Co-Optimisation du Dimensionnement et du Contrôle des Groupe Motopropulseurs Innovants

Design and Control Co-Optimization for Advanced Vehicle Propulsion Systems

• Auteur / Autrice : Jianning Zhao
• Direction : Antonio Sciarretta
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 26/10/2017
• Etablissement(s) : Université Paris-Saclay (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : Laboratoire : Institut français du pétrole Énergies nouvelles (Rueil-Malmaison, Hauts-de-Seine)
• Jury : Président / Présidente : Hugues Mounier
• Jury : Examinateurs / Examinatrices : Lars Eriksson, Federico Millo
• Jury : Rapporteurs / Rapporteuses : Sébastien Delprat, Yann Chamaillard

Mots clés

Mots clés contrôlés

Automobiles -- Groupes motopropulseurs

Véhicules électriques

Véhicules électriques hybrides

Mots clés libres

Optimisation du dimensionnement,

Optimisation du contrôle

Groupes moto-Propulseurs

Véhicule électrique hybride

Véhicule électrique

Véhicule conventionnel

Design optimization

Control optimization

Vehicle propulsion system

Hybrid electric vehicle

Battery-electric vehicle

Conventional vehicle

Résumé

Des technologies avancées sont très demandées dans l'industrie automobile pour respecter les réglementations de consommation de carburant de plus en plus rigoureuses. La co-optimisation du dimensionnement et du contrôle des groupes motopropulseurs avec une efficacité de calcul améliorée est étudiée dans cette thèse.Les composants des groupes motopropulseurs, tels que le moteur, la batterie et le moteur électrique, sont modélisés analytiquement au niveau descriptif et prédictif afin de permettre une optimisation du contrôle rapide et une optimisation du dimensionnement scalable. La consommation d'énergie minimale des véhicules hybrides-électriques est évaluée par des nouvelles méthodes optimales. Ces méthodes – y compris Selective Hamiltonian Minimization et GRaphical-Analysis-Based energy Consumption Optimization – permettent d'évaluer une consommation minimale d'énergie avec une efficacité de calcul améliorée. De plus, la méthode de Fully-Analytic energy Consumption Evaluation (FACE) approxime la consommation d'énergie minimale sous forme analytique en fonction des caractéristiques de la mission et des paramètres de conception des composants du groupe motopropulseur. Plusieurs cas d’études sont présentées en détail par rapport aux approches de co-optimisation à bi-niveaux et à uni-niveau, ce qui montre une réduction efficace du temps de calcul requis par le processus global de co-optimisation.

Advanced technologies are highly demanded in automotive industry to meet the more and more stringent regulations of fuel consumption. Cooptimization of design and control for vehicle propulsion systems with an enhanced computational efficiency is investigated in this thesis.Powertrain components, such as internal combustion engines, batteries, and electric motor/generators, are analytically modeled at descriptive and predictive level correspondingly for the development of fastrunning control optimization and for the scalability of design optimization. The minimal fuel consumption of a hybrid-electric vehicle is evaluated through novel optimization methods. These methods – including the Selective Hamiltonian Minimization, and the GRaphical-Analysis-Based energy Consumption Optimization – are able to evaluate the minimal energy consumption with the enhanced computational efficiency. In addition, the Fully-Analytic energy Consumption Evaluation method approximates the minimal energy consumption in closed form as a function of the mission characteristics and the design parameters of powertrain components.A few case studies are presented in details via the bi-level and uni-level co-optimization approaches, showing an effective improvement in the computational efficiency for the overall co-optimization process.