonction Hamiltonienne est la plus faible,
- dd) calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur du gradient d’état pour ladite consigne, et/ou calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur de la durée du trajet pour ladite consigne,
- ee) intégration temporelle de la valeur du gradient d’état calculée, fournissant une valeur d’état estimée, et/ou intégration temporelle de la valeur de la durée du trajet calculée, fournissant une valeur de durée du trajet globale estimée,
- ff) comparaison de la valeur d’état estimée à une valeur d’état mesurée, l’écart entre les deux valeurs fournissant un premier terme de correction, le premier terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul z) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul z), et/ou comparaison de la valeur de durée du trajet globale estimée à une valeur de durée du trajet mesurée, l’écart entre les deux valeurs fournissant un second terme de correction, le second terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul aa) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul aa).
- y) determination of a domain of applicable instructions comprising a set of values for each instruction,
- z) calculation, for each setpoint and in the determined applicable setpoint domain, of all possible state gradients for said setpoint, using at least the state equations,
- aa) calculation, for each setpoint and in the determined applicable setpoint range, of all possible values for the duration of the predetermined journey to be optimized, using at least the criterion equation,
- bb) calculation, for each setpoint and in the determined applicable setpoint domain, of all the possible values of a Hamiltonian function of said setpoint, using the state gradient values and the possible values for the duration of the predetermined journey at optimize determined for said setpoint,
- cc) determination of the value of each setpoint, in the determined applicable setpoint domain, for which said Hamiltonian function is the lowest,
- dd) calculation, for each of the setpoints, as a function of said determined value of the setpoint, of the value of the state gradient for said setpoint, and/or calculation, for each of the setpoints, as a function of said determined value of the setpoint , the value of the journey duration for said instruction,
- ee) temporal integration of the calculated state gradient value, providing an estimated state value, and/or temporal integration of the calculated journey duration value, providing an estimated overall journey duration value,
- ff) comparison of the estimated state value to a measured state value, the difference between the two values providing a first correction term, the first correction term thus determined being provided as input to the calculation step z ) at the next sampling instant and being used in said calculation step z), and/or comparison of the estimated global journey duration value to a measured journey duration value, the difference between the two values providing a second correction term, the second correction term thus determined being provided as input to the calculation step aa) at the next sampling instant and being used in said calculation step aa).
Selon un cinquième aspect, l’invention concerne également un procédé, mis en œuvre dans un calculateur embarqué au sein d’un véhicule automobile, d’optimisation d’une combinaison d’au moins deux critères relatifs au véhicule et choisis parmi le groupe consistant en : un niveau de pollution, une consommation en énergie, un état de santé et une durée d’un trajet prédéterminé, le véhicule comprenant un réservoir de carburant ou d’hydrogène, une batterie électrique et/ou des super-capacités apte(s) à fournir de l’énergie électrique, un moteur thermique alimenté par le réservoir de carburant ou une pile à combustible alimentée par le réservoir d’hydrogène, au moins une machine électrique alimentée par de l’énergie électrique fournie par la batterie et/ou les super-capacités, au moins un dispositif relatif au moteur thermique ou à la pile à combustible, au moins un dispositif relatif à la machine électrique, et au moins un dispositif relatif à la batterie électrique ou aux super-capacités, le calculateur étant configuré pour gérer la chaine de traction du véhicule automobile sur ledit trajet prédéterminé et étant apte à commander le moteur thermique ou la pile à combustible, la machine électrique et/ou les dispositifs par l’émission d’un ensemble de consignes, le moteur thermique ou la pile à combustible, la machine électrique, et les dispositifs étant chacun caractérisés par au moins une variable d’état, chaque variable d’état permettant de décrire l’état de fonctionnement du dispositif qu’elle caractérise, l’ensemble du moteur thermique ou de la pile à combustible, de la machine électrique, et des dispositifs étant représenté par un système d’équations d’état modélisant la dynamique du véhicule, lesdites équations d’état étant fonctions au moins des valeurs de consignes instantanées et des variables d’état, la combinaison de critères à optimiser étant représentée par une équation de critère fonction au moins des valeurs de consignes instantanées et des variables d’état, le véhicule comprenant en outre des moyens de mesure du ou des état(s) décrit(s) par la ou chaque variable d’état et des moyens de mesure de chacun des critères de la combinaison de critères à optimiser, ledit procédé étant mis en œuvre pendant une durée divisée en instants d’échantillonnage constants, le procédé comprenant, à chaque instant d’échantillonnage, les étapes de :
- gg) détermination d’un domaine de consignes applicables comprenant un ensemble de valeurs pour chaque consigne,
- hh) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de tous les gradients d’état possibles pour ladite consigne, en utilisant au moins les équations d’état,
- ii) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles pour la combinaison de critères à optimiser, en utilisant au moins l’équation de critère,
- jj) calcul, pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles d’une fonction Hamiltonienne de ladite consigne, en utilisant les valeurs de gradients d’état et les valeurs possibles pour la combinaison de critères à optimiser déterminées pour ladite consigne,
- kk) détermination de la valeur de chaque consigne, dans le domaine de consignes applicables déterminé, pour laquelle ladite fonction Hamiltonienne est la plus faible,
- ll) calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur du gradient d’état pour ladite consigne, et/ou calcul, pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur de chaque critère de la combinaison de critères pour ladite consigne,
- mm) intégration temporelle de la valeur du gradient d’état calculée, fournissant une valeur d’état estimée, et/ou intégration temporelle, pour chaque critère de la combinaison de critères, de la valeur calculée de ce critère, fournissant une valeur de critère globale estimée,
- nn) comparaison de la valeur d’état estimée à une valeur d’état mesurée, l’écart entre les deux valeurs fournissant un premier terme de correction, le premier terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul hh) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul hh), et/ou comparaison, pour chaque critère de la combinaison de critères, de la valeur de critère globale estimée à une valeur de critère mesurée, l’écart entre les deux valeurs fournissant un second terme de correction, le second terme de correction ainsi déterminé étant fourni en entrée de l’étape de calcul ii) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul ii).
- gg) determination of a domain of applicable instructions comprising a set of values for each instruction,
- hh) calculation, for each setpoint and in the determined applicable setpoint domain, of all possible state gradients for said setpoint, using at least the state equations,
- ii) calculation, for each setpoint and in the determined applicable setpoint domain, of all possible values for the combination of criteria to be optimized, using at least the criterion equation,
- jj) calculation, for each setpoint and in the determined applicable setpoint domain, of all the possible values of a Hamiltonian function of said setpoint, using the state gradient values and the possible values for the combination of criteria to be optimized determined for said instruction,
- kk) determination of the value of each setpoint, in the determined applicable setpoint domain, for which said Hamiltonian function is the lowest,
- ll) calculation, for each of the setpoints, as a function of said determined value of the setpoint, of the value of the state gradient for said setpoint, and/or calculation, for each of the setpoints, as a function of said determined value of the setpoint , the value of each criterion of the combination of criteria for said instruction,
- mm) temporal integration of the calculated state gradient value, providing an estimated state value, and/or temporal integration, for each criterion of the combination of criteria, of the calculated value of this criterion, providing a criterion value estimated overall,
- nn) comparison of the estimated state value to a measured state value, the difference between the two values providing a first correction term, the first correction term thus determined being provided as input to the calculation step hh ) at the next sampling instant and being used in said calculation step hh), and/or comparison, for each criterion of the combination of criteria, of the estimated global criterion value to a measured criterion value, the difference between the two values providing a second correction term, the second correction term thus determined being provided as input to the calculation step ii) at the next sampling instant and being used in said calculation step ii).
Dans chacun des procédés décrits ci-dessus, les étapes sont rebouclées de manière itérative à chaque nouvel instant d’échantillonnage. En outre, chacun des procédés est mis en œuvre pour un trajet prédéfini/donné pour le véhicule. Un tel trajet est par exemple prédit par un système de type « horizon électronique d’informations » (ou « eHorizon » en anglais, qui est basé classiquement sur le standard de format de données ADASIS – de l’anglais « Advanced Driver-Assistance Systems Interface Specifications » - pour les systèmes d’aide à la conduite prédictifs, ou sur tout autre type de dispositif), qui est relié au calculateur du véhicule. De manière connue en soi, un tel système de type « eHorizon » permet de gérer aussi bien des données statiques relatives à l’infrastructure routière (telles que par exemple la nature des routes, des carrefours, les vitesses limites réglementaires appliquées, etc.), que des données dynamiques (vitesse moyenne des véhicules situés sur la route, densité du trafic, données dynamiques relatives aux éléments d’infrastructure routière, etc.). Un tel système de type « eHorizon » est apte à recevoir ces données, à les décoder (via un décodeur), à les reconstituer (via un reconstructeur de données), et à les transmettre au calculateur du véhicule, et peut mettre en œuvre des algorithmes de prédiction de trajet des véhicules utilisant la notion de « trajet ou chemin le plus probable » (« Most Probable Path » en anglais).In each of the processes described above, the steps are looped iteratively at each new sampling instant. Furthermore, each of the methods is implemented for a predefined/given route for the vehicle. Such a journey is for example predicted by a system of the “electronic information horizon” type (or “eHorizon” in English, which is classically based on the ADASIS data format standard – from the English “Advanced Driver-Assistance Systems Interface Specifications” - for predictive driver assistance systems, or any other type of device), which is connected to the vehicle's computer. In a manner known in itself, such an “eHorizon” type system makes it possible to manage both static data relating to the road infrastructure (such as for example the nature of the roads, intersections, regulatory speed limits applied, etc.) , as dynamic data (average speed of vehicles located on the road, traffic density, dynamic data relating to road infrastructure elements, etc.). Such an “eHorizon” type system is capable of receiving this data, decoding it (via a decoder), reconstituting it (via a data reconstructor), and transmitting it to the vehicle’s computer, and can implement Vehicle path prediction algorithms using the notion of “Most Probable Path” in English.
Chacun des procédés selon l’invention permet de définir des consignes de couple afin de fournir la puissance et l’accélération demandées par le conducteur au cours du fonctionnement du véhicule sur le trajet donné ou prévu, tout en minimisant le niveau de pollution, la consommation énergétique et/ou l’état de santé du véhicule. De plus, grâce au calcul et à la détermination des premier et second termes de correction, qui sont réinjectés en entrée des premières étapes de calcul via une boucle de rétroaction, chacun des procédés permet de simuler le comportement du modèle à chaque instant d’échantillonnage et de le comparer en temps réel au comportement du système physique considéré (le véhicule et sa chaîne de traction). Chaque procédé utilise les équations d’état directes du modèle PMP dans des étapes permettant de déterminer les premier et second termes de correction, dans une stratégie d’« observateur » intégré. Ceci permet d’adapter les paramètres du modèle et de les faire correspondre davantage au système physique réel (le véhicule et sa chaîne de traction). Une telle stratégie de commande optimale par boucle fermée (et rétroaction) est donc auto-adaptative, au sens où les paramètres du modèle sont ajustés à chaque instant d’échantillonnage en fonction du comportement du système physique, ce qui rend chaque procédé selon l’invention plus précis et/ou plus stable du point de vue de la stratégie de commande d’optimisation, par rapport aux procédés de l’art antérieur.Each of the methods according to the invention makes it possible to define torque settings in order to provide the power and acceleration requested by the driver during operation of the vehicle on the given or planned route, while minimizing the level of pollution, consumption energy and/or the state of health of the vehicle. Furthermore, thanks to the calculation and determination of the first and second correction terms, which are reinjected as input to the first calculation steps via a feedback loop, each of the methods makes it possible to simulate the behavior of the model at each sampling instant. and compare it in real time to the behavior of the physical system considered (the vehicle and its traction chain). Each method uses the direct equations of state of the PMP model in steps to determine the first and second correction terms, in an integrated “observer” strategy. This makes it possible to adapt the model parameters and make them correspond more closely to the real physical system (the vehicle and its powertrain). Such an optimal control strategy by closed loop (and feedback) is therefore self-adaptive, in the sense that the parameters of the model are adjusted at each sampling instant according to the behavior of the physical system, which makes each process according to the invention more precise and/or more stable from the point of view of the optimization control strategy, compared to the methods of the prior art.
De préférence, les étapes de calcul, pour chacune des consignes, de la valeur du gradient d’état et de la valeur du critère, les étapes d’intégration temporelle, et les étapes de comparaison sont toutes mises en œuvre dans chacun des procédés selon l’invention. Autrement dit, dans chacun des procédés selon l’invention, les premier et second termes de correction sont de préférence déterminés et fournis en entrée des premières étapes de calcul.Preferably, the steps of calculating, for each of the instructions, the value of the state gradient and the value of the criterion, the steps of temporal integration, and the steps of comparison are all implemented in each of the methods according to the invention. In other words, in each of the methods according to the invention, the first and second correction terms are preferably determined and provided as input to the first calculation steps.
De préférence, le premier terme de correction, respectivement le second terme de correction, est utilisé dans l’étape de calcul via une relation mathématique d’addition ou de multiplication avec les équations d’état, respectivement avec l’équation de critère.Preferably, the first correction term, respectively the second correction term, is used in the calculation step via a mathematical relation of addition or multiplication with the state equations, respectively with the criterion equation.
De préférence, la ou chaque étape de comparaison est mise en œuvre via une régulation, par un régulateur embarqué au sein du véhicule, de type régulation proportionnel-intégral-dérivé, ou via une réestimation des variables d’état.Preferably, the or each comparison step is implemented via regulation, by an on-board regulator within the vehicle, of the proportional-integral-derivative regulation type, or via a reestimation of the state variables.
L’invention concerne également un calculateur pour la gestion de la chaine de traction d’un véhicule automobile sur un trajet prédéterminé, le véhicule comprenant, outre le calculateur, un réservoir de carburant ou d’hydrogène, une batterie électrique et/ou des super-capacités apte(s) à fournir de l’énergie électrique, un moteur thermique alimenté par le réservoir en carburant ou une pile à combustible alimentée par le réservoir d’hydrogène, au moins une machine électrique alimentée par de l’énergie électrique fournie par la batterie et/ou les super-capacités, au moins un dispositif relatif au moteur thermique ou à la pile à combustible, au moins un dispositif relatif à la machine électrique, et au moins un dispositif relatif à la batterie électrique ou aux super-capacités, le calculateur étant apte à commander le moteur thermique ou la pile à combustible, la machine électrique et/ou les dispositifs par l’émission d’un ensemble de consignes, le moteur thermique ou la pile à combustible, la machine électrique, et les dispositifs étant chacun caractérisés par au moins une variable d’état, chaque variable d’état permettant de décrire l’état de fonctionnement du dispositif qu’elle caractérise, l’ensemble du moteur thermique ou de la pile à combustible, de la machine électrique, et des dispositifs étant représenté par un système d’équations d’état modélisant la dynamique du véhicule, lesdites équations d’état étant fonctions au moins des valeurs de consignes instantanées et des variables d’état, le véhicule comprenant en outre des moyens de mesure du ou des état(s) décrit(s) par la ou chaque variable d’état et des moyens de mesure d’un critère ou d’une combinaison de critères du véhicule à optimiser, le calculateur étant configuré pour mettre en œuvre les étapes d’un des procédés tels que décrits précédemment.The invention also relates to a computer for managing the traction chain of a motor vehicle on a predetermined route, the vehicle comprising, in addition to the computer, a fuel or hydrogen tank, an electric battery and/or superchargers. -capacities capable of supplying electrical energy, a heat engine powered by the fuel tank or a fuel cell powered by the hydrogen tank, at least one electric machine powered by electrical energy supplied by the battery and/or the supercapacitors, at least one device relating to the heat engine or the fuel cell, at least one device relating to the electric machine, and at least one device relating to the electric battery or the supercapacitors , the computer being capable of controlling the heat engine or the fuel cell, the electric machine and/or the devices by issuing a set of instructions, the heat engine or the fuel cell, the electric machine, and the devices each being characterized by at least one state variable, each state variable making it possible to describe the operating state of the device that it characterizes, the entire heat engine or the fuel cell, the electric machine , and devices being represented by a system of state equations modeling the dynamics of the vehicle, said state equations being functions of at least instantaneous setpoint values and state variables, the vehicle further comprising means of measurement of the state(s) described by the or each state variable and means for measuring a criterion or a combination of criteria of the vehicle to be optimized, the computer being configured to implement the steps of one of the processes as described above.
L’invention concerne également un véhicule automobile comprenant un réservoir de carburant ou d’hydrogène, une batterie électrique et/ou des super-capacités apte(s) à fournir de l’énergie électrique, un moteur thermique alimenté par le réservoir en carburant ou une pile à combustible alimentée par le réservoir d’hydrogène, au moins une machine électrique alimentée par de l’énergie électrique fournie par la batterie et/ou les super-capacités, au moins un dispositif relatif au moteur thermique ou à la pile à combustible, au moins un dispositif relatif à la batterie électrique ou aux super-capacités, et un calculateur pour la gestion de la chaine de traction d’un véhicule automobile sur un trajet prédéterminé, le calculateur étant apte à commander le moteur thermique ou la pile à combustible, la machine électrique et/ou les dispositifs par l’émission d’un ensemble de consignes, le moteur thermique ou la pile à combustible, la machine électrique, et les dispositifs étant chacun caractérisés par au moins une variable d’état, chaque variable d’état permettant de décrire l’état de fonctionnement du dispositif qu’elle caractérise, l’ensemble du moteur thermique ou de la pile à combustible, de la machine électrique, et des dispositifs étant représenté par un système d’équations d’état modélisant la dynamique du véhicule, lesdites équations d’état étant fonctions au moins des valeurs de consignes instantanées et des variables d’état, le véhicule comprenant en outre des moyens de mesure du ou des état(s) décrit(s) par la ou chaque variable d’état et des moyens de mesure d’un critère ou d’une combinaison de critères du véhicule à optimiser, et un calculateur pour la gestion de la chaine de traction tel que décrit précédemment.The invention also relates to a motor vehicle comprising a fuel or hydrogen tank, an electric battery and/or supercapacitors capable of supplying electrical energy, a thermal engine powered by the fuel tank or a fuel cell powered by the hydrogen tank, at least one electric machine powered by electrical energy supplied by the battery and/or the supercapacitors, at least one device relating to the heat engine or the fuel cell , at least one device relating to the electric battery or super-capacitors, and a computer for managing the traction chain of a motor vehicle on a predetermined route, the computer being capable of controlling the thermal engine or the fuel cell. fuel, the electric machine and/or the devices by issuing a set of instructions, the heat engine or the fuel cell, the electric machine, and the devices each being characterized by at least one state variable, each state variable making it possible to describe the operating state of the device that it characterizes, the entire heat engine or fuel cell, the electric machine, and the devices being represented by a system of equations of state modeling the dynamics of the vehicle, said state equations being functions of at least instantaneous setpoint values and state variables, the vehicle further comprising means for measuring the state(s) described by the or each state variable and means for measuring a criterion or a combination of criteria of the vehicle to be optimized, and a calculator for managing the traction chain as described previously.
L’invention concerne également un produit programme d’ordinateur remarquable en ce qu’il comporte un ensemble d’instructions de code de programme qui, lorsqu’elles sont exécutées par un ou plusieurs processeurs, configurent le ou les processeurs pour mettre en œuvre un des procédés tels que décrits précédemment.The invention also relates to a computer program product distinguished in that it includes a set of program code instructions which, when executed by one or more processors, configure the one or more processors to implement a processes as described above.
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 :
-
-
-
-
En se référant à la
Le véhicule automobile 2 comprend également au moins un dispositif relatif au moteur thermique M et notamment un dispositif de refroidissement 10 du moteur thermique M et un catalyseur 20, ou au moins un dispositif relatif à la pile à combustible P (un tel dispositif n’étant pas représenté sur la
Le moteur thermique M est notamment apte à être alimenté à partir du carburant fourni par le réservoir de carburant, et la pile à combustible P est apte à être alimentée par le réservoir d’hydrogène. Le moteur thermique M comprend également un système d’échappement des gaz d’échappement émis lors de la combustion du mélange d’air et de carburant dans le moteur thermique M. La machine électrique MEest apte à être alimentée par l’énergie électrique fournie par la batterie 30.The thermal engine M is in particular capable of being powered from the fuel supplied by the fuel tank, and the fuel cell P is capable of being powered by the hydrogen tank. The heat engine M also includes a system for exhausting the exhaust gases emitted during the combustion of the mixture of air and fuel in the heat engine M. The electric machine M E is capable of being powered by electrical energy supplied by battery 30.
Le véhicule 2 peut comprendre d’autres dispositifs relatifs au moteur thermique M ou à la pile à combustible P, et d’autres dispositifs relatifs à la machine électrique ME.The vehicle 2 may include other devices relating to the thermal engine M or the fuel cell P, and other devices relating to the electric machine M E.
On appelle « système », l’ensemble des éléments montés dans le véhicule 2, aptes à consommer ou produire de l’énergie électrique, du carburant ou de l’hydrogène. Par exemple, le système comprend l’ensemble des dispositifs décrits précédemment : le moteur thermique M ou la pile à combustible P, la machine électrique ME, le dispositif de refroidissement 10, le catalyseur 20 et la batterie 30.The term “system” refers to all the elements mounted in the vehicle 2, capable of consuming or producing electrical energy, fuel or hydrogen. For example, the system includes all of the devices described above: the thermal engine M or the fuel cell P, the electric machine M E , the cooling device 10, the catalyst 20 and the battery 30.
Chaque dispositif est caractérisé par au moins une variable d’état, permettant de décrire l’état de fonctionnement du dispositif. Par exemple, le dispositif de refroidissement 10 est caractérisé par une température de liquide de refroidissement. Par exemple encore, le catalyseur 20 est caractérisé par une valeur de température interne. Par exemple toujours, la batterie 30 est caractérisée par une variable d’état de charge, le moteur thermique M est caractérisé par une vitesse de rotation, la pile à combustible P est caractérisée par une température ou des pressions régnant dans les circuits d’alimentation en hydrogène et en oxygène, etc.Each device is characterized by at least one state variable, making it possible to describe the operating state of the device. For example, the cooling device 10 is characterized by a coolant temperature. For example again, the catalyst 20 is characterized by an internal temperature value. For example, the battery 30 is characterized by a state of charge variable, the heat engine M is characterized by a rotation speed, the fuel cell P is characterized by a temperature or pressures prevailing in the power circuits in hydrogen and oxygen, etc.
Le véhicule automobile 2 comporte en outre des moyens de mesure du ou des état(s) décrit(s) par la ou chaque variable d’état et des moyens de mesure du critère ou de la combinaison de critères à optimiser (de tels moyens de mesure n’étant pas représentés sur la
Le critère ou la combinaison de critère(s) à optimiser via le procédé selon la présente invention est par exemple une consommation en énergie du véhicule 2, un niveau de pollution du véhicule 2, un état de santé du véhicule 2, ou encore une combinaison d’au moins deux critères relatifs au véhicule 2 et choisis parmi le groupe consistant en : un niveau de pollution, une consommation en énergie, un état de santé et une durée d’un trajet prédéterminé. Le critère ou la combinaison de critère(s) à optimiser est représenté par une équation de critère g (u,q). L’équation de critère g (u,q) est fonction au moins des valeurs de consignes instantanées u et des variables d’état q. De préférence encore, l’équation de critère est fonction également des perturbations et/ou des points de consignes w appliqué(e)s au véhicule 2, et s’écrit alors g (u,q,w).The criterion or combination of criterion(s) to be optimized via the method according to the present invention is for example an energy consumption of the vehicle 2, a level of pollution of the vehicle 2, a state of health of the vehicle 2, or even a combination at least two criteria relating to the vehicle 2 and chosen from the group consisting of: a level of pollution, energy consumption, a state of health and a duration of a predetermined journey. The criterion or combination of criterion(s) to be optimized is represented by a criterion equation g (u,q). The criterion equation g (u,q) is a function of at least the instantaneous setpoint values u and the state variables q. More preferably, the criterion equation is also a function of the disturbances and/or set points w applied to vehicle 2, and is then written g (u,q,w).
Le système est représenté par un système d’équations d’état f (u,q) modélisant la dynamique du véhicule 2. Les équations d’état f (u,q) sont fonctions au moins des valeurs de consignes instantanées u et des variables d’état q. De préférence encore, les équations d’état sont fonctions également des perturbations et/ou des points de consignes w appliqué(e)s au véhicule 2, et s’écrivent alors f (u,q,w).The system is represented by a system of state equations f (u,q) modeling the dynamics of vehicle 2. The state equations f (u,q) are functions of at least the instantaneous setpoint values u and the variables of state q. More preferably, the equations of state are also functions of the disturbances and/or set points w applied to vehicle 2, and are then written f (u,q,w).
Le calculateur 4 fait par exemple partie d’une unité de traitement de données stockant une application ou programme informatique apte à coopérer avec le calculateur 4 (l’unité de traitement de données et l’application ou le programme informatique n’étant pas représentés sur la
Le calculateur 4 est apte à recevoir la mesure de chaque valeur de variable d’état relative à chaque dispositif. De plus, le calculateur 4 est apte à commander chaque dispositif auquel il est relié, par l’émission d’une consigne, en fonction de la ou des valeurs de variables relatives à ce dispositif.The calculator 4 is able to receive the measurement of each state variable value relating to each device. In addition, the computer 4 is able to control each device to which it is connected, by issuing a setpoint, as a function of the value(s) of variables relating to this device.
Ainsi, par exemple, la consigne émise au moteur thermique M désigne la valeur du couple à appliquer au moteur thermique M et est notamment fonction de la vitesse du véhicule et de la demande de puissance du conducteur du véhicule. Par exemple encore, la consigne émise à la pile à combustible P désigne la puissance que l’on demande à la pile à combustible P de fournir et est fonction de l’état de charge de la batterie 30 et/ou des super-capacités, ainsi que de la demande de puissance du conducteur. Par exemple encore, la consigne émise à la machine électrique MEdésigne le couple à appliquer à la machine électrique MEet est fonction de l’état de charge de la batterie 30 et de la demande de puissance du conducteur.Thus, for example, the instruction sent to the thermal engine M designates the value of the torque to be applied to the thermal engine M and is in particular a function of the speed of the vehicle and the power request of the driver of the vehicle. For example again, the instruction sent to the fuel cell P designates the power that the fuel cell P is asked to provide and is a function of the state of charge of the battery 30 and/or the supercapacitors, as well as the driver's power demand. For example again, the instruction sent to the electric machine M E designates the torque to be applied to the electric machine M E and is a function of the state of charge of the battery 30 and the power demand of the driver.
La consigne émise au catalyseur 20 concerne la température dans le catalyseur 20 et est fonction de la température mesurée dans le catalyseur 20. La consigne émise au dispositif de refroidissement 10 concerne la température du liquide de refroidissement et est dépendante de la température mesurée du liquide de refroidissement.The instruction issued to the catalyst 20 concerns the temperature in the catalyst 20 and is a function of the temperature measured in the catalyst 20. The instruction issued to the cooling device 10 concerns the temperature of the cooling liquid and is dependent on the measured temperature of the cooling liquid. cooling.
Dans un cas particulier, lorsque le critère à optimiser est la consommation en énergie du véhicule 2, la consommation énergétique à optimiser peut être la consommation d’un courant électrique délivré par les branches d’un chargeur électronique alimentant la batterie électrique 30 du véhicule 2 (de telles branches étant par exemple des branches électroniques d’un pont en aval d’un pont redresseur, et comportant chacune au moins un organe semiconducteur à commutation pilotable pour alimenter la batterie électrique 30 lors de sa phase de charge). Chacune des branches du chargeur électronique fournit un courant électrique, la somme des courants électriques fournis par les branches étant alors représentée par une consigne à émettre au chargeur électronique.In a particular case, when the criterion to be optimized is the energy consumption of the vehicle 2, the energy consumption to be optimized may be the consumption of an electric current delivered by the branches of an electronic charger supplying the electric battery 30 of the vehicle 2 (such branches being for example electronic branches of a bridge downstream of a rectifier bridge, and each comprising at least one semiconductor member with controllable switching to power the electric battery 30 during its charging phase). Each of the branches of the electronic charger supplies an electric current, the sum of the electric currents supplied by the branches then being represented by an instruction to be sent to the electronic charger.
Le calculateur 4 est également configuré pour déterminer le domaine de consignes applicables comprenant un ensemble de valeurs pour chaque consigne. Le calculateur 4 est également configuré pour mettre en œuvre le principe de la méthode PMP, autrement dit la méthode du Principe du Maximum de Pontryagin, en déterminant la fonction Hamiltonienne H (x, u∗, λ) à partir des différentes valeurs de consigne du domaine de consignes applicables. Est introduite ici la notation u*, qui représente la commande optimale. Sont également introduits des états adjoints λ (aussi appelés « paramètres adjoints », « paramètres de Lagrange », « vecteurs adjoints », ou bien encore « vecteurs co-états »). Ces états adjoints sont associés aux équations d’état qui représentent les conditions du comportement dynamique du système physique, et vont permettre la résolution complète du problème d’optimisation.The calculator 4 is also configured to determine the applicable setpoint range comprising a set of values for each setpoint. The calculator 4 is also configured to implement the principle of the PMP method, in other words the Pontryagin Maximum Principle method, by determining the Hamiltonian function H (x, u∗, λ) from the different setpoint values of the area of applicable instructions. The notation u* is introduced here, which represents the optimal order. Adjoint states λ are also introduced (also called “adjoint parameters”, “Lagrange parameters”, “adjoint vectors”, or even “co-state vectors”). These adjoint states are associated with the state equations which represent the conditions of the dynamic behavior of the physical system, and will allow the complete resolution of the optimization problem.
Le calculateur 4 comprend un processeur apte à mettre en œuvre un ensemble d’instructions permettant de réaliser ces fonctions.The computer 4 includes a processor capable of implementing a set of instructions allowing these functions to be carried out.
En référence à la
Afin de simplifier la description, les différentes variables considérées sont les suivantes : la température du liquide de refroidissement du dispositif de refroidissement 10 et l’état de charge de la batterie 30 ou des super-capacités. Les différentes consignes de commande considérées sont par exemple : le couple du moteur thermique M et le couple de la machine électrique ME. D’autres paramètres pourraient être considérés, concernant l’au moins un dispositif relatif à la machine électrique MEou des paramètres concernant la pile à combustible P ou l’au moins un dispositif relatif à la pile à combustible P, ou encore des paramètres concernant l’au moins un dispositif relatif à la batterie 30 ou aux super-capacités.In order to simplify the description, the different variables considered are as follows: the temperature of the coolant of the cooling device 10 and the state of charge of the battery 30 or the supercapacitors. The different control instructions considered are for example: the torque of the thermal engine M and the torque of the electric machine M E. Other parameters could be considered, concerning the at least one device relating to the electric machine M E or parameters relating to the fuel cell P or the at least one device relating to the fuel cell P, or even parameters concerning the at least one device relating to the battery 30 or the supercapacitors.
Le procédé est mis en œuvre pendant une durée divisée en instants d’échantillonnage constants, et comporte des étapes qui sont rebouclées de manière itérative à chaque nouvel instant d’échantillonnage. La durée d’échantillonnage entre deux instants d’échantillonnage consécutifs dépend de la dynamique du système et peut être choisie comme par exemple comprise entre 10 ms et 500 ms, typiquement égale à 100 ms.The method is implemented for a duration divided into constant sampling times, and includes steps which are looped iteratively at each new sampling time. The sampling duration between two consecutive sampling instants depends on the dynamics of the system and can be chosen for example between 10 ms and 500 ms, typically equal to 100 ms.
Le procédé comporte une étape initiale 22 au cours de laquelle le calculateur 4 détermine un domaine de consignes applicablesucomprenant un ensemble de valeurs pour chaque consigne u à appliquer aux variables.The method comprises an initial step 22 during which the calculator 4 determines a domain of applicable instructions u comprising a set of values for each instruction u to be applied to the variables.
Le procédé comporte ensuite une étape suivante 24 au cours de laquelle le calculateur 4 calcule, pour chaque consigne et dans le domaine de consignes applicablesudéterminé, tous les gradients d’état possibles pour ladite consigne, en utilisant au moins les équations d’état f (u,q,w) décrivant le système. De préférence, au cours de l’étape de calcul 24, les gradients d’état possibles pour chaque consigne dans le domaine de consignes applicablesu sont calculés en utilisant en outre un premier terme de correction Kq, dont le mode de calcul sera détaillé par la suite en décrivant l’étape de comparaison 40. Lors de la première itération du procédé, le premier terme de correction Kq est initialisé sur une valeur pré-paramétrée. Le premier terme de correction Kq est par exemple utilisé dans l’étape de calcul 24 via une relation mathématique d’addition ou de multiplication avec les équations d’état f (u,q,w).The method then comprises a following step 24 during which the calculator 4 calculates, for each setpoint and in the range of applicable setpointsudetermined, all possible state gradients for said setpoint, using at least the state equations f (u,q,w) describing the system. Preferably, during the calculation step 24, the possible state gradients for each setpoint in the applicable setpoint domainu are calculated using in addition a first correction term Kq, the method of calculation of which will be detailed subsequently by describing the comparison step 40. During the first iteration of the process, the first correction term Kq is initialized to a pre-configured value. The first correction term Kq is for example used in calculation step 24 via a mathematical relation of addition or multiplication with the state equations f (u,q,w).
Le procédé comporte une étape parallèle ou suivante 26 au cours de laquelle le calculateur 4 calcule, pour chaque consigne et dans le domaine de consignes applicablesudéterminé, toutes les valeurs possibles pour le critère ou la combinaison de critères à optimiser, en utilisant au moins l’équation de critère g (u,q,w). De préférence, au cours de l’étape de calcul 26, les valeurs possibles pour le critère ou la combinaison de critères à optimiser pour chaque consigne dans le domaine de consignes applicablesu sont calculées en utilisant en outre un second terme de correction Kg, dont le mode de calcul sera détaillé par la suite en décrivant l’étape de comparaison 42. Lors de la première itération du procédé, le second terme de correction Kg est initialisé sur une valeur pré-paramétrée. Le second terme de correction Kg est par exemple utilisé dans l’étape de calcul 26 via une relation mathématique d’addition ou de multiplication avec l’équation de critère g (u,q,w). En variante non représentée, les étapes de calcul 24, 26 peuvent être interverties.The method comprises a parallel or following step 26 during which the calculator 4 calculates, for each setpoint and in the domain of applicable setpointsudetermined, all possible values for the criterion or combination of criteria to be optimized, using at least the criterion equation g (u,q,w). Preferably, during the calculation step 26, the possible values for the criterion or the combination of criteria to be optimized for each setpoint in the applicable setpoint domainu are calculated using in addition a second correction term Kg, the method of calculation of which will be detailed subsequently by describing the comparison step 42. During the first iteration of the process, the second correction term Kg is initialized to a pre-configured value. The second correction term Kg is for example used in calculation step 26 via a mathematical relation of addition or multiplication with the criterion equation g (u,q,w). In a variant not shown, the calculation steps 24, 26 can be interchanged.
Le procédé comporte ensuite une étape suivante 28 au cours de laquelle le calculateur 4 calcule, pour chaque consigne et dans le domaine de consignes applicablesudéterminé, toutes les valeurs possibles d’une fonction Hamiltonienne H (u,q,λ,w) de ladite consigne, en utilisant les valeurs de gradients d’état et les valeurs possibles pour le critère ou la combinaison de critères à optimiser déterminées pour cette consigne. Pour ce faire, le calculateur 4 utilise le principe de la méthode PMP, autrement dit la méthode du Principe du Maximum de Pontryagin.The method then comprises a following step 28 during which the calculator 4 calculates, for each setpoint and in the applicable setpoint domain u determined, all the possible values of a Hamiltonian function H ( u ,q,λ,w) of said setpoint, using the state gradient values and the possible values for the criterion or the combination of criteria to be optimized determined for this setpoint. To do this, calculator 4 uses the principle of the PMP method, in other words the Pontryagin Maximum Principle method.
La fonction Hamiltonienne H (u,q,λ,w) s’exprime alors comme :
The Hamiltonian function H ( u ,q,λ,w) is then expressed as:
avec λTla transposée du vecteur adjoint λ.with λ T the transpose of the adjoint vector λ.
Il est à noter que, lorsque la durée du trajet fait partie du ou des critères(s) à optimiser, la fonction Hamiltonienne H (u,q,λ,w) s’exprime alors comme :
It should be noted that, when the duration of the journey is part of the criterion(s) to be optimized, the Hamiltonian function H ( u ,q,λ,w) is then expressed as:
avec
Le calculateur 4 détermine alors, au cours d’une étape suivante 31, l’ensemble des consignes dites « optimales » u∗, en minimisant, pour chacune des consignes, la fonction Hamiltonienne calculée au cours de l’étape précédente 28. Dans l’exemple de réalisation considéré, le calculateur 4 détermine ainsi une première consigne « thermique » optimale destinée à commander le moteur thermique M, et une seconde consigne « électrique » optimale destinée à commander la machine électrique ME.The calculator 4 then determines, during a following step 31, all of the so-called “optimal” instructions u∗, by minimizing, for each of the instructions, the Hamiltonian function calculated during the previous step 28. In the In the example of embodiment considered, the computer 4 thus determines a first optimal “thermal” setpoint intended to control the heat engine M, and a second optimal “electrical” setpoint intended to control the electric machine M E.
De préférence, le procédé comporte ensuite une étape suivante 32 au cours de laquelle le calculateur 4 calcule, pour chaque consigne optimale u*, la valeur du gradient d’état pour ladite consigne u*, en fonction de la valeur de la consigne u* déterminée au cours de l’étape 31.Preferably, the method then comprises a following step 32 during which the calculator 4 calculates, for each optimal setpoint u*, the value of the state gradient for said setpoint u*, as a function of the value of the setpoint u* determined during step 31.
De préférence, le procédé comporte une étape parallèle ou suivante 34 au cours de laquelle le calculateur 4 calcule, pour chaque consigne optimale u*, la valeur du ou de chaque critère à optimiser pour ladite consigne u*, en fonction de la valeur de la consigne u* déterminée au cours de l’étape 31. En variante non représentée, les étapes de calcul 32, 34 peuvent être interverties.Preferably, the method comprises a parallel or following step 34 during which the calculator 4 calculates, for each optimal setpoint u*, the value of the or each criterion to be optimized for said setpoint u*, as a function of the value of the setpoint u* determined during step 31. As a variant not shown, the calculation steps 32, 34 can be inverted.
Lorsque le procédé comporte l’étape de calcul 32, le procédé comporte une étape suivante 36 au cours de laquelle le calculateur 4 procède à une intégration temporelle de la valeur du gradient d’état calculée au cours de l’étape 32. Cette étape d’intégration temporelle 36 fournit une valeur estimée du vecteur d’état.When the method comprises the calculation step 32, the method comprises a following step 36 during which the calculator 4 carries out a temporal integration of the value of the state gradient calculated during the step 32. This step d The temporal integration 36 provides an estimated value of the state vector.
Le procédé comporte ensuite une étape suivante 40 au cours de laquelle le calculateur 4 compare la valeur du vecteur d’état estimée au cours de l’étape précédente 36 à une valeur du vecteur d’état mesurée par les moyens de mesure du véhicule automobile 2. L’écart entre les deux valeurs fournit le premier terme de correction Kq. A l’issue de cette étape 40 de comparaison, le premier terme de correction Kqest fourni en entrée de l’étape de calcul 24 à l’instant d’échantillonnage suivant.The method then comprises a following step 40 during which the calculator 4 compares the value of the state vector estimated during the previous step 36 to a value of the state vector measured by the measuring means of the motor vehicle 2 . The difference between the two values provides the first correction term K q . At the end of this comparison step 40, the first correction term K q is provided as input to the calculation step 24 at the following sampling instant.
Lorsque le procédé comporte l’étape de calcul 34, le procédé comporte une étape suivante 41 au cours de laquelle le calculateur 4 procède à une intégration temporelle de la valeur du ou de chaque critère à optimiser calculée au cours de l’étape 34. Cette étape d’intégration temporelle 41 fournit une valeur de critère globale (ou cumulée) estimée.When the method comprises the calculation step 34, the method comprises a following step 41 during which the calculator 4 carries out a temporal integration of the value of the or each criterion to be optimized calculated during the step 34. This temporal integration step 41 provides an estimated global (or cumulative) criterion value.
Le procédé comporte ensuite une étape suivante 42 au cours de laquelle le calculateur 4 compare, pour le ou chaque critère à optimiser, la valeur de critère globale estimée au cours de l’étape précédente 41 à une valeur de critère mesurée par les moyens de mesure du véhicule automobile 2. L’écart entre les deux valeurs fournit le second terme de correction Kg. A l’issue de cette étape 42 de comparaison, le second terme de correction Kgest fourni en entrée de l’étape de calcul 26 à l’instant d’échantillonnage suivant.The method then comprises a following step 42 during which the calculator 4 compares, for the or each criterion to be optimized, the overall criterion value estimated during the previous step 41 to a criterion value measured by the measuring means of the motor vehicle 2. The difference between the two values provides the second correction term K g . At the end of this comparison step 42, the second correction term K g is provided as input to the calculation step 26 at the following sampling instant.
De préférence, chacune des étapes de comparaison 40, 42 est mise en œuvre via une régulation, par un régulateur embarqué au sein du véhicule 2, de type régulation proportionnel-intégral-dérivé, ou bien via une réestimation des variables d’état, ou par tout autre moyen calculatoire de type rétroaction connu de l’homme de l’art apportant une valeur de correction à appliquer à chaque instant pour réduire l’erreur entre estimation et mesure.Preferably, each of the comparison steps 40, 42 is implemented via regulation, by an on-board regulator within the vehicle 2, of the proportional-integral-derivative regulation type, or via a reestimation of the state variables, or by any other feedback type calculation means known to those skilled in the art providing a correction value to be applied at each instant to reduce the error between estimation and measurement.
Le procédé peut être réitéré pendant l’utilisation du véhicule.The process can be repeated while the vehicle is in use.
Le procédé permet ainsi d’obtenir des valeurs de consignes pour lesquelles le niveau de pollution, et/ou la consommation énergétique, et/ou l’état de santé du véhicule 2, et/ou la durée du trajet sont minimales.The method thus makes it possible to obtain setpoint values for which the level of pollution, and/or the energy consumption, and/or the state of health of the vehicle 2, and/or the duration of the journey are minimal.
De plus, le procédé permet, grâce au calcul et à la détermination des premier et second termes de correction Kq, Kg, qui sont réinjectés en entrée des premières étapes de calcul 24, 26 via une boucle de rétroaction, de simuler le comportement du modèle à chaque instant d’échantillonnage et de le comparer en temps réel au comportement du système physique (à savoir le véhicule automobile 2). Ceci permet d’adapter les paramètres du modèle et de les faire correspondre davantage au système physique réel. Une telle stratégie de commande optimale par boucle fermée (et rétroaction) est donc auto-adaptative, au sens où les paramètres du modèle sont ajustés à chaque instant d’échantillonnage en fonction du comportement du système physique, ce qui rend le procédé selon l’invention plus précis et/ou plus stable du point de vue de la stratégie de commande d’optimisation, par rapport aux procédés de l’art antérieur.In addition, the method allows, thanks to the calculation and determination of the first and second correction terms K q , K g , which are reinjected as input to the first calculation steps 24, 26 via a feedback loop, to simulate the behavior of the model at each sampling instant and to compare it in real time to the behavior of the physical system (namely the motor vehicle 2). This makes it possible to adapt the model parameters and make them correspond more closely to the real physical system. Such an optimal control strategy by closed loop (and feedback) is therefore self-adaptive, in the sense that the parameters of the model are adjusted at each sampling instant according to the behavior of the physical system, which makes the process according to the invention more precise and/or more stable from the point of view of the optimization control strategy, compared to the methods of the prior art.
En outre, le procédé selon l’invention :
- permet de réutiliser le modèle interne PMP connu en soi pour effectuer l’adaptation au système physique réel (calcul des gradients). Seules des intégrations temporelles numériques (et des moyens pour les effectuer) sont ajoutés au sein du calculateur 4 et dans la méthode PMP de l’art antérieur pour réaliser l’auto-adaptation ;
- est flexible et présente en particulier une capacité à sélectionner et/ou ajuster différentes adaptations : sur un ou plusieurs états du modèle interne, et/ou sur un ou plusieurs termes du critère ou de la combinaison de critères à optimiser ;
- utilise mieux les entrées de mesures existantes (d'états courants, et de critères courants), avec une consolidation de la commande par rétroaction de la méthode d'optimisation PMP.
- allows you to reuse the internal PMP model known in itself to carry out the adaptation to the real physical system (calculation of gradients). Only digital temporal integrations (and means for carrying them out) are added within calculator 4 and in the PMP method of the prior art to achieve self-adaptation;
- is flexible and presents in particular a capacity to select and/or adjust different adaptations: on one or more states of the internal model, and/or on one or more terms of the criterion or the combination of criteria to be optimized;
- better uses existing measurement inputs (of current states and current criteria), with a consolidation of the feedback control of the PMP optimization method.
Claims (7)
- a) détermination (22) d’un domaine de consignes applicables comprenant un ensemble de valeurs pour chaque consigne,
- b) calcul (24), pour chaque consigne et dans le domaine de consignes applicables déterminé, de tous les gradients d’état possibles pour ladite consigne, en utilisant au moins les équations d’état,
- c) calcul (26), pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles pour le critère à optimiser, en utilisant au moins l’équation de critère,
- d) calcul (28), pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles d’une fonction Hamiltonienne de ladite consigne, en utilisant les valeurs de gradients d’état et les valeurs possibles pour le critère à optimiser déterminées pour ladite consigne,
- e) détermination (31) de la valeur de chaque consigne, dans le domaine de consignes applicables déterminé, pour laquelle ladite fonction Hamiltonienne est la plus faible,
- f) calcul (32), pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur du gradient d’état pour ladite consigne, et/ou calcul (34), pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur du critère à optimiser pour ladite consigne,
- g) intégration temporelle (36) de la valeur du gradient d’état calculée, fournissant une valeur d’état estimée, et/ou intégration temporelle (41), pour le critère à optimiser, de la valeur calculée de ce critère, fournissant une valeur de critère globale estimée,
- h) comparaison (40) de la valeur d’état estimée à une valeur d’état mesurée, l’écart entre les deux valeurs fournissant un premier terme de correction (Kq), le premier terme de correction (Kq) ainsi déterminé étant fourni en entrée de l’étape de calcul b) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul b), et/ou comparaison (42), de la valeur du critère globale estimée à une valeur de critère mesurée, l’écart entre les deux valeurs fournissant un second terme de correction (Kg), le second terme de correction (Kg) ainsi déterminé étant fourni en entrée de l’étape de calcul c) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul c).
- a) determination (22) of a domain of applicable instructions comprising a set of values for each instruction,
- b) calculation (24), for each setpoint and in the determined applicable setpoint domain, of all the possible state gradients for said setpoint, using at least the state equations,
- c) calculation (26), for each setpoint and in the determined applicable setpoint domain, of all possible values for the criterion to be optimized, using at least the criterion equation,
- d) calculation (28), for each setpoint and in the determined applicable setpoint domain, of all the possible values of a Hamiltonian function of said setpoint, using the state gradient values and the possible values for the criterion to be optimize determined for said setpoint,
- e) determination (31) of the value of each setpoint, in the determined applicable setpoint domain, for which said Hamiltonian function is the lowest,
- f) calculation (32), for each of the setpoints, as a function of said determined value of the setpoint, of the value of the state gradient for said setpoint, and/or calculation (34), for each of the setpoints, as a function of said determined value of the setpoint, of the value of the criterion to be optimized for said setpoint,
- g) temporal integration (36) of the calculated state gradient value, providing an estimated state value, and/or temporal integration (41), for the criterion to be optimized, of the calculated value of this criterion, providing an estimated global criterion value,
- h) comparison (40) of the estimated state value to a measured state value, the difference between the two values providing a first correction term (K q ), the first correction term (K q ) thus determined being provided as input to calculation step b) at the next sampling instant and being used in said calculation step b), and/or comparison (42), of the value of the global criterion estimated at a value of measured criterion, the difference between the two values providing a second correction term (K g ), the second correction term (K g ) thus determined being provided as input to the calculation step c) at the instant of next sampling and being used in said calculation step c).
- aa) détermination (22) d’un domaine de consignes applicables comprenant un ensemble de valeurs pour chaque consigne,
- bb) calcul (24), pour chaque consigne et dans le domaine de consignes applicables déterminé, de tous les gradients d’état possibles pour ladite consigne, en utilisant au moins les équations d’état,
- cc) calcul (26), pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles pour la combinaison de critères à optimiser, en utilisant au moins l’équation de critère,
- dd) calcul (28), pour chaque consigne et dans le domaine de consignes applicables déterminé, de toutes les valeurs possibles d’une fonction Hamiltonienne de ladite consigne, en utilisant les valeurs de gradients d’état et les valeurs possibles pour la combinaison de critères à optimiser déterminées pour ladite consigne,
- ee) détermination (31) de la valeur de chaque consigne, dans le domaine de consignes applicables déterminé, pour laquelle ladite fonction Hamiltonienne est la plus faible,
- ff) calcul (32), pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur du gradient d’état pour ladite consigne, et/ou calcul (34), pour chacune des consignes, en fonction de ladite valeur déterminée de la consigne, de la valeur de chaque critère de la combinaison de critères pour ladite consigne,
- gg) intégration temporelle (36) de la valeur du gradient d’état calculée, fournissant une valeur d’état estimée, et/ou intégration temporelle (41), pour chaque critère de la combinaison de critères, de la valeur calculée de ce critère, fournissant une valeur de critère globale estimée,
- hh) comparaison (40) de la valeur d’état estimée à une valeur d’état mesurée, l’écart entre les deux valeurs fournissant un premier terme de correction (Kq), le premier terme de correction (Kq) ainsi déterminé étant fourni en entrée de l’étape de calcul bb) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul bb), et/ou comparaison (42), pour chaque critère de la combinaison de critères, de la valeur de critère globale estimée à une valeur de critère mesurée, l’écart entre les deux valeurs fournissant un second terme de correction (Kg), le second terme de correction (Kg) ainsi déterminé étant fourni en entrée de l’étape de calcul cc) à l’instant d’échantillonnage suivant et étant utilisé dans ladite étape de calcul cc).
- aa) determination (22) of a domain of applicable instructions comprising a set of values for each instruction,
- bb) calculation (24), for each setpoint and in the determined applicable setpoint domain, of all possible state gradients for said setpoint, using at least the state equations,
- cc) calculation (26), for each setpoint and in the determined applicable setpoint domain, of all the possible values for the combination of criteria to be optimized, using at least the criterion equation,
- dd) calculation (28), for each setpoint and in the determined applicable setpoint domain, of all the possible values of a Hamiltonian function of said setpoint, using the state gradient values and the possible values for the combination of criteria to be optimized determined for said instruction,
- ee) determination (31) of the value of each setpoint, in the determined applicable setpoint domain, for which said Hamiltonian function is the lowest,
- ff) calculation (32), for each of the setpoints, as a function of said determined value of the setpoint, of the value of the state gradient for said setpoint, and/or calculation (34), for each of the setpoints, as a function of said determined value of the setpoint, of the value of each criterion of the combination of criteria for said setpoint,
- gg) temporal integration (36) of the calculated state gradient value, providing an estimated state value, and/or temporal integration (41), for each criterion of the combination of criteria, of the calculated value of this criterion , providing an estimated global criterion value,
- hh) comparison (40) of the estimated state value to a measured state value, the difference between the two values providing a first correction term (K q ), the first correction term (K q ) thus determined being provided as input to the calculation step bb) at the next sampling instant and being used in said calculation step bb), and/or comparison (42), for each criterion of the combination of criteria, of the global criterion value estimated at a measured criterion value, the difference between the two values providing a second correction term (K g ), the second correction term (K g ) thus determined being supplied as input to the step of calculation cc) at the next sampling instant and being used in said calculation step cc).
Computer program product characterized in that it comprises a set of program code instructions which, when executed by one or more processors, configure the processor(s) to implement a method according to any of claims 1 to 4.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2209868A FR3140334A1 (en) | 2022-09-29 | 2022-09-29 | METHOD FOR OPTIMIZING A CRITERIA OR A COMBINATION OF CRITERIA RELATING TO A MOTOR VEHICLE |
PCT/EP2023/075385 WO2024068305A1 (en) | 2022-09-29 | 2023-09-15 | Method for optimising a criterion or a combination of criteria relating to a motor vehicle |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2209868A FR3140334A1 (en) | 2022-09-29 | 2022-09-29 | METHOD FOR OPTIMIZING A CRITERIA OR A COMBINATION OF CRITERIA RELATING TO A MOTOR VEHICLE |
FR2209868 | 2022-09-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
FR3140334A1 true FR3140334A1 (en) | 2024-04-05 |
Family
ID=84820211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2209868A Pending FR3140334A1 (en) | 2022-09-29 | 2022-09-29 | METHOD FOR OPTIMIZING A CRITERIA OR A COMBINATION OF CRITERIA RELATING TO A MOTOR VEHICLE |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR3140334A1 (en) |
WO (1) | WO2024068305A1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2857271A2 (en) * | 2013-10-04 | 2015-04-08 | MAN Truck & Bus AG | Operating method for a hybrid drive, in particular for selecting optimal operating modes of the hybrid drive along a travel route |
WO2020232104A1 (en) * | 2019-05-13 | 2020-11-19 | Cummins Inc. | Method and system for improving fuel economy of a hybrid powertrain in a vehicle |
EP3878706A1 (en) * | 2020-03-09 | 2021-09-15 | Avl Powertrain Uk Ltd | Method for controlling a hybrid electric vehicle |
FR3113270A1 (en) * | 2020-08-06 | 2022-02-11 | Psa Automobiles Sa | Determination of a thermal and electrical contribution of a hybrid motor |
-
2022
- 2022-09-29 FR FR2209868A patent/FR3140334A1/en active Pending
-
2023
- 2023-09-15 WO PCT/EP2023/075385 patent/WO2024068305A1/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2857271A2 (en) * | 2013-10-04 | 2015-04-08 | MAN Truck & Bus AG | Operating method for a hybrid drive, in particular for selecting optimal operating modes of the hybrid drive along a travel route |
WO2020232104A1 (en) * | 2019-05-13 | 2020-11-19 | Cummins Inc. | Method and system for improving fuel economy of a hybrid powertrain in a vehicle |
EP3878706A1 (en) * | 2020-03-09 | 2021-09-15 | Avl Powertrain Uk Ltd | Method for controlling a hybrid electric vehicle |
FR3113270A1 (en) * | 2020-08-06 | 2022-02-11 | Psa Automobiles Sa | Determination of a thermal and electrical contribution of a hybrid motor |
Non-Patent Citations (1)
Title |
---|
ADAPTATIVE CONTROL OF A HYBRID POWERTRAIN WITH MAP-BASED ECMS - IFAC PROCEEDINGS, vol. 44, 2011, pages 2949 - 2954 |
Also Published As
Publication number | Publication date |
---|---|
WO2024068305A1 (en) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210094440A1 (en) | Dynamically assisting hybrid vehicles | |
EP3317139B1 (en) | Method for calculating a setpoint for managing the fuel and electricity consumption of a hybrid motor vehicle | |
US8589076B2 (en) | Power usage planning for a vehicle | |
EP3363707A1 (en) | Method for determining an area reachable by a vehicle using a dynamic model and an associated graph | |
EP3314337B1 (en) | Method for controlling an energy equivalence factor for a hybrid motor vehicle | |
US20220363238A1 (en) | Method and system for controlling a powertrain in a hybrid vehicle | |
EP2872356A2 (en) | Motor vehicle drive unit including a fuel cell and an energy storage system | |
EP3565747B1 (en) | Method for calculating a management setpoint for managing the fuel and electric power consumption of a hybrid motor vehicle | |
WO2010043833A1 (en) | Method of estimating the range of a motor vehicle provided with improved prediction means and associated device | |
EP0904624B1 (en) | Motor vehicle alternator control method and device | |
FR3120594A1 (en) | METHOD FOR MANAGING THE STARTING OF A THERMAL ENGINE FOR A HYBRID VEHICLE | |
JP5974839B2 (en) | Control device for hybrid vehicle | |
FR3140334A1 (en) | METHOD FOR OPTIMIZING A CRITERIA OR A COMBINATION OF CRITERIA RELATING TO A MOTOR VEHICLE | |
FR3068322A1 (en) | METHOD FOR MANAGING THE TRACTION CHAIN OF A HYBRID VEHICLE | |
FR3078670A1 (en) | METHOD FOR ESTIMATING VEHICLE AUTONOMY | |
WO2023156247A1 (en) | Method for optimising the energy consumption of a motor vehicle | |
EP3717298B1 (en) | Motor with predictive regulation, motor controller and method for automated motor regulation | |
EP3162612B1 (en) | Method for controlling the supply of a transport vehicle engine and associated device | |
FR3113270A1 (en) | Determination of a thermal and electrical contribution of a hybrid motor | |
EP3599445A1 (en) | Method for determining an itinerary minimising the energy expenditure of a hybrid vehicle by means of an extended added graph | |
EP3630529B1 (en) | Control apparatus for an electric propulsion assembly of a vehicle | |
FR3124256A1 (en) | METHOD FOR PREDICTING A POSITION OR A DESTINATION TRAJECTORY OF A VEHICLE | |
CN117549799A (en) | Fuel cell shutdown control method, device, equipment and storage medium | |
FR3124314A1 (en) | BATTERY SYSTEM AND METHOD OF MONITORING A BATTERY SYSTEM | |
FR3106550A1 (en) | ENERGY MANAGEMENT PROCESS ON A KNOWN ROUTE OF A THERMAL / ELECTRIC DRIVE CHAIN IN A HYBRID VEHICLE ESPECIALLY OF THE RECHARGEABLE TYPE |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20240405 |