UNIVERSITÉ DU QUÉBEC

MÉMOIRE PRÉSENTÉ À
L'UNIVERSITÉ DU QUÉBEC À TROIS-RIVIÈRES

COMME EXIGENCE PARTIELLE

DE LA MAÎTRISE EN INGÉNIERIE
(CONCENTRA TION EN GÉNIE MECANIQUE)

PAR
NOFINIDY HO FANILO ANDRIAMINAHY

ESTIMATION OPTIMISÉE DE L'UTILISATION DE L'ÉNERGIE SUR UN

VÉHICULE ÉLECTRIQUE

AVRIL 2021
 Université du Québec à Trois-Rivières

Service de la bibliothèque

Avertissement

L’auteur de ce mémoire ou de cette thèse a autorisé l’Université du Québec

à Trois-Rivières à diffuser, à des fins non lucratives, une copie de son
mémoire ou de sa thèse.

Cette diffusion n’entraîne pas une renonciation de la part de l’auteur à ses

droits de propriété intellectuelle, incluant le droit d’auteur, sur ce mémoire
ou cette thèse. Notamment, la reproduction ou la publication de la totalité
ou d’une partie importante de ce mémoire ou de cette thèse requiert son
autorisation.
 11

Résumé

Les nouvelles normes pour réduire la pollution et les émissions de gaz à effet de serre pour

les opérateurs dans les industries automobiles ont utilisé différentes technologies permettant

la décarbonisation et la réduction des énergies. L'électrification des véhicules serait une

solution efficace et fiable pour économiser du carburant et aussi pour diminuer la pollution

de l'environnement. Bien que cela soit une issue prometteuse, l'électrification totale du

groupe motopropulseur nécessite beaucoup d 'attention sur l'estimation de l'autonomie de la

batterie qui est la seule source d'énergie des véhicules électriques rechargeables à freinage

régénératif. Le fait que la consommation de l'énergie dépend aussi de plusieurs facteurs

externes dont le conducteur, les conditions de la route, les conditions météorologiques, cela

impliquerait de connaitre comment l'énergie est dispersée afin de pouvoir proposer une

méthode de planification énergétique et de connaitre jusqu'où le véhicule peut atteindre avec

le reste d'énergie en sa possession.

Cette étude a pour but d'estimer l'autonomie d'un véhicule électrique en se basant sur

l'apport de chaque force extérieure sur l'efficacité énergétique. Afin d'évaluer l'effet de

chaque amélioration sur l'efficacité énergétique, il faut être en mesure de déterminer avec

précision la consommation énergétique en route. Le défi actuel réside dans l'absence d'un

système de mesure capable de fournir cette information. En effet, les différents capteurs

installés sur le véhicule mesurent de manière indirecte et grossière la consommation

d'énergie, principalement pour des fins de normes environnementales. Il est donc important

de bien modéliser le véhicule en route de manière à pouvoir estimer précisément la

consommation de l'énergie. Pour y arriver, il est nécessaire d'introduire des méthodes

 111

d'estimation correcte des pertes aérodynamiques, des pertes par friction roues/routes et des

pertes dues à la configuration de la route ainsi que la puissance électrique fournie par la

batterie du véhicule. Dans ce projet, nous avons utilisé comme méthodes les moindres carrés

récursifs ou Recursive Least Square (RLS) en anglais et le filtre de Kalman ou Filter Kalman

(KF) en anglais pour l'estimation des paramètres influençant la consommation énergétique.

Les résultats ont montré que le KF donne une bonne performance que le RLS. Le modèle

NARX ou Nonlinear AutoRegressive eXogenous est utilisé pour estimer la puissance. Pour

estimer l'autonomie, on s'est basé sur le même modèle NARX avec d'autres calculs basés

sur des mises à jour de données. Les simulations faites ont montré que le modèle NARX

donne une belle performance sur l' estimation de la puissance et de l'autonomie.

La validation de ces estimations a été réalisé sur un véhicule électrique à freinage régénératif :

KlA SOUL EV, appartenant à l'Institut de Recherche sur l'Hydrogène (IRH) de l'Université

du Québec à Trois-Rivières (UQTR).

Mots clés: force aérodynamique, résistance au roulement, moindres carrés récursifs, filtre

de Kalman, modèle dynamique d'un véhicule, autonomie d'un véhicule électrique

 IV

Dédicaces

Je dédie ce mémoire :

Ji ma très chère femme Francia Ravalison et mon fils Ethan Andriaminahy pour leur

soutien, leur amour. Merci de toujours croire en moi, vous êtes ma source de motivation.

Ji mes chers parents Laurent et Noro Andriaminahy pour tous leurs sacrifices et leur

soutien tout au long de mes études.

Ji mes chères sœurs et leurs maris ainsi que leurs enfants pour leurs encouragements

permanents et leur soutien moral.

Ji ma belle-famille pour son encouragement et son appui.

 v

Remerciements

C'est avec un grand plaisir que je résume en quelques lignes en guise de reconnaissance

et de gratitude envers les personnes qui m'ont aidé à la réalisation de ce mémoire car tout

n'aura pas été possible sans leurs contributions et leurs aides.

Je tiens à adresser en particulier ma gratitude envers mon directeur de recherche Sousso

Kelouwani, Professeur à l'Université du Québec à Trois-Rivières, ainsi que mon codirecteur

Hicham Chaoui, Professeur à l'Université de Carleton, pour avoir accepté de m'encadrer

dans ce travail et de leurs recommandations qui m'ont été très utiles. Je souhaite leur rendre

hommage pour leur amabilité, leurs disponibilités et leurs conseils dans la réalisation de ce

travail.

Je tiens à remercier aussi mes collègues pour leurs conseils et leurs contributions dans ce

travail.

Je tiens également à remercie toute l'équipe de l'Institut de Recherche sur l'Hydrogène

pour leur accueil, cela m'a enrichi de conseils et de discussion me permettant de connaitre

d'autres cultures.

Enfin, je tiens à remercier les membres du jury qui ont pris la peine d'évaluer de travail.
 VI

Table des matières

Résumé .. ............................... .......... .............................. ..................... ... ...................... ....... ii

Dédicaces ........ .............. ...................... ............... ......... ...................... ..... ............ ..... .... .... . iv

Remerciements ...... .......... .................. .. ... ............... .... .................................... .... .......... ...... v

Table des matières .... ......... ....... ... ........................ ... .......... ................... ............................. vi

Liste des tableaux .............. .. ........................ .. ......... .... .......... ... ................. ................... ...... x

Liste des figures ... .............. ......................................... ... ..................................... .. ............ xi

Liste des abréviations ... .................................. ........ ......... ............ ....... .......... ..... ..... ...... ... xiii

Chapitre 1 - Introduction .. .. ..... .. .. .. .................................................. .. ... ..... ......................... 1

1.1 Mise en contexte ......... .............................. ............. ........... .. ... ........................... ... 1

1.2 Problématique ........ ... ... ....................... ..... ......... .. .... .... ...... .. .... .... ........................ . 3

1.3 Questions relatives au sujet de recherche ......... ..... ................ ..... ............. .. ...... ..... 5

1.4 Objectifs ........... .......... .......... ................... .... ........... ..... .... .... .... ........................ ... . 5

1.5 Méthodologie .............................. .......................................... ............. ... .. ............. 6

1.6 Organisation du mémoire ........................ .. ......... .... ........... ... .... ................... ..... .... 8

Chapitre 2 - Revue de la littérature .... ......................... .. .............................. .. ......... ..... ... .... . 9

2.1 Type de véhicule se lon la source d'énergie utilisée ....................... ..... ...... .. ...... .... 9

2.1.1 Véhicule à combustion interne ... .. ......................................................... .... 9

2.1.2 Véhicule électrique rechargeable à batterie ....... ...... .... ............................ 10

 Vil

2.1.3 Véhicule hybride ........................................................................... .. .. ... .. Il

2.2 Les facteurs d'influence sur la consommation de l'énergie d'un

véhicule électrique .... .. ... ....... ..... ............ ... ......................................................... 14

2.2. 1 Mode de conduite ..... .. ................................................. ........ ........ .. ......... 14

2.2.2 Forces résistantes .................................................... .. .............................. 16

2.2.3 Conditions météorologiques ....................... .... ......... ................................ 18

2.3 Méthodes d'estimation .. ........................ ..... ... .... .. .............................................. . 19

2.3 .1 Estimations des paramètres ... .. ........................... .............................. ... .... 19

2.3.2 Estimation de l'énergie consommée - L'état de charge .................. ......... 23

Chapitre 3 - Modélisation de l' utilisation de l'énergie ............... ............ .... ....................... 27

3.1 Architecture d'un véhicule électrique ...... ................................ ... .... ..... .. ....... ...... 28

3.2 Modèle dynamique longitudinal d'un véhicule électrique ........ ............... ............ 28

3.3 Modèle de la batterie d'un véhicule électrique ............................................... .... 31

3.3.1 Modèle physico-chimique .................................................................. .. ... 31

3.3.2 Estimation de l'énergie consommée ....... ..................... ..... ............... .... .... 33

Chapitre 4 - Estimation des coefficients aérodynamique et de la résistance au

roulement - Puissance & énergie - Autonomie ............................. .. ................... ... ...... 35

4.1 Introduction ............................ .... ...... ............. ... ............. ..................... ... ... ......... 35

4.2 Estimations des coefficients aérodynamique et résistance au roulement ............. 37

4.2.1 Description de la méthodologie d'estimation ........................................... 37

 Vlll

4.2.2 Estimation par la méthode des moindres carrés récursifs (MCR

ou RLS) .... ........................... .. ........ .. .... ... ..... ........................................... 40

4.2.3 Estimation avec le filtre de Kalman (KF) ........ .. .. .... .. .................. ........ .... 41

4.3 Estimation de la puissance fournie par la batterie et de l'énergie

consommée .. .... ...... .......... ............. ....... .... ........ .... ..... .... .... .......... .. ...... .. .. ....... .... 43

4.4 Estimation de l'autonomie ....................................... .. ........... ...... ... ... .. ... ... .. ....... 47

4.5 Mesures de performances ....................................... .... .......................... ..... ....... .. 50

Chapitre 5 - Expérimentations et simulations ................................................................... 51

5.1 Validation et simulation ......... .... ... ........ ... ...................................... .................... 51

5.1.1 Paramètres du véhicule .. .. ........ ...... .... .. .. ...... .............. ............................. 51

5.1.2 Expériences et tests ...... ........ .... .. ...... .. .. .. .... ............ .... .. .. .............. .. .. .. .. ... 53

5.2 Résultats des expériences et des simulations .... .. .. ........ .... .. .......................... .... .. 55

5.2.1 Estimations des coefficients aérodynamique et résistance au

roulement .... ............. .... ............ .. ......... ..... ............. .... .. .......... ........ ... .... .. 55

5.2.2 Estimation de la puissance fourni e par la batterie et de l'énergie

consommée ..... .......... ....... ...... ...... .... ...... ......... .... ...................... .... .......... 60

5.2.3 Estimation de l'autonomie .. .... ...... ........ .. .. .................... .. .. ...................... 63

Chapitre 6 - Discussions, conclusions et perspectives .... .... ...... .. .............. ......................... 67

Références .......................................................................... .... ...... ........ ........................ ... 70

Annexe A - Fiche technique du véhicule KIA SOUL EV 2017 .................... .... .... .. .. .. .. .. .. 77
 IX

Annexe B - Article publié ....... ... ............ ........... .. ................................ ............. .......... ... ... 80

Annexe C - Utilisation du OBD Link et Torque Pro ................ ........................................ 85

 x

Liste des tableaux

Tableau I :Principales caractéristiques du réseau NARX (FeedForward) avec

leurs valeurs typiques ..... .... ... ... ..... .. ...... ................... .................... ............. 46

Tableau 2: Caractéristiques du KlA Soul EV 2017 ... .... ....... ........... .... ................... ..... ...... 52

Tableau 3: Valeurs de la résistance au roulement obtenues avec les tests Coast

down ....... .... ... ......... ............... .. .. ..... ......... ........... ..... .......... .. ..... ..... ...... .. ... 54

Tableau 4: Récapitulation des tests .... .. .... .. .......... ....... .. .......... ... ........ ..... .................... ..... 54

Tableau 5: MSE et valeurs moyennes estimées .. .... ..... .......... .... .... ...... ... ... .... ... ...... ........... 58
 xi

Liste des figures

Figure 1: Diversification de l 'utilisation du pétrole dans le monde [2l .............................. 2

Figure 2: Architecture d'un véhicule à combustion interne .. .................... .............. ... ..... .. . 10

Figure 3: Architecture d'un véhicule électrique rechargeable à batterie ........... ... ... ..... ... .. Il

Figure 4: Architecture d'un véhicule hybride série ................. .......... ............. ...... ...... ..... .. 12

Figure 5: Architecture d'un véhicule hybride parallèle .................................................... . 12

Figure 6: Architecture d'un véhicule hybride série/parallèle .............. .... .... ............. ........ . 13

Figure 7: Structure détaillée d'un véhicule électrique .......... ... ........ .... ....... .. ................... 28

Figure 8: Aperçu des forces externes appliquées au véhicule ........... ................................ 29

Figure 9: Circuit électrique équivalent de la batterie ............. ...... ... .................. ......... ...... 32

Figure 10: Dispersion des pertes énergétiques d'un véhicule à combustion sur
des trajets: a) en ville, b) sur autoroute .... ............... .... ........ .. ........... .. ..... .. 36

Figure Il :Dispersion des pertes énergétiques des véhicules électriques à

freinage régénératif sur des trajets: a) en ville, b) sur autoroute ............... 36

Figure 12: Diagramme d'estimation des paramètres ................ ... ........... .. ................... .... . 38

Figure 13: Rendement du moteur électrique jusqu 'aux roues ................ ... ..... .. ........... .. .... 39

Figure 14: Représentation schématique de l'architecture NARX en boucle

fermée (à gauche) et en boucle ouverte (à droite) ...................................... 45

Figure 15: Diagramme schématique d'un réseau NARX implémenté avec un

réseau à réaction contenant une couche cachée avec 10
neurones ............... ........... ... ........................ ...... ... ................. .................. .. 46

Figure 16: Illustration de la distance mémoire et de la distance parcourue pour

un test de conduite sur autoroute .... .................... ..... ... ......... ............. ... .. .... 49

Figure 17: KlA Soul EV 2017: A) à l 'intérieur de l 'IRH, B) sur asphalte, C)

sur neige ....... .............. ..... ........ .... ................... ........... ............. ... ........ ....... 51

Figure 18: Coefficients estimés Vs valeurs réelles dans les conditions sans
neige: a) coefficient aérodynamique, b) coefficient de résistance
au roulement. .. ... ... ................ ........ ...... ... ......... ................... .... .... ........ ....... 56
 Xli

Figure 19: Coefficients estimés Vs valeurs réelles dans les conditions avec
neige : a) coefficient aérodynamique, b) coefficient de résistance
au roulement. ........ .............. ..... .. ......... .... ... .. .... .. .... .. .......... ..... ....... ........... 57

Figure 20: Carte énergétique des différents tests de conduite: a) route

enneigée en ville, b) route sèche en ville, c) autoroute sèche
(vitesse ~ 100 km/h), d) campagne sèche (vitesse ~ 70 km/h) ... ... .. ... ... ...... . 60

Figure 21 : Profils de puissance mesurée vs estimée : a) condition enneigée, b)

condition non-enneigée ............... ... ...... ...... ... ... ........... ...................... ........ 61

Figure 22: Energie cumulée mesurée vs estimée : a) condition enneigée, b)

condition non-enneigée ... ........... ...... .... ... ................ .... ........ ...................... 62

Figure 23: Calcul de l 'efficacité de conduite pour un test de conduite sur

autoroute (Vmax = 100 km/h) ................ ... ... .. .............. .... ....... ....... .. ...... .... 63

Figure 24: Efficacité de conduite pour un test de conduite dans une zone
scolaire avec une présence de pente (Vmax = 30 km/h) .... .. .............. ... .... .. 64

Figure 25: Estimation de l 'autonomie restante via le NARX et l 'historique des

données de conduite .... .... ........... ..................... .... ..... .... ............ .. .. .......... ... 65

Figure 26: a) module OBD Link MX, b) logiciel Torque Pro .......... .. ...... ............... ......... .. 85
 XIII

Liste des abréviations

AH: Ampère-Heure

ANN : Artificial Neural Network

AR : Autonomie Restante

CAN : Controller Area Network

CO 2 : Dioxyde de Carbone

cv: Cheval-Vapeur

EKF: Extended Filter Kalman

EV: Electric Vehicle

FFNN: FeedForward Neural Network

GES: Gaz à Effet de Serre

GPS : Global Position System

HEV : Hybrid Electric Vehicle

IRH : Institut de Recherche sur l'Hydrogène

KF: Kalman Filter

kg: Kilogramme

kW: Kilowatt

kWh: Kilowattheure

km: kilomètre
 xiv

kmlh: kilomètre par heure

LMS: Least Mean Square

MSE: Mean Squared Error

NARX: Nonlinear AutoRegressive eXogenous

NLMS : Normalized Least Mean Square

Nm: Newton-Mètre

OBD: On-Board Diagnostics

PID: Processus Identifier

PM: Puissance mécanique

RLS : Recursive Least Square

RNN : Recurrent Neural Network

s : Seconde

TPMS: Tire Pressure Monitoring System

UQTR: Université du Québec à Trois Rivières

 Chapitre 1 - Introduction

1.1 Mise en contexte

Le secteur du transport représente le plus grand défi à relever dans la lutte aux

changements climatiques. Au Québec, près de 40% des émissions de gaz à effet de Serre

(GES) et 25% de la consommation totale d'énergie lui sont attribuables. Les véhicules

routiers sont responsables de plus de 80% des émissions de GES et de la consommation

énergétique en transport. Le principal gaz à effet de serre émis par les véhicules est le dioxyde

de carbone (C02) [1].

Aujourd'hui, 55 % de la production mondiale de pétrole est consommée par le secteur du

transport (fig. 1). Avec 93 % de son énergie utilisée provenant de produits pétroliers, il

apparaît comme le moins diversifié de tous sur le plan énergétique. En effet, en raison de leur

densité énergétique très élevée (~ 12 kWh/kg), liée à leur état sous forme liquide en condition

atmosphérique, et de la quasi-absence de difficultés en matière d'approvisionnement, les

carburants pétroliers ont été jusqu'à présent massivement utilisés par les principaux modes

de transport (routier, aérien, maritime). Ainsi, au niveau mondial, le secteur du transport

s'affiche comme le deuxième contributeur aux émissions anthropiques de GES, après celui

de la production d'électricité.

Des efforts sont toutefois déployés pour réduire la dépendance du secteur du transport au

pétrole en proposant des solutions énergétiques alternatives innovantes [2].

 2

• Véhicules égers
Fret
• Maritime
• Aviation
• Industrie
• Habitation s
• Production électrique
• Autres

Source : AJE, 2016

Figure 1: Diversification de l'utilisation du pétrole dans le monde [2J

En 2013, l'essence, le principal produit pétrolier consommé au Québec, a représenté 47,4

% de la consommation totale des produits pétroliers énergétiques. Le carburant diesel s'est

établi au deuxième rang avec une part de 27,2 %. Il a été suivi du carburéacteur (11,7 %), du

mazout lourd (5,2 %) et du mazout léger (4,3 %) [3].

Aujourd'hui, plus d'un milliard de véhicules circulent dans les rues et les industriels

produisent plus de 80 millions de nouveaux véhicules chaque année. Compte tenu de cette

production en masse, les progrès du secteur du transport sont inévitables pour accommoder

les besoins modernes de déplacement avec certaines contraintes comme l'épuisement des

ressources fossiles et l'émission de gaz à effet de serre [4].

L'électrification du groupe motopropulseur a été identifiée comme un moyen efficace de

résoudre deux problèmes:

 3

• Efficacité énergétique: le moteur électrique est 3 fois plus efficace que les véhicules

à essence et 2 fois plus efficace que le moteur diesel

• Émissions de gaz à effet de serre: un véhicule électrique propulsé par batterie ou pile

à combustible ne produit aucun GES local par rapport aux véhicules à moteur à

combustion interne

1.2 Problématique

La gestion de la consommation d'énergie d'un véhicule reste un défi complexe du fait

que cela dépend de plusieurs facteurs que ce soit au niveau du véhicule ou de son

environnement. Les paramètres qui affectent cette consommation peuvent être des inconnus

ou difficiles à estimer. La consommation d'énergie des véhicules conventionnels dépend de

plusieurs paramètres, tels que le poids du véhicule, l'efficacité du moteur et des paramètres

dynamiques comme la résistance au roulement et la traînée aérodynamique du véhicule [5]

et l'économie mondiale de carburant dans de tels systèmes est étroitement liée au contrôle du

flux de puissance entre chacune des sources d'énergies et le groupe motopropulseur [6] [7].

L'estimation en ligne des paramètres du véhicule a été un domaine de recherche actif au cours

des dernières décennies [8]. En raison de la différence de taille des véhicules, de la forme de

la carrosserie et du nombre d'essieux, les valeurs de résistance au roulement et de résistance

à l'air varient d'un véhicule à l'autre [9]. Cependant, ces facteurs sont normalement supposés

les mêmes dans la littérature quelle que soit la configuration du véhicule. Le coefficient de

résistance au roulement peut varier en fonction du type de pneumatique et de la surface de la

route [10] [11] [12]. De plus, la masse du véhicule et le coefficient de traînée aérodynamique

peuvent changer considérablement lorsqu'une remorque ou un autre véhicule non motorisé

est attaché à la voiture. Par conséquent, l'estimation des paramètres en ligne est nécessaire
 4

dans la formulation du contrôle du groupe motopropulseur dans les véhicules commerciaux,

car elle réduit l'effort d'étalonnage initial. De plus, il aide le contrôleur du groupe

motopropulseur à s'adapter rapidement aux différentes configurations de véhicules, ce qui se

traduit par une meilleure économie de carburant. Par conséquent, la consommation de

carburant du véhicule et les rejets de C02 dans l'atmosphère dépendent de manière

significative des forces de résistance du véhicule [13].

De plus, pour les véhicules électriques, malgré tous ses avantages cités précédemment,

les véhicules électriques nécessitent une recherche plus profonde car ces véhicules présentent

quelques problèmes dont:

• Long temps de recharge par rapport au véhicule conventionnel

• Densité d'énergie limitée qui raccourcit la plage de fonctionnement

• Autonomie réduite en basse température

• Augmentation de l'anxiété en hiver.

Ainsi leur acceptation et leur adoption par les clients sur le marché est principalement

entravée par leur densité énergétique limitée, le long temps de recharge et le déploiement

insuffisant de l'infrastructure de charge. La plage de conduite limitée des véhicules

électriques résultant de leur densité d'énergie limitée est considérablement réduite dans les

conditions hivernales, où le véhicule dépense une quantité considérable de son énergie

disponible pour chauffer les accessoires (en raison de la basse température) et surmonter les

forces de résistance (traînée aérodynamique et roulement résistance) en raison des routes

enneigées et verglacées. Ces inconvénients des VE entraînent ce que l'on appelle « l'anxiété

d ' autonomie », qui doit être sérieusement combattue par les constructeurs automobiles afin

de faire accepter les véhicules électriques par les clients.

 5

1.3 Questions relatives au sujet de recherche

Par rapport aux problèmes cités précédemment, on peut alors se questionner sur les points

suivants:

• Comment les véhicules électriques dépensent-ils l 'énergie et comment gérer cette

consommation d'énergie?

Pour pouvoir être plus précis par rapport à la question précédente, on peut se demander:

• Comment introduire une méthode d 'estimation correcte des pertes aérodynamiques,

des pertes par friction roues/routes et des pertes dues à la configuration de la route

ainsi que les conditions climatiques?

• Comment prédire la consommation d 'énergie sur un trajet défini en connaissant sa

configuration ?

1.4 Objectifs

Ce sujet de recherche propose une approche sur l'estimation de la consommation

d'énergie de la famille des véhicules électriques afin que l'on puisse estimer l'autonomie de

manière exacte.

Pour améliorer la précision dans les estimations de la consommation énergétique et de

l'autonomie restante permettant de réduire l'anxiété de distances chez les usagers des

véhicules électriques, notre travail de recherche consiste alors à inclure les valeurs des deux

paramètres physiques du véhicule, qu'on a sélectionnés : les coefficients aérodynamique et

de la résistance au roulement dans le modèle choisi.

 6

En se basant sur la problématique, les objectifs secondaires de ce travail peuvent être

définis comme suit:

• Établir un algorithme d'estimation en ligne des coefficients aérodynamique et de la

résistance au roulement au roulement du véhicule.

• Établir un modèle de prédiction afin d'avoir une bonne précision sur l'estimation de

la consommation d'énergie du véhicule sur un trajet déterminé.

1.5 Méthodologie

Le but de ce projet étant de donner des informations précises sur la prévision de la

consommation énergétique ainsi que l'autonomie restante, tout en se basant sur l'estimation

simultanée, et en temps réel des paramètres qui peuvent influencer la consommation

d'énergie d 'un véhicule électrique à batterie rechargeable.

Afin de répondre à nos objectifs et aux questions de recherche, la méthodologie a été

organisée comme suit:

La première étape consiste à effectuer une revue de la littérature afin d ' établir une

modélisation du véhicule et de ses différents composants pour choisir les paramètres du

véhicule qui peuvent influencer la consommation d'énergie. Ces paramètres sélectionnés

vont être estimés et intégrés dans l'estimation de l'énergie consommée. Le coefficient

aérodynamique et le coefficient de la résistance au roulement ont été choisi dans ce sujet.

Dans la stratégie d'estimation de ces deux paramètres, le modèle dynamique longitudinal est

considéré. La deuxième partie de la revue consiste à trouver les modèles et méthodes

intéressants pour estimer la puissance fournie par la batterie- l'énergie consommée-

l'autonomie du véhicule.
 7

En premier lieu, afin de choisir les techniques d'estimation les plus adaptés à notre

objectif, une recherche bibliographique des différentes techniques d'estimation des

paramètres est une étape importante pour ce choix. Cela a permis de relever les limites de

certaines méthodes des études antérieures et de développer, dans une deuxième étape, les

algorithmes utiles pour cette étude. Les algorithmes d'estimation développés s' appuient sur

deux approches différentes mais un peu similaires : l'approche des moindre carrés récursifs

(MCR) ou Recursive least square (RLS) et le filtre de Kalman. Une comparaison entre les

deux méthodes estimant les deux paramètres simultanément nous a permis d ' identifier

l'approche la plus appropriée à l' estimation en temps réel. Le filtre de Kalman s'est montré

plus efficace.

Une fois que ces deux paramètres sont estimés, ils seront intégrés au fur et à mesure dans

l' estimation de l'énergie fournie par la batterie dans un trajet défini.

La deuxième étape de notre méthodologie consiste à estimer la puissance fournie par

batterie pour obtenir l'énergie électrique sur un trajet ainsi que l' estimation de l'autonomie

restante. Pour cela, le modèle NARX ou Nonlinear AutoRegressive eXogenous est utilisé

pour ces estimations. Ces estimations sont basées sur deux critères: (i) la configuration du

réseau, et (ii) l'intégration des forces estimées dans le modèle. Ce scenario permettra de

savoir quelles configurations sont adaptés pour ce travail et aussi s'il est nécessaire d'inclure

les forces estimées dans le modèle.

La troisième étape consiste à valider les méthodes et modèles proposés tout en utilisant

les données réelles et les résultats expérimentaux obtenus sur le véhicule électrique KlA

SOUL EV de l'Institut de Recherche sur 1'Hydrogène (IRH) . Puis, finalement, les résultats
 8

seront analysés et discutés tout en tenant compte des cycles de conduites et des itinéraires

définis.

1.6 Organisation du mémoire

Le contenu de ce mémoire est structuré comme suit :

Le chapitre 1 a été consacré à l'introduction au projet de recherche, en présentant le projet

dans son contexte, en présentant la problématique, les objectifs et la méthodologie adoptée.

La revue bibliographique est illustrée dans le chapitre 2. Cette partie illustrera les

différentes technologies de véhicule en termes de source d'énergie. Ce chapitre présentera

aussi les facteurs influençant la consommation d'énergie d'un véhicule et aussi les différentes

méthodes d' estimation des coefficients aérodynamique et de résistance au roulement

Le chapitre 3 présentera le modèle adopté pour la gestion énergétique d' un véhicule

électrique. L'estimation des coefficients aérodynamique et de la résistance au roulement est

présentée dans le chapitre 4 ainsi que les estimations de la puissance/énergie fournie par la

batterie ainsi que de l'autonomie par la batterie.

Le chapitre 5 présentera les expériences et les résultats pour la validation de chaque

estimation.

Le chapitre 6 conclut le mémoire par une discussion sur les résultats et les perspectives.
 Chapitre 2 - Revue de la littérature

De moteur à explosion à moteur 100% électrique, le domaine du transport continue sur

sa lancée afin de donner satisfaction sur le plan environnemental et commercial. Cette

innovation nécessite une continuité de travail pour l'efficacité énergétique et pour plus de

sécurité. Le but de ce chapitre est de présenter, d'abord, des généralités sur les différentes

technologies en termes de sources d'énergie existantes ainsi que les principaux organes

constitutifs. La deuxième partie sera consacrée aux facteurs qui peuvent influencer la

consommation d'énergie et la dernière partie de ce chapitre présentera les travaux antérieurs

sur les méthodes d'estimations des coefficients aérodynamique et de résistance au roulement

ainsi que la puissance/énergie fournie par batterie et l'état de charge.

2.1 Type de véhicule selon la source d'énergie utilisée

2.1.1 Véhicule à combustion interne

Le moteur thermique désigne le cœur d'une automobile standard, c'est-à-dire alimentée

par de l'essence ou du gazole (diesel). Le moteur produit de l'énergie en brûlant à très haute

température (phase de combustion ou d'explosion) le carburant dont elle dispose. C'est le

mode de fonctionnement de la plupart des véhicules de transport. Les gaz brûlés sont ensuite

dégagés via la sortie d'échappement [14]

 10

Un moteur à combustion interne (MCl) est un type de moteur à combustion dans lequel

l'énergie thermique dégagée par la combustion est convertie en énergie mécanique à

l'intérieur du moteur [15].

Différentielle

Figure 2: Architecture d'un véhicule à combustion interne

Les pistons du moteur descendent et aspirent le carburant et l'air par l'intermédiaire d'une

pompe. Les pistons remontent et le mélange (carburant + air) est comprimé dans les cylindres

du moteur produisant une combustion du mélange avec de l'étincelle. Cette explosion renvoie

les pistons en bas et ces derniers remonteront pour pousser les gaz d'échappement vers

l'extérieur du moteur. Le cycle de va et viens recommence et transférant ce mouvement par

un système de bielles et de vilebrequins, vers l'arbre de transmission qui est connecté avec

les autres organes de transmission (rapport de réduction, différentielle .. . ) et propagera la

puissance générée par le moteur vers les roues

2.1.2 Véhicule électrique rechargeable à batterie

Un véhicule électrique rechargeable à batterie est un véhicule cent pour cent électrique

doté d'une seule chaine de traction électrique. Les véhicules électriques possèdent un

chargeur utilisé comme interface entre le pack de batterie et le réseau électrique. Ce pack de
 Il

batterie alimente et transmet à l' onduleur le courant continu pour le transformer en courant

alternatif pour le moteur [16].

Différentielle

Figure 3: Architecture d'un véhicule électrique rechargeable à batterie

2.1.3 Véhicule hybride

Un véhicule hybride est un véhicule qUI utilise au mOInS deux sources

d'énergie différentes pour se déplacer. Généralement, on désigne par voiture hybride une

voiture qui recourt à un carburant et à l'électricité pour se mouvoir au moyen de deux moteurs

: l'un thermique, l'autre électrique.

2.1.3.1 Hybride série

Ce type de véhicule possédant deux sources dont le moteur thermique n'est pas couplé

directement aux roues. La propulsion est assurée par le moteur électrique, lui qui est alimenté

par une batterie ou/et par un autre système (groupe électrogène) [17].
 12

Différentielle

Figure 4: Architecture d'un véhicule hybride série

2.1.3.2 Hybride parallèle

ROllL'

Différentielle

ROllL'

Figure 5: Architecture d'un véhicule hybride parallèle

Le type d'hybride parallèle possède deux sources d'énergie pour se propulser: le moteur

thermique et le moteur électrique et qui sont associés aux roues. Les flux énergétiques
 13

provenant de ces deux types de sources arrivent en parallèle aux roues pour assurer la traction

du véhicule, que ce soit conjointement ou séparément [18].

2.1.3.3 Hybride série/parallèle

Dans ce type de véhicule, le fonctionnement est possible que ce so it indépendante ou

simultanée, comme son nom l' indique. Conceptuellement, le moteur thermique et le moteur

électrique sont connectés à la transmission par l'intermédiaire des voies séparées, pennettant

une propulsion entièrement indépendante via les deux moteurs.

Différentielle

Figure 6: Architecture d'un véhicule hybride série/parallèle

L'alternance entre les deux moteurs s'opère suivant plusieurs modes (un moteur principal

et un moteur de réserve ou suivant la vitesse ... ).

Dans ce modèle, les moteurs peuvent fonctionner de manière indépendante ou

simultanée. Cela assure un usage sélectif du moteur thermique et électrique pour économiser

la consommation [19].
 14

2.2 Les facteurs d'influence sur la consommation de l'énergie d'un

véhicule électriq ue

Pour pOUVOIT étudier comment l'énergie est utilisée, il faut savoir les facteurs qUI

influenceront sur la consommation de cette énergie afin de gérer l'énergie nécessaire pour un

déplacement. Dans cette partie, on va présenter des facteurs que l'on ne peut pas négliger

comme le mode de conduite du conducteur avec l'efficacité du moteur ainsi que les forces

résistives telles que la force aérodynamique, la résistance au roulement sans oublier la masse

et les conditions météorologiques qui peuvent faire varier la consommation de l'énergie d'un

véhicule électrique.

2.2.1 Mode de conduite

Les modes de conduite peuvent influencer sur la consommation énergétique. La façon

dont on joue avec les pédales de frein, accélérateur, etc, affectera sur l'énergie consommée.

La conduite économique, écologique et sûre (écoconduite) vise à réduire la consommation

de carburant, les émissions de gaz à effet de serre et les accidents [20]. La consommation

d'énergie et les émissions de C02 peuvent être réduites grâce à une variété de stratégies qui

réduisent la congestion, la fluidité du trafic et la vitesse excessive des véhicules.

L'écoconduite peut réduire la consommation de carburant de 10%, en moyenne et dans le

temps, réduisant ainsi les émissions de C02 de la conduite d'un pourcentage équivalent [21].

Cela consiste généralement à modifier le comportement de conduite d'une personne en

fournissant des conseils statiques généraux au conducteur (par exemple, n'accélérez pas trop

rapidement, ne réduisez pas la vitesse, etc.) [22]. En allant plus loin, il est possible de fournir

des conseils en temps réel aux conducteurs en fonction de l'évolution du trafic et des

conditions d'infrastructure pour des économies de carburant et d'émissions encore plus

 15

importantes [23]. Une consommation de carburant excessive peut être évitée si une stratégie

de conduite optimale est mise en œuvre en fonction de l'état environnant d'un véhicule et des

contraintes existantes [24]. Selon l'étude faite dans [25], voici des conseils, en deux étapes,

qui pourraient aider sur la façon de conduire afin d'optimiser la consommation d'énergie:

Étape 1 : Avant de prendre la route

1. Alléger le plus possible son véhicule au niveau de la masse et l'aérodynamisme

2. Préparer son itinéraire permettant de choisir le trajet avec le moins de kilomètres ou le

trajet le plus rapide. Sauf exception, il permet d'éviter les détours, empêche de se perdre (et

donc de parcourir des kilomètres pour rien) et fait gagner un temps précieux.

3. Vérifier la pression des pneus chaque mois: rouler avec des pneus sous-gonflés accroît

sensiblement la consommation d'énergie: 2,4% par 0,5 bar de déficit. Une pression trop

basse affecte aussi la tenue de route et la distance de freinage.

Les pneus se dégonflent naturellement, il est donc nécessaire de contrôler leur pression

au moins une fois par mois. Le contrôle doit s'effectuer à froid, c'est-à-dire après moins de

3 kilomètres de roulage, sinon il faut attendre 10 minutes pour laisser refroidir les pneus.

Étape 2 : Sur la route

4. Utiliser les instruments de bord pour donner les informations instantanées.

5. Rouler moins vite: rouler autant que possible à vitesse modérée. Rouler moins vite

permet également de ralentir plus facilement, en utilisant le frein moteur autant que possible.

Le frein moteur permet non seulement de réduire sa consommation et l'usure des freins mais

il améliore également la sécurité routière et le confort des passagers.

 16

6. Éteindre le moteur du véhicule lorsqu'on est en stationnement ou dans une file

d'attente

7. Anticiper les embouteillages afin d'éviter d'accélérer ou de freiner inutilement. Afin

de pouvoir maintenir la vitesse la plus stable possible, anticiper le trafic est essentiel.

C'est aussi un conseil essentiel pour la sécurité: on est moins pris au dépourvu si on

regarde le trafic au loin et qu'on anticipe les événements pouvant survenir (piéton qui va

traverser, voiture qui va dépasser ou freiner, feu de signalisation qui passe au rouge ... ).

Conduire comme si on n'avait pas de freins: maintenir le plus possible une vitesse stable,

en évitant de freiner et accélérer sans arrêt.

8. Utiliser la climatisation à bon escient: la climatisation peut être très utile lors de

longues conduites en pleine chaleur mais n'est pas nécessaire la plupart du temps. On évite

donc de la laisser allumer par défaut.

2.2.2 Forces résistantes

Pour pouvoir assurer la gestion de la consommation d'énergie, il est primordial de savoir

les forces qui peuvent influencer la consommation. Cette sous-partie présentera les forces

résistantes au mouvement d'un véhicule qui peuvent affecter la consommation comme la

résistance au roulement, la force aérodynamique ainsi que la masse.

La résistance au roulement est la force qui résiste/s'oppose au mouvement d'un corps

roulant sur une surface causée par des effets non-élastiques. Selon [26], la résistance au

roulement des pneus est définie comme l'énergie consommée par unité de distance de

déplacement lorsqu'un pneu roule sous une charge. Elle est importante pour le mouvement
 17

des véhicules au sol [27] et le modèle de la résistance au roulement est essentiel à la

modélisation de la dynamique globale d'un véhicule à des fins d'analyses, de contrôle, de

simulation car le mouvement d'un véhicule au sol est principalement déterminé par les forces

de frottement transmises par les routes via les pneus [28] . D ' après [29], la résistance au

roulement affecte non seulement la consommation d' énergie mais aussi le confort de

conduite pour les passagers ainsi que les couts d' exploitation du véhicule. Dans un contexte

de progrès renouvelable et durable dans l'industrie automobile où le carburant et le respect

de l'environnement sont au cœur de toutes les préoccupations, les pneumatiques

écoénergétiques pourraient jouer un rôle important pour économiser de l'argent, limiter les

gaz à effet de serre et contribuer à réduire la pollution locale [30].

D'autre part, d'un point de vue général, l'aérodynamique est la science qui étudie les

phénomènes accompagnant tout mouvement entre un corps et l'air qui le baigne. Dans le

domaine de l'automobile, l'aérodynamique est l'étude des phénomènes aérodynamiques

induits par l'écoulement de l'air autour d'un véhicule automobile en mouvement.

L'aérodynamique des véhicules joue un rôle beaucoup plus important dans les considérations

de conception [31] . Les caractéristiques aérodynamiques des véhicules intéressent les

chercheurs depuis de nombreuses années, principalement en vue de réduire la traînée et par

conséquent d'améliorer le rendement énergétique [32].

De même que les deux cités précédemment, la masse est un élément clé dans la gestion

de la consommation. La réduction de la masse est l'un des moyens les plus pratiques dans la

diminution de la consommation d'énergie du véhicule [33]. Ce dernier évalue l'impact de la

réduction de la masse des véhicules pour plusieurs plates-formes de véhicules et des

technologies de groupe motopropulseur avancées, y compris les véhicules électriques

 18

hybrides (HEV) à moteur à combustion interne et les VEH à pile à combustible, par rapport

aux véhicules conventionnels. Les résultats dans [34] ont confirmé que la consommation de

carburant augmente à mesure que la masse augmente et est différente pour différentes

combinaisons de types de carburant et de transmission. De plus, l'augmentation de la masse

du véhicule diminue généralement le risque de blessure pour le conducteur d'un véhicule

donné en cas de collision. Une réduction de la masse des véhicules de 10% (en supposant

une masse de charge utile constante) se traduit par une amélioration de 2% de la

consommation de carburant pour les trains et les camions légers, moyens et lourds, 4% pour

les bus et 7% pour les avions [35].

2.2.3 Conditions météorologiques

La consommation d'énergie dépend aussi de l'environnement par lequel le véhicule se

trouve ou y va afin d'estimer son autonomie: la température, pluvieux/non-pluvieux, etc ...

[36] a fait une étude selon laquelle la température affecte l'autonomie d'un véhicule. La

voiture en question est une Nissan Leaf. La consommation d'énergie et l'autonomie varient

considérablement en fonction de la température. Aux températures les plus froides, le Leaf a

complété le parcours en utilisant 467 Wh/mile d'énergie électrique en courant continu

provenant de la batterie. Sur la base de ce test et des tests ultérieurs effectués ce jour-là (qui

avait une température moyenne de 14 0 F), l'autonomie estimée du véhicule était de 50 miles.

À mesure que la température ambiante augmentait, la consommation d'énergie avait tendance

à diminuer, ce qui augmentait l'autonomie. La période d'essai la plus chaude était en moyenne

de 71 0 F et les tests ont abouti à une autonomie estimée à 91 miles. Tous les tests ont été

terminés avec la commande de climatisation du véhicule réglée sur automatique 72 0 F.

 19

Durant le trajet, le véhicule nécessite plus d' énergie pour le confort des passagers comme

la climatisation, la ventilation, le chauffage, etc ... Or, des facteurs tels que la température

ambiante locale, le rayonnement solaire local, l'humidité locale, la durée du trajet et le

trempage thermique avec ces conforts ont été identifiés comme les principaux facteurs des

charges de conditionnement de l'habitacle et donc de l'autonomie du véhicule [37].

En prenant exemple sur la trainée aérodynamique, la vitesse et la direction du vent, la

direction, la densité de l'air varie en fonction de la température, de l'humidité, etc . .. La

référence [38] est un tableau montrant la variation de la densité de l'air en fonction de la

température et de l'humidité. Ainsi, on peut dire que ces conditions sont non-négligeables en

termes de gestion énergétique et dans l'analyse de la consommation.

2.3 Méthodes d'estimation

2.3.1 Estimations des paramètres

L'estimation des coefficients aérodynamiques et de la résistance au roulement dans le

cadre de l'utilisation de l'énergie est primordiale dans l'optimisation de la consommation

énergétique du fait que ces deux paramètres peuvent influencer la consommation malS

pourtant cette partie n'est pas vraiment prise en compte dans la littérature.

Plusieurs méthodes ont été rapportées dans la littérature et peuvent être classées comme

suit: le « Event-seeking » ou la recherche d'évènements et le « A veraging » ou le calcul de

la moyenne.

• Recherche d'événements:

Cette catégori e regroupe les méthodes dont les conditions de conduite assurent une

situati on suffisa nte pour l'estimation des paramètres.

 20

L'étude [39] compare les coefficients de force aérodynamique obtenus par les

expériences respectives afin d'évaluer les effets des coefficients de fo rce aérodynamique sur

la vitesse critique du vent. L'influence de chaque coefficient aérodynamique sur la vitesse

critique du vent est examinée en calculant la vitesse critique du vent pour des quantités

données de changement des coefficients de force aérodynamique. Les coefficients de force

aérodynamique uti lisés dans cette étude ont été obtenus à partir d'expériences en soufflerie.

Cette étude a été faite dans le cadre de la sécurité ferroviaire.

D'autre part, [40] montre une étude sur l'économie de carburant d' un véhicule lourd par

la réduction de la trainée aérodynamique. Les opérations routières réal istes sont prises en

compte en simulant des itinéraires de conduite typiques sur les distributions long-courriers et

urbaines; les variations de poids du véhicu le sont également prises en compte. Les résultats

montrent que les performances de ces dispositifs aérodynamiques dépendent à la fois de leurs

fonctions et du fonctionnement des véhicules. Les véhicules long-courriers économisent

généralement deux fois plus de carburant que ceux conduits dans les zones urbaines. Les

réductions de carburant résultant de l'utilisation d'appareils sélectionnés individuellement sur

un grand camion vont de moins de 1% à près de 9% du coût du carburant d'un véhicule

effectuant un kilométrage annuel est de 80 000 miles.

[41] présente des algorithmes d'estimation du coefficient de frottement qui fonctionnent

avec des capteurs qui sont principalement disponibles dans les voitures particulières typiques.

Ils sont développés sur la base de la dynamique latérale ou de la dynamique longitudinale,

mais étendus plus tard pour couvrir les cas de glissement combinés. E n ce qui concerne les

méthodes basées sur la dynamique latérale, plus robustes aux bruits haute fréquence, un

observateur non linéaire a été proposé. En outre, un processus de conception d'observateurs

 21

non linéaires robustes a été développé en utilisant la mise en œuvre numérique des conditions

de stabilité de Lyapunov. En ce qui concerne les méthodes basées sur la dynamique

longitudinale, la rigidité longitudinale des pneus est utilisée pour déduire le frottement de la

route. Les méthodes originales basées sur la dynamique latérale et longitudinale ne

fonctionnent bien que dans des conditions d'excitation par glissement pur. Pour augmenter la

plage de travail, une logique d'intégration a été développée pour basculer entre les

algorithmes développés en fonction de la nature et du niveau des excitations.

Dans [42J, ils ont utilisé la méthode Coast down afin de comprendre les améliorations

potentielles ou aérodynamiques par l'application de différents panneaux de plancher qui

pourraient être masqués par les essais traditionnels en soufflerie sur sol fixe. L'intégration de

la méthode d'analyse de l'équation du mouvement semble insensible aux influences de

l'environnement, et la moyenne des effets stochastiques donne des résultats reproductibles

avec seulement quelques paires d'essais par configuration.

• Calcul de la moyenne:

Au contraire de la méthode de recherche d'événements, la méthode de calcul de la

moyenne surveille en permanence la dynamique du véhicule afin d'estimer directement les

coefficients aérodynamique et résistance au roulement à partir de différentes méthodes

comme la méthode récursive des moindres carrés ou le fi Itre de Kalman ou des méthodes

d'estimation non linéaires. En effet, certaines études ont présenté une estimation simultanée,

directe et en ligne des coefficients aérodynamique et résistance au roulement.

En effet, l'étude dans [8J présente une estimation simultanée des coefficients

aérodynamique et de résistance au roulement en utilisant la méthode des moindres carrés

récursifs. Des données expérimentales d ' un véhicule lourd ont été utilisées pour tester
 22

l'algorithme dans une simul ation. L'estimateur proposé a montré une précision adéq uate dans

la prédiction de la charge routière. De même que dans les études [43] et [44] qui estiment les

frottements routiers en utilisant la méthode des moindres carrés récursifs.

De son côté, [9] présente une estimation des deux coefficients: en premier lieu

simultanément, et puis séquentiellement avec deux méthodes en ligne basées sur le filtre de

Kalman : le modèle de base et l'étendu. Les expériences ont montré la difficulté de séparer

la résistance au roulement et la traînée de l'air. Il est montré que des estimations simultanées

des deux sont possibles, mais en pratique une trop grande variation de vitesse est nécessaire

pour obtenir des estimations précises avec les méthodes étudiées. Il est également montré

que lors de l'estimation d'un paramètre à la fois, des estimations précises peuvent être

générées. Cependant, il s'est avéré difficile de baser ces estimations les unes sur les autres,

en raison de la grande dépendance à la température de la résistance au roulement

Basé sur la dynamique longitudinale d ' un véhicule, l'étude [45] a proposé d'estimer les

paramètres qui peuvent varier durant un trajet par simulation y compris les coefficients

aérodynamique et résistance au roulement à l'aide d ' observateurs non linéaires basés sur le

filtre de Kalman Non-parfumé. Sur la base de la simulation et des résultats expérimentaux,

les conclusions suivantes peuvent être tirées: Les limites des estimateurs basés sur la

cinématique et les modèles disponibles conduisent à un schéma d'observateur robuste aux

changements de frottement de la route pour estimer la vitesse longitudinale à chaque pneu.

L'étude dans [46] utilise un réseau de neurones RBF pour compenser l'influence négative

des incertitudes du modèle de friction sur la précision de l'estimation de la force. En divisant

la non-linéarité du modèle de friction en deux parties, l'entrée du réseau RBF ne comprend

qu'une seule variable, ce qui permet que les centres et les étendues des neurones de la couche
 23

cachée puissent être mis hors ligne d'une manière très simple. Les poids des couches de sortie

sont adaptés en ligne par une loi d'adaptation dérivée de l'analyse de stabilité de Lyapunov.

Une telle approche garantit une estimation rapide et robuste de la force de frottement pneu /

route, même dans les cas où des changements larges et brusques des paramètres de frottement

se produisent.

2.3.2 Estimation de l'énergie consommée - L 'état de charge

L 'estimation de l'énergie électrique peut se faire de différentes manières. On peut savoir

l'énergie consommée selon la puissance fournie par la batterie ou l'état de charge de la

batterie ou l' autonomie restante fournie par le véhicule. Pourtant, cette estimation nécessite

une recherche plus profonde sur le fait que tout se base sur l'énergie restante ou l'énergie

consommée.

La mesure et l'estimation de la consommation d'électricité des VE est une exigence

importante pour l'amélioration future de l'efficacité énergétique du système de transport des

VE. L'une des caractéristiques les plus avancées d'un véhicule électrique, par rapport aux

véhicules ICE conventionnels, est sa capacité à capter et à stocker de l'énergie grâce au

système de freinage régénératif (RBS).L'étude dans [47] propose une approche d'estimation

de l'état de charge utilisant un système neuro-flou basé sur le regroupement soustractif est

présentée et évaluée par les expériences de simulation utilisant un simulateur de véhicule

avancé en comparaison avec le réseau neuronal à propagation arrière et les réseaux neuronaux

Elman. Les paramètres d'entrée pour modéliser l'approche d'estimation de l'état de charge en

utilisant un système neuro-flou basé sur le regroupement soustractif sont le courant, la

température, la perte de puissance réelle, la puissance disponible et demandée, la température

de l'air de refroidissement et le facteur thermique de la batterie. Les résultats expérimentaux

 24

ont montré que le modèle proposé présente une précision suffisante et surpasse les modèles

basés sur les réseaux neuronaux et les réseaux neuronaux Elman. Ainsi, le modèle proposé

sous différents cycles de pilotage montre une avancée remarquable dans l'estimation de l'état

de charge avec un potentiel élevé pour surmonter les inconvénients des méthodes

traditionnelles et fournit donc une approche alternative dans l'estimation de l'état de charge.

Selon [48], pour assurer une gestion fiable de la batterie dans les véhicules électriques

(VE), un estimateur avancé de l'état de charge (SOC) via une méthodologie d'apprentissage

automatique a été développé. Une nouvelle technique de regroupement FCM (Fuzzy C-

means) basée sur un algorithme génétique est d'abord utilisée pour partitionner les données

d'entraînement échantillonnées dans le test basé sur le cycle de conduite d'une batterie

lithium-ion. Le résultat du regroupement est appliqué pour apprendre la topologie et les

paramètres antécédents du modèle. L'algorithme des moindres carrés récursifs est ensuite

utilisé pour extraire ses paramètres conséquents. Pour assurer une bonne précision et une

bonne résilience, l'algorithme d'apprentissage de rétropropagation est finalement adopté pour

optimiser simultanément les parties antécédente et conséquente. Les résultats expérimentaux

vérifient que l'estimateur proposé présente une précision suffisante et surpasse ceux

construits par les méthodes conventionnelles de modélisation floue.

[49] présente et compare diverses approches pour la prédiction personnalisée de la

consommation d'énergie des véhicules, y compris un cadre de boîte noire qui identifie les

facteurs dépendant du conducteur / véhicule / environnement et une approche de filtrage

collaborative basée sur la factorisation matricielle. En outre, une étude de cas de prédiction

de la distance à vide pour les véhicules électriques par des données de détection participative
 25

est menée et évaluée de manière emplrtque, ce qUi montre que les approches peuvent

améliorer considérablement la précision de la prédiction.

Avec l'étude dans [50], des paramètres influençant la consommation d'énergie ont été

utilisés afin de les implémenter dans le modèle dynamique longitudinal d'un véhicule pour

estimer la puissance fournie par la batterie et ainsi la puissance sera dérivée par rapport au

temps afin d'obtenir l'énergie électrique. Le modèle d'estimation énergétique présenté

semble bien fonctionner et a un potentiel à la fois comme outil de recherche et comme

ressource pour les utilisateurs de VE. Cependant, l'ensemble de données dans cette recherche

est limité car il contient des données d'un seul conducteur, un véhicule, qui n'est pas l'un des

véhicules actuellement produits dans le commerce, et comprend une conduite sur autoroute

limitée. L'estimation de l'état de charge est l'un des facteurs les plus critiques pour résoudre

les principaux problèmes de surveillance et de sécurité d'une batterie d'alimentation de

véhicule électrique.

Les travaux dans [51] sont basés sur le modèle VT-CPEM ou Virginia Tech

Comprehensive Power-based Energy Consumption Model. Il s'agit d'un modèle polynomial

de second ordre. Le modèle calcule la consommation d'énergie instantanée des véhicules

électriques en utilisant la puissance instantanée exercée. Plus précisément, le profil de vitesse

(vitesse instantanée du véhicule et niveau d'accélération) est utilisé comme variables d'entrée.

Ce modèle complète les simulateurs des véhicules disponibles dans la littérature ouverte en

modélisant l'efficacité énergétique du freinage régénératif instantané en fonction du niveau

de décélération. Le modèle proposé estime avec précision la consommation d'énergie,

produisant une erreur moyenne de 5,9% par rapport aux données empiriques. Les résultats

démontrent que dans les cycles de conduite urbaine, il est possible de récupérer plus d'énergie
 26

en raison de la présence de plusieurs épisodes de freinage non agressifs dans le cycle de

conduite. L'étude a confirmé que l'avantage énergétique des véhicules électriques dans la

conduite urbaine pourrait avoir un impact significatif sur les choix d'itinéraire des gens et

ébranler davantage les fondements des théories conventionnelles de la répartition du trafic

Conclusion:

D'après les études que nous avons cité précédemment dans cette même section, nous

avons pu trouver les lacunes dans les autres études et ainsi pour délimiter les différents axes

de recherches sur lesquels nous allons contribuer.

Dans la littérature, on a remarqué la plupart des paramètres estimés sont la masse, la

pente, et le coefficient de résistance au roulement. Le coefficient aérodynamique est le moins

cité dans la littérature. Ainsi, nous allons nous concentrer sur l' estimation du coefficient

aérodynamique avec le coefficient de résistance au roulement.

D'un autre côté, nous allons nous focaliser aussI sur l'amélioration de

l' estimation/prédiction de la puissance fournie par la batterie à partir d'un modèle plus

efficace pour pouvoir donner une meilleure estimation de l'autonomie restant si on connait

tous les paramètres qui peuvent influencer la consommation d'énergie.

 Chapitre 3 - Modélisation de l'utilisation de l'énergie

Selon le chapitre précédent, la chaine de conversion énergétique d'un véhicule électrique

est composée d'un réseau d'alimentation alternatif, d'un chargeur de batteries, d'une source

embarquée d'énergie électrique (pack de batterie), d'un ensemble convertisseur électronique

et de la transmission mécanique.

Dans ce chapitre, l'ensemble des principes physiques associant le comportement de la

dynamique d'un véhicule et les paramètres physiques de ses composants seront présentés. La

modélisation des composants du véhicule qui décrivent la dynamique longitudinale est

utilisée pour développer les méthodes d' estimation des coefficients aérodynamique et de

résistance au roulement. De plus, un modèle physique de la batterie sera aussi décrit dans

cette partie.
 28

3.1 Architecture d ' un véhicule électrique

Battene de Moteur
servItude TransmISSion électrique
( ) ( i ) (Tri a )

.....
\)
~.
VI
m Co nve rtlsse ur
m- OC/OC
m +
n
~
Chargeur
~. mba rq ué
.0 ( dress. )
C
m

Calculateur CCME
Gestion puissance

Figure 7: Structure détaillée d'un véhicule électrique [52]

3.2 Modèle dynamique longitudinal d'un véhicule électrique

Selon la deuxième loi de Newton, ou principe fondamental de la dynamique, une force

résultante exercée sur un objet est toujours égale au produit de la masse de cet objet par son

accélération. De plus, l'accélération produite et la force résultante ont la même orientation.

 29

Chaque force appliquée sur un objet entraîne cet objet à accélérer dans la direction de la force

appliquée. Or, lorsque plusieurs forces sont appliquées sur un objet, il faut déterminer la force

résultante, soit la force équivalente à la somme vectorielle de toutes les forces agissant sur

cet objet [53]. La deuxième loi de Newton se résume par l'application de l'équation suivante:

l.Fext = Ma (1)

Dans le cas des véhicules, voici une figure montrant les forces externes appliquées sur le

véhicule permettant l'analyse sur la consommation d 'énergie par le modèle dynamique

longitudinale:

Figure 8: Aperçu des forces externes appliquées au véhicule

A partir de la figure présentée précédemment, on peut écrire le modèle dynamique

longitudinale d'un véhicule projeté suivant la sens du mouvement :

Ma = F tr - Fr ou - Faero - Fgrade - Ffr einage (2)

Où M et a sont respectivement la masse du véhicule et l'accélération longitudinale.

La force de traction (Ftr ) résulte de la conversion de l'énergie électrique du moteur en

énergi e mécanique nécessaire pour faire tourner les roues. Elle peut être exprimée comme

suit:
 30

(3)

Où Pb, 'Y'f et v sont respectivement la puissance fournie par la batterie, le rendement global

de la chaîne cinématique et la vitesse du véhicule.

La résistance au roulement (Froll ), résultant de la perte d'énergie à la suite de la

déformation instantanée des pneumatiques lors de leur contact avec la route, peut être

exprimée comme suit:

Froll = I1Mgcos (8) (4)

Où 11, M, g, 8 sont respectivement le coefficient de résistance au roulement, la masse du

véhicule, l'accélération gravitationnelle (9,81m/s 2 ) et la pente ou l'inclinaison de la route.

La force de traînée aérodynamique représente l'action globale de l'air sur l'essieu du

véhicule et s'exprime comme suit:

(5)

Dans l'équation (4), P est la densité de l'air qui dépend de la température, tandis que A et

Cd sont respectivement la surface avant du véhicule et le coefficient de traînée

aérodynamique. Le paramètre V vent dans l'équation 5 est la vitesse de l'air ambiant qui a une

valeur négative pour le vent arrière et une valeur positive pour le vent de face.

La force au niveau du sol exprime l'influence de la force gravitationnelle sur le véhicule,

en particulier lorsque l'inclinaison 8 n'est pas négligeable. Elle peut être calculée à partir de

l'équation suivante:
 31

Fgrade = mgsin(8) (6)

La force de freinage (Ffreinage) est liée étroitement à la force d'accélération. Elle permet

d'absorber le surplus d'énergie généré par la force d'accélération en la convertissant en

chaleur. À partir du théorème de l'énergie cinétique, on peut obtenir cette force avec

l'équation suivante:

_ 1 2
Ffreinage - 2d mv (7)

Où d est la distance de freinage du véhicule.

Afin d'estimer la consommation d'énergie, le modèle dynamique du véhicule est

implémenté en sens inverse, c'est-à-dire que la puissance de sortie de la batterie est calculée

en fonction du profil de vitesse v ainsi que des forces externes constitutives, en utilisant

l'équation 7:

Pb = ~ry (Ma + Mgj1cos(8) + Mgsin(8) + ~2 pACd(v + vvent)2 + ~mv2)

2d
(8)

3.3 Modèle de la batterie d'un véhicule électrique

3.3.1 Modèle physico-chimique

Une approche utilisant la représentation de la batterie a été développée afin d'alléger la

modélisation exacte des batteries qui est difficile à concevoir et difficile à calculer au cours

des simulations.
 32

<:1

{-J--';' ::::;-- /'.\---~ 1<

rc
-l '-I;::::::+::P
~ M M V
R1

Em , Rp _ J
r
1

(P,U.I' III
r ,.ch)

Figure 9: Circuit électrique équivalent de la batterie [54]

Les équations (8), (9) et (10) du modèle décrivent le comportement de la batterie et

fournissent des informations pertinentes sur son fonctionnement, dans lesquelles se trouvent

la tension, la température, la profondeur de la charge et décharge (DOD) et l'état de charge

(SOC) pour une intensité donnée et en mode de charge ou décharge.

(9)

(10)
RD = Roo (1 + Ao(1- SOC))
(11)

Vb : tension de la branche principale (V),

Erno : tension du circuit ouvert à charge pleine (V),

Ke : constante (V1°C)

e : température interne (OK)

RD : résistance aux bornes de la batterie (n),

Roo : résistance constante (n),

 33

Ao : constante (N/A),

E(R1,C1 ) : tension aux bornes du circuit (V),

Rl : résistance du processus chimique (12),

Cl : valeur de la capacité (F),

lm : courant dans la branche principale.

La batterie est modélisée par une analogie du circuit équivalent. Ainsi, la tension aux bornes

de la batterie est alors reformulée comme suit:

VBCt) = Emo(SOC(t)) - Ro(SOC(t))IB - Ke 8 (SOC(t)) (12)

3.3.2 Estimation de l'énergie consommée

La prévision des conditions futures des parcours et de la consommation potentielle

d'énergie nécessaire pour parcourir les trajets peut être possible avec les informations des

itinéraires avec les destinations finales fixes et les durées des trajets avant les parcours en

utilisant le modèle dynamique longitudinale de l'équation (7). Donc, l'équation discrète de

l'énergie des batterie (équation (14)) nécessaire à chaque temps d'échantillonnage (t) est

obtenue par combinaison des équations (12) et (13) :

EB(t + 1) = EB(t) + _1_ (t)Pm(t)b.T (15)

TJBTJm

Avec b.T : la période d'échantillonnage,

 34

Pm : la puissance mécanique,

Pe = pB: la puissance électrique fournie par la batterie.

Donc, l'énergie jusqu'à la destination finale peut être estimée comme suit :

Avec N : le nombre total d'échantillons.

 Chapitre 4 - Estimation des coefficients aérodynamique
et de la résistance au roulement -
Puissance & énergie - Autonomie

4.1 Introduction

L'estimation des paramètres dynamiques d'un véhicule est une solution afin de savoir

sur quelle partie du véhicule consomme le plus d'énergie afin d'optimiser sa consommation.

La dynamique longitudinale d'un véhicule est affectée par le paramètre d'inertie du

véhicule: la masse ainsi que les conditions de roulages telles que les coefficients

aérodynamique et résistance au roulement, la vitesse du véhicule, la vitesse du vent et la

pente de la route. L'aérodynamique et la résistance au roulement d'un véhicule font partie

des paramètres les plus influents dans la consommation d'énergie. Estimer ces paramètres

permettra d'augmenter l'efficacité dans l'optimisation de la consommation d'énergie. Selon

[55J et [56J, l'aérodynamique et la résistance au roulement présentent une grande partie non-

négligeable en termes de pourcentage des pertes sur l'efficacité énergétique selon les figures

ci-après: en premier lieu pour les véhicules à combustion et en deuxième les véhicules

électriques à freinage régénératif.

 36

Acceuoire:s

A'lOdy.......qu<

1/ 131.
3".1.

Corb\nm
lOO1~
- 2~~1 TnDJaUSS>OIl

1
fremage
2%
Pene _ _ 1 Pme TfUlSIIUSSlOD
6~. S~.

Figure JO: Dispersion des pertes énergétiques d'un véhicule à combustion sur des
trajets: a) en ville, b) sur autoroute

Perto, do 10 billo,.. Perte, du systèmo do

10 17 propulsion .Ioctrfque
Pertes do, mes_e, ot
fUxili"re, ''''<trlques
7 (ni chouff"•• ni dorNtlsibon)

66
1~nergie
,... Efflcacjt~: 66/100 =66" et 6 /73 91" • «utile
N
p, .r , 111 Il 7

~------------------------------------------~ - . -
Perto, do 10 boltollt Ptrto, du systtrM do
10
Pertes des KCfSSOlffS et
• Uluiairts .ltctll'iUes
.... _._._._ .
13 propul«on ""'trique

3 (ni m.uff"•• ni d~II..llOn)

1Én~~je
Efflcadté: 74/100 =74 "et 4 93 - 80" • 1 utile
l ' ql 8
1

Figure Il:Dispersion des pertes énergétiques des véhicules électriques àfreinage

régénératif sur des trajets: a) en ville, b) sur autoroute
 37

4.2 Estimations des coefficients aérodynamique et résistance au

roulement

D'après la revue de littérature citée dans le chapitre 2 sur l'estimation des coefficients

aérodynamique et de résistance au roulement, la majorité des travaux effectués ont utilisé les

méthodes des moindres carrés récursifs et le filtre de Kalman tout en se basant sur l'équation

dynamique longitudinale d'un véhicule.

4.2.1 Description de la méthodologie d'estimation

La problématique de l'étude consiste à considérer un véhicule électrique comprenant un

banc de batteries. Ces batteries fournissent la puissance électrique nécessaire pour le

fonctionnement du système de propulsion, à travers une interface de puissance

bidirectionnelle. Le système de propulsion est principalement composé d'un moteur

électrique et un réducteur, avec un rapport de réduction de la vitesse fixe. Celui-ci produit la

puissance mécanique (Pm) pour la traction du véhicule. Dans ce cas, l'énergie des batteries

est mise sous contrôle en permanence.

 38

ACTIONNEUR

:=:====-:::::
PACKS DE
] . ..... ' COVERTISSEUR

BATTERIE

,
,~ . _._ . _ . _ . _ . _ . ! . _ . _ . _ . - _._._ ._.-._.- _._._.- _.,.
Données du véhicule : Estimation :
!, • Puissance de la batterie • Coefficient aérodynamique
• Vitesse • Coefficient de résistance au
roul"""",t

Estimateurs récunifs:
• Model dynamique longitudinal
• Moindres carrés récunifs
.. . Fi1trede ~ 1_
l . _ . _ . _ . __ . __ . _. _ . _ . _ . _ . _ . _ . _ . _ . _ _ _ . _ . _ . _ . _ . _ '

Figure 12: Diagramme d'estimation des paramètres

Ci-dessus un diagramme montrant la méthodologie sur l'estimation en ligne de ces

coefficients

À partir de l'équation (8), on obtient

On peut arranger l'équation (16) sous la forme:

1 (18)
[Mav + Mgsin(8)v + 2 d mv 2 ]

Puisque la puissance est appliquée sur l'axe du véhicule au niveau des roues, il est

nécessaire de connaître les pertes de puissance entre le moteur et les roues. Les pertes

d'énergie au niveau du moteur et des roues sont des pertes électriques générées par le moteur
 39

Pack de
batterie

TRANSMISSION

'7 re d

Figure 13: Rendement du moteur électrique jusqu'aux roues

et des pertes mécaniques dues à la transmission de puissance mécanique selon le schéma

suivant:

Ainsi, nous obtenons :

T] = T]mot * T]red * T]diff (19)

Donc, il est nécessaire d'estimer le rendement final (T]) du fait que le rendement varie

selon avec la conduite.

Les algorithmes d'estimation récursive sont plus utilisés pour les applications en ligne,

en raison de la limitation de la mémoire et de la puissance de calcul des contrôleurs

embarqués. Plusieurs algorithmes couramment utilisés sont le RLS, le RLS avec facteur

d'oubli, le KF et le Extended Kalman Filter (EKF).

Dans cette partie, pour estimer les coefficients aérodynamique et résistance au roulement,

nous avons opté pour deux méthodes: le RLS et le KF. Ces deux méthodes sont étroitement

liées.
 40

4.2.2 Estimation par la méthode des moindres carrés récursifs (MeR ou RLS)

Le RLS est un filtre adaptatif qui estime de manière récursive certains paramètres pour

minimiser une fonction de coût des moindres carrés linéaires pondérés. Cette fonction de

coût est associée aux signaux d'entrée. Le RLS donne des performances de qualité lorsqu'il

fonctionne dans des conditions variant dans le temps [57]. On peut dire que le RLS est un

filtre adaptatif déterministe car il considère que le signal va avoir la même réponse à la même

impulsion d'entrée. Cette méthode se rapproche d'une estimation des moindres carrés avec

une fonction de coût. Cette fonction de coût inclut un facteur d'oubli À qui donne plus

d'importance aux nouvelles valeurs de la fonction de coût.

Cela permet de suivre le signal souhaité plus rapidement, en revanche, il est plus

complexe par rapport aux autres comme le LMS, NLMS. Le facteur d'oubli est lié à la vitesse

de convergence; si c'est un, cela signifie que le système a une mémoire infinie.

Dans cette approche, le vecteur de paramètre inconnu est mis à jour de manière itérative

à chaque pas de temps en utilisant les données mesurées d'entrée et de sortie précédentes.

L'algorithme RLS peut être formulé comme suit:

y = c/J8
y = [Mav + Mgsin(8)v]
- Mgcos(8)v -'21 PA (v + Vwind) 2 ] (20)

o= [1] J1 cdF

ALGORITHME:
 41

g(n) =P(n-l) * cp(n) (21)

g(n) (22)
k (n) - ------=--:-'-:---
- À+cpT(n)*g(n)
(23)
e(n) = den) - eT (n - 1) * cp(n)

e(n) = e(n - 1) + ken) * e(n) (24)

pen) = Pen - 1) * À- 1 - ken) * cpT(n) * Pen - 1) * À- 1 (25)

Nous avons divisé en deux étapes le calcul du vecteur de gain variable dans le temps k(n)

pour réduire la complexité du calcul. La première partie utilise la valeur passée de l'équation

de Riccati P(n) multipliée par le vecteur d'entrée. Pour calculer le vecteur de poids w(n) , nous

utilisons e(n) la différence entre le signal souhaité d(n) et le signal estimé, multiplié par le

gain de Kalman k(n) .

La valeur de À est reliée au rapport signal bruit (SNR). 8 a une valeur faible pour un SNR

élevé et une valeur élevée pour un SNR faible. La gamme de À est 0 < À < 1.

4.2.3 Estimation avec le filtre de Kalman (KF)

Le filtre de Kalman peut être utilisé si la dynamique des paramètres est connue.

Il est perçu comme un estimateur optimal, qui fonctionne selon un processus en deux

étapes pour estimer les paramètres d'intérêt. Ce filtre estime d'abord les variables d'état

courant puis les met à jour à la réception de la mesure suivante [58]. La structure du KF

utilisé dans ce travail est la suivante:

 42

y = [Mav + Mgsin(8)v]
1
[Pb - Mgcos(8)v - Z-vpA(v + V w ind)2]
(26)
X = [1] Il CdF

Le filtre de Kalman fonctionne avec un vecteur d'état; c'est l'ensemble minimal de

données pour décrire le comportement du système. Il ne stocke que les données

précédemment estimées, car cela est plus efficace en termes de calcul. Le filtre de Kalman

va estimer les variables d'état avec les mesures pour minimiser l'erreur quadratique. Ce filtre

convient au traitement numérique en temps réel lorsque les données d'entrée présentent du

bruit. Le modèle doit être représenté dans l'espace d'états:

x(k) = Ax(k-l) + Bu(k) (27)

y (k) = H(k)x(k) + v(k) (28)

Algorithme du filtre de Kalman:

Prédiction :

x(k) = Ax(k - 1) + Bu(k) (29)

P(k) = AP(k - l)A T + Po (30)

Correction :

K(k) = P(k)HT[HP(k)H T + R] (31)

x(k) = x(k) + K(k) [y(k) - Hx(k)] (32)

P(k) = CI - K(k)H) P(k) (33)

 43

4.3 Estimation de la puissance fournie par la batterie et de l'énergie

consommée

Dans cette partie, les réseaux de neurones artificiels ou Artificial NeuralNetwork (ANN)

ont été utilisés pour l'estimation de la puissance/énergie fournie par la batterie. D'après [59],

les réseaux de neurones ont été suggérés comme outils pour la solution de problèmes

d'optimisation combinatoire difficiles. De plus, [60] affirme que l'avantage des modèles ANN

est qu'ils n'ont pas besoin de plus de paramètres ou ne compliquent pas les calculs

contrairement aux modèles implicites.

Les ANN sont des outils informatiques qui imitent le flux de traitement de l'information

des réseaux de neurones biologiques. Par exemple, les ANN sont constituées de plusieurs

neurones interconnectés qui peuvent apprendre, stocker et rappeler des informations.

La tâche d'apprentissage est réalisée en mappant un espace de données d'entrée sur

l'espace de sortie, où la relation entre l'entrée et la sortie est suffisamment complexe pour être

modélisée. Fondamentalement, chaque interconnexion entre les neurones se voit attribuer un

poids qui est modifié de manière itérative par l'algorithme ANN afin de minimiser la

différence entre la sortie connue (cible) et la prédiction. Les architectures ANN peuvent être

subdivisées en trois catégories principales: le réseau de neurones à réaction (FFNN) et le

réseau de neurones récurrents (RNN). Dans le FFNN, les informations sont propagées à

travers le réseau dans une direction de l'entrée vers la sortie, contrairement au RNN où les

sorties précédentes peuvent être réutilisées comme entrées sur le réseau. Le choix d'un réseau

spécifique dépend de la connaissance préalable du système.

Dans ce travail , nous avons sélectionné l'auto-régression non linéaire avec entrées

exogènes (NARX) en raison de sa capacité à gérer efficacement les données de séries

 44

chronologiques, telles que le profil de puissance de la batterie et l'autonomie restante du

véhicule.

Le réseau NARX est une architecture neuronale dynamique couramment utilisée pour la

modélisation entrée-sortie des systèmes dynamiques non-linéaires. En fait, plusieurs études

dans la littérature ont démontré la supériorité du réseau NARX sur les réseaux de neurones

traditionnels dans la modélisation efficace des systèmes dynamiques, la reconnaissance de

formes en ligne et la conception de contrôleurs. Selon [61], le réseau NARX est une

architecture neuronale dynamique couramment utilisée pour la modélisation entrée-sortie de

systèmes dynamiques non linéaires. Le réseau NARX peut être facilement et efficacement

appliquée à la prédiction à long terme et surpasse systématiquement les prédicteurs standards

basés sur les réseaux neuronaux, tels que les architectures TDNN et Elman.

NARX appartient à la classe des réseaux récurrents, où les entrées sont constituées des

valeurs passées de la sortie ainsi que de certaines entrées exogènes. De manière analogue au

réseau à anticipation traditionnel, les entrées exogènes peuvent être considérées comme les

caractéristiques susceptibles d'influencer les sorties. L'architecture NARX est si flexible que

les entrées peuvent être soit les valeurs vraies passées de la cible (NARX en boucle ouverte),

soit les valeurs prédites passées des sorties (NARX en boucle fermée). Dans l'étape

d'apprentissage, nous avons utilisé le NARX en boucle ouverte pour accélérer le calcul,

tandis que dans l'étape de test, le NARX en boucle fermée est utilisé afin de faire des

prédictions en temps réel, c'est-à-dire lorsque les données arrivent. Les NARX en boucle

ouverte et en boucle fermée sont présentés dans la figure 14, où u(t) est l'entrée exogène.
 45

u(/) u(/)
Focd Focd
Fo rw ard Fo rw ard
Y</) K c t\vo rk
K c two rlc
y(/)

Figure 14: Représentation schématique de l'architecture NARX en bouclefermée (à

gauche) et en boucle ouverte (à droite)

L'équation fondamentale sous-jacente au réseau NARX est présentée dans l'équation

suivante:

y(t) = [(yCt - l),y(t - 2), ......... . y(t - d y ), u(t - 1), u(t

- 2), .......... u(t - du) (36)

Où

• y(t) : les données de série chronologique représentant la sortie

• u(t): les données de série chronologique représentant l'entrée exogène.

Une autre flexibilité du réseau NARX réside dans le fait que la fonction f peut prendre

plusieurs formes. Dans ce travail, f est représenté par la fonction de réseau d'anticipation. Par

exemple, un réseau NARX implémenté avec un réseau FeedForward avec une couche cachée

contenant 10 neurones peut être représenté par la figure 15.

Comme le montre la figure 15, le réseau NARX implémenté dans ce travail peut être

représenté par les caractéristiques typiques d'un réseau FeedForward (couches cachées,

neurones, etc.) et le délai. Les principales caractéristiques du réseau NARX utilisé dans ce

travail ainsi que leurs valeurs typiques sont présentées dans le tableau 1. Il est à noter que

nous ne présentons dans le tableau 4 que les paramètres typiques utilisés dans ce travail. En

fait, dans nos simulations préliminaires, nous avons testé plusieurs autres configurations afin

d'explorer toutes les possibilités du réseau.

 46

1 10

Figure ]5: Diagramme schématique d'un réseau NARX implémenté avec un réseau
à réaction contenant une couche cachée avec] 0 neurones

Tableau]: Principales caractéristiques du réseau NARX (FeedForward) avec leurs

valeurs typiques

Nombres d'entrées éxogenes N

Nombre de couche cachée 1
Nombre de neurones dans la couche 2n+l
Fonction d'activation purelin
Temporisation dans l'entrée 1
Temporisation dans la sortie 1

Le réseau NARX tel que conçu est formé à l'aide de données de séries chronologiques

avec une sortie connue (cible) ainsi que certaines fonctionnalités (exogènes). Dans l'étape de

formation, la fonction de coût utilisée dans ce travail est l'erreur quadratique moyenne.

La formation a été réalisée en utilisant l'algorithme de Levenberg-Marquardt pour sa

convergence rapide.

Le réseau NARX est utilisé dans ce travail pour modéliser le profil de pUissance

électrique ainsi que l'autonomie restante. En général, le choix de l'entrée réseau dépend de

leur influence connue sur les données de sortie. Par exemple, dans le cas de la modélisation

du profil de puissance électrique, les caractéristiques sont la vitesse, la température, la traînée

aérodynamique, la résistance au roulement et les forces de nivellement de la route. La sortie

 47

du réseau est évidemment le signal d'alimentation de la batterie du bus CAN du véhicule.

Pour l'estimation de l'autonomie restante, les entrées sont la vitesse du véhicule, l'énergie

totale de la batterie et les forces de traînée externes, à savoir l'aérodynamique, la résistance

au roulement et les forces au niveau de la route estimées à partir de l'algorithme du filtre de

Kalman présenté dans la section précédente.

Les données utilisées dans ce travail sont enregistrées lors de plusieurs tests de conduite

qui ont été réalisés dans de nombreuses conditions afin d'analyser leur effet sur la

consommation d'énergie et les estimations d'autonomie restante. L'ensemble de données est

divisé en deux parties principales: la formation et les ensembles de données de test. Pour

mettre en évidence la capacité de généralisation du réseau NARX, nous avons utilisé jusqu'à

deux données de tests de conduite comme ensemble d'entraînement, dont 75 % sont utilisés

pour la formation tandis que le pourcentage restant (25%) est utilisé pour la validation. En

tant que tel , le but de l'ensemble de données de validation est d'ajuster le réseau pour l'étape

de prédiction. D'autre part, l'ensemble de données de test se compose des données de trajets

restantes (10 tests de conduite). En termes simples, notre objectif est de montrer que le réseau

NARX conçu ne nécessite que quelques données d'entraînement afin de prédire la

consommation d'énergie et l'autonomie restante dans des situations de conduite réelles.

Toutes les données utilisées dans ce travail ont été enregistrées à partir du bus CAN du

véhicule.

4.4 Estimation de l'autonomie

Généralement, l' autonomie restante (AR) d ' un véhicule peut être estimée en se basant

sur l'énergie restant de la batterie (Eres ) (kWh) et la future consommation d'énergie

spécifique ou efficacité de conduite (éjj) (km / kWh), à travers la relation:

 48

AR = éft * Eres (35)

En raison de la simplicité de l'équation (34), la plupart des recherches sur le reste

aboutissent à une estimation de la consommation d'énergie et affIrment généralement que

l'estimation de la plage restante est simple en connaissant le profil de puissance. Cependant,

un examen plus approfondi de cette équation ne montre qu'aucun des termes impliqués n'est

mesuré expérimentalement, ni facile à estimer. Par exemple, l'énergie totale restante de la

batterie Eres est à peine estimée à partir du modèle de batterie complexe, tandis que

l'effIcacité de conduite future éft est généralement supposée être égale à l'efficacité passée
la plus proche. L'effIcacité de conduite peut être décrite par la relation générale suivante:

__ E(lld) (36)
ett = lld

Où E(lld) est l'énergie consommée pendant la dernière distance mémoire, c'est-à-dire la

distance historique passée comme illustré sur la figure 16 montrant le profil de vitesse d'un

test de conduite sur route.

 49

100
-..
]
'-"
80

- Q)

:0:s
I1d
:.a
- Q)
60 :04 .:
;>
::s
"'0
Q) 40
Vl

...
Vl
Q)
......
> 20

0 200 400 600 800 1000 1200 1400

Temps (s)

Figure 16: Illustration de la distance mémoire et de la distance parcourue pour un

test de conduite sur autoroute

Le profil de (éft) dépend principalement du choix de la distance mémoire /)"d. Par

exemple, lorsque /)"d est égal à la distance de conduite cumulée (di)' l'efficacité de conduite

se réduit au rapport de l'énergie cumulée sur la distance totale parcourue.

C'est ce que l'on appellera l'efficacité de conduite cumulée. Pour un enregistrement de

courte durée, c'est-à-dire /)"d < di , l'efficacité de conduite est appelée efficacité historique.

Intuitivement, on peut affirmer que lorsque le /)"d diminue, l'efficacité de conduite sera

plus instable en raison de la capacité de récupération d'énergie de ,'EY. Ce fait induit un défi

important dans le choix de la valeur appropriée de /)"d afin d'éviter une sous-estimation ou

une surestimation de la plage restante qui, à son tour, peut augmenter l'anxiété de la plage.
 50

Pour résoudre ce problème, nous proposons l'utilisation du réseau NARX pour apprendre

directement l'autonomie réelle restante. Dans ce cas, nous utilisons la vitesse du véhicule, la

puissance de la batterie, l'énergie restante et les forces de traînée comme caractéristiques, et

l'autonomie réelle restante est utilisée comme cible. La véritable autonomie restante est

obtenue en soustrayant la distance parcourue (di) de la distance totale jusqu'à la décharge

complète de la batterie. Le réseau formé est ensuite utilisé pour fournir l'estimation en ligne

de l'autonomie restante pour les autres tests de conduite.

4.5 Mesures de performances

Afin de déterminer la précision des estimations, l'erreur quadratique moyenne ou le Mean

Squared Error (MSE) est utilisée. Il est donné par :

N
(37)
MSE = ~ l
1
(x t - Xt)2

Où N est le nombre de points de données, xl' état estimé et x l'état de référence. Cette

méthode ne peut donc être utilisée que lorsque la vraie valeur de l'état est connue.
 Chapitre 5 - Expérimentations et simulations

Dans ce chapitre, les expérimentations et les résultats seront décrits afin de valider les

modèles élaborés cités dans les chapitres précédents.

5.1 Validation et simulation

5.1 .1 Paramètres du véhicule

L'Institut de Recherche sur l' Hydrogène (IRH) de l' Université du Québec à Trois-

Rivières (UQTR) dans lequel est réalisé ce travail dispose d'un véhicule électrique: KIA

Soul EV 2017 avec une vitesse maximum de 145 kmlh. Tous les tests de conduite présentés

dans ce travail ont été réalisés en utilisant ce véhicule. La figure 17 montre une image du

véhicule d'essai. Dans le tableau 2, nous présentons les paramètres du véhicule tels que

fournis par le constructeur.

Figure 17: KlA Soul EV 2017 : A) à l 'intérieur de l 'IRH, B) sur asphalte, C) sur
neige
 52

Tableau 2: Caractéristiques du KlA Soul EV 2017

Phlyslque
.

Dimensions L = 4.140 m; 1 = 1.801m; l.6 m

Roues 205/60R1692H

Masse 1492 kg

Performances
Type de batterie Polymère de lithium-ion

Puissance maximum du moteur 81.4 kW

Couple maximum 285 Nm

Rapport de transmission final 8.206 :1

Vitesse maximum 145 km/h

Capacité de la batterie 45 Ah

Autonomie sur ville 193 km

Autonomie sur autoroute 148 km

Autonomie combinée 168 km

 53

Paramètres
A 2.88 m 2

Cd 0.35

P 1.22 kg m- 3

Il 0.018

5.1 .2 Expériences et tests

Nous avons effectué plusieurs tests avec le véhicule KlA Soul EV 2017 pour récupérer

des données afin de valider les algorithmes d'estimations proposés. Les données

expérimentales incluant la température ambiante et les positions du véhicule ont été acquises

à partir du bus de données CAN en utilisant le module OBDLink Mx du véhicule via un

logiciel dédié: Torque Pro, avec une fréquence f= 1 Hz. (Voir Annexe C).

Des tests coast-down ont été faits afin de trouver les valeurs du coefficient de résistance

au roulement. Ce test est un procédé fréquemment utilisé et nécessaire pour évaluer les

valeurs expérimentales des forces résistantes et par conséquent les valeurs expérimentales du

coefficient de résistance au roulement correspondantes aux types de route utilisés (avec/sans

neige avec un sol asphalte pour notre cas). Le principe de base de cet essai est le suivant:

accélérer le véhicule à une certaine vitesse, puis le laisser décélérer en vitesse point mort

jusqu'à une autre vitesse prédéterminée et enregistrer finalement la durée de ce processus. La

résistance totale à l'avancement est alors calculée à partir de la deuxième loi de Newton

(équation 1). Ci-dessous un tableau montrant les valeurs du coefficient de la résistance au

roulement obtenues à partir du test coast-down.

 54

Tableau 3: Valeurs de la résistance au roulement obtenues avec les tests Coast

down

Type de sol Asphalte sec Asphalte mouillé Asphalte enneigé

Valeurs du coefficient de résistance au 0.019 0.022 0.0257

roulement

Tableau 4: Récapitulation des tests

Trajet Type de route Température Vitesse moyenne Distance (km) Zone

ambiante (lC) (kmlh)

Sans neige -19 · e 33.7481 5.33

1 Vi lle

Sans neige -20 · e 34.5397 5.32

2 Ville

Sans neige -20 · e 30.1590 5.3069

3 Ville

Avec neige -10· e 30.0844 5.4331

4 V ille

Avec neige -10· e 30.4388 5.3842

5 V ille

Avec neige -10· e 31.6260 5.3706

6 V ille

Avec neige -10· e 26.7578 5.3731

7 V ille

Avec neige -10· e 28.0011 5.4392

8 Ville

Avec neige -10 · e 27.5066 5.4114

9 Ville

Avec neige -10 · e 28.6225 5.4511

10 Ville
 55

Sans neige -19 °e 48.4350 27.4178

11 Campagne

Sans neige -19 °e 87.1688 36.2033

12 Autoroute

o
Sans neige -20 e 34.7239 11.2072
13 Vi lle

Sans neige -17"e 26.6550 1.0731

14 Scolaire

Pour valider les estimations, on a fait des tests dans différentes places avec différentes

conditions: type de zone, type de sol, .. .. (Voir le tableau récapitulatif ci-dessus)

5.2 Résultats des expériences et des simulations

5.2.1 Estimations des coefficients aérodynamique et résistance au roulement

Dans cette partie, on illustre les résultats sur l'estimation des coefficients aérodynamique

et résistance au roulement dans différentes conditions dont le type de sol, de température,

conduites, . .. II s'agit d'estimer simultanément des coefficients à partir des méthodes

proposées : les moindres carrés récursifs (RLS) et le filtre de Kalman (KF). Pour chaque

méthode, on a utilisé les valeurs du coefficient de résistance au roulement obtenu avec les

tests du coast-down ainsi que le coefficient aérodynamique du manufacturier.

0.38 1 1
- Réfén.::nc.:e
i1
0.175 •
RI.S
- --- Kalmllil
i
0.37 !
.
gIUM +
ê2 0.J6 ~!
>. ! 1
1l . ;
~ 0 JS5! i..~, .......
~ U.35 i "......-.-.---------.-.-.-. ----_ .... _---
'"'ü i
8 0 .\45 +
j
0.34 ~
:
OlB
.j
j
(a)
OJJ j
o IIKI :no mu -'{}fI 500 NXI
Temps (sec)
 56

0.0194 ,
1
i
0.0193 !
i
"!1 O.O)l):! ,~
6 !
~,,0.019 1 i,
~
,!
!"
0019 ,\

E 0.OIX9 ' ,
(1 [1
\J>~:~.::-.~:.::: _~~~=._~~~~~~._~~~=._~~~._. . .-.:'.
r'j-..
,
' ••.•• _._ ••••.•••••• _._ •••••••••• J'"

~ 'Ir
g 0.01 8 i\i
U i.'
!~
O.01R7 +i (b)
1
O.OIU i
o 1110 200 300 400 5(10 600
Temps (sec)

Figure 18: Coefficients estimés Vs valeurs réelles dans les conditions sans neige:
a) coefficient aérodynamique, b) coefficient de résistance au
roulement.

La figure 18 représente les résultats des estimations des coefficients obtenus à partir d'un

test effectué dans des conditions sans neige. Comme on peut le voir sur cette figure, les

coefficients estimés par différentes approches convergent vers les valeurs réelles du

coefficient de traînée aérodynamique (Caero = 0,35) et du coefficient de résistance au

roulement pour une route asphaltée sec (Il = 0,019). La valeur de Il est supposée être la valeur

mesurée à partir du coast-down du coefficient de résistance au roulement sur l'asphalte sec.

Ces résultats montrent que les coefficients estimés par toutes les méthodes sont presque dans

la même gamme. Cependant, les valeurs estimées par KF sont plus précises que RLS.

Pareil qu'avec les tests sans neige, les coefficients aérodynamique et résistance au

roulement convergent vers les valeurs obtenues à partir du coast down dans les conditions

enneigées (Caero = 0.35, Il = 0,025).

 S7

... ", -- - -
i
' - - - - -- ---
- Réfêrcncc
i
i -·'· KlS
i
i --- Filrrc de Kalman

04 ......
!!
1
!..l i
, i
r \\.,
-2'
'~ o~rl-··-··~··:::·':::··:.:;·':::·,:.:;·':::·'''''·-''''·,=·,~··-.-----------_-.,-.--.,-.,-.--.--.--.,-.--.--.--.--.,-._-._-
._
-~t .,.,.-.,._.,.,. .,.,. ._.,.- ,.,
1 ----------------_._- ... ----- ..... ---

~- u1,

"1 1
;
(a)
025 '
o '<XI ...

-Rérérence
RLS
- - ' Fihr< de Ka1man

_..._-----

0.0 2~ 2
(b)
0.024
o 100 200 300 400 soo 600
Temps (scc)

Figure 19: Coefficients estimés Vs valeurs réelles dans les conditions avec neige :
a) coefficient aérodynamique, b) coefficient de résistance au
roulement.

La convergence significative des valeurs estimées vers les valeurs réelles illustrées dans

les figures 18 et 19 valide les estimateurs choisis.

En comparant les résultats des simulations, selon les figures, on remarque que les valeurs

estimées à partir du filtre de Kalman sont plus proches des valeurs réelles que celles du RLS .
 58

Tableau 5: MSE et valeurs moyennes estimées

Coefficient aérodynamique Coefficient de résistance au roulement

Trajets Type de MSE-RLS MSE-KF Valeurs- Valeurs- MSE-RLS MSE-KF Valeurs- Valeurs-
route RLS KF RLS KF
1 Sans neige 0.00 Il 2.4205 e-4 0.3626 0.3516 7.1797 e-7 6.4158 e-8 0.018 0.019

2 Sans neige 0.0093 e-3 0.0013 0.3531 0.3550 1.2943 e-6 6.4671 e-7 0.0189 0.019

3 Sans neige 0.0012 1.9941 e-4 0.3633 0.3516 5.9337 e-7 5.7551 e-8 0.0188 0.019

4 Avec neige 3.1002 e-4 5.7619 e-4 0.3407 0.3538 1.1224 e-6 1.1140 e-6 0.0250 0.0250

5 Avec neige 2.5665 e-4 6.6577 e-4 0.3441 0.3537 1.1375 e-6 1.1339 e-4 0.0250 0.0250

6 Avec neige 1.6265 e-4 8.3625 e-4 0.3499 0.3545 7.9022 e-7 7.9412 e-7 0.0250 0.0250

7 Avec neige 2.3276 e-4 5.6984 e-4 0.3453 0.3535 1.0749 e-6 1.0739 e-6 0.0250 0.0250

8 Avec neige 1.4136e-4 9.5087 e-4 0.3493 0.3556 7.0072 e-7 7.0624 e-7 0.0250 0.0250

9 Avec neige 2.1427 e-4 7.9605 e-4 0.3462 0.3545 1.0305 e-6 1.0311 e-6 0.0250 0.0250

10 Avec neige 2.3541 e-4 7.4813 e-4 0.3442 0.3546 1.0430 e-6 1.0435 e-6 0.0250 0.0250

11 Sans neige 0.00\4 5.9646 e-4 0.3517 0.3523 1.2418 e-6 1.8089 e-8 0.0189 0.0190

12 Sans neige 2.2694 e-5 4.9607 e-4 0.3515 0.3524 3.3519 e-8 7.2025 e-8 0.0189 0.0190

13 Sans neige 0.0045 0.0036 0.3458 0.3612 1.0\94e-5 3.1568e-8 0.0\84 0.0\90

14 Sans neige 0.0110 0.0064 0.3782 0.3737 2.6892 e-7 2.529\ e-7 0.0189 0.0180

On remarque qu'il y a plus de fluctuations des valeurs estimées dans le cas de la conduite

réelle probablement en raison des erreurs dans les signaux mesurés ou de petits changements

soudains des conditions routières . De plus, ces résultats indiquent que l'estimation du

coefficient de résistance au roulement est plus précise et plus stable que le coefficient de
 59

traînée aérodynamique. Cela peut être dû à la variation de facteurs inconnus tels que le vent

pendant le voyage.

Sur le fait que les résultats obtenus à partir du filtre de Kalman sont plus précis, on

utilisera ces valeurs dans la suite des calculs.

À partir des paramètres estimés, nous avons effectué une analyse de la contribution de

chaque force pour créer une carte énergétique des forces externes appliquées au véhicule. La

figure 20 montre les résultats des tests sur route enneigée et sur route sèche effectués sur le

même itinéraire: en ville .. Les résultats indiquent que la contribution de la force de résistance

au roulement est plus élevée pour la route enneigée que pour les essais sur route sèche. Ce

résultat est tout à fait attendu puisque la présence de neige augmente la résistance au

roulement du véhicule. En revanche, la contribution de la force de traînée aérodynamique est

plus élevée dans le test de conduite sur route que dans l'état de la route en ville,

principalement en raison de la différence de vitesse. Cependant, malgré la différence de

vitesse, la contribution de la résistance au roulement ne varie pas beaucoup pour le test sur

route sèche
 60

1.2
Energie total - Energie totale
~ lO Aérodynamique Aérodynamique
~ Résistance au roulement - Résistance au roulement
u 0.8
.~
0 0.6
l'l0
u G.4
u
j 0.2

0.0
0 100 200 Temps (5) 400 500 600 o 100 200 Temps (5) 500

- EDcrgietotale ~
- Aérodynamique (d)
- Résistance au roulement

o 200 400 600 800

Temps (s)
1000 UOO 1400
o '-r~
o
- - r- r- - .- - .-.- _._._ _ ._ '
250 500 750 1000
Temps (s)
U50 1500 1750 2000

Figure 20: Carte énergétique des différents tests de conduite : a) route enneigée en
ville, b) route sèche en ville, c) autoroute sèche (vitesse :s 100 km/h),
d) campagne sèche (vitesse :s 70 km/h)

5.2. 2 Estimation de la puissance fournie par la batterie et de l 'énergie consommée

Dans cette partie, nous allons illustrer les résultats obtenus sur l'estimation de la

puissance fournie par la batterie ainsi que l'énergie consommée. En fait, la puissance est un

paramètre énergétique fondamental des véhicules électriques à partir duquel la plupart des

variables de performance du véhicule peuvent être dérivées.

Nous avons utilisé les valeurs des coefficients obtenues à partir du filtre de Kalman pour

calculer les forces. Dans cette étape, on peut montrer qu'en introduisant les forces, on peut

améliorer l' estimation de la puissance et de l'énergie consommée.

 61

40
--- &rimée .\.« forces

J5

JO

...
10

-s l 1
(a)
o 100 200 lOO 400 SOO 600
T<-mps (,,:c)

40

lO

20

-10

-20
(b
_lO L - - - - . . l - - - = - - - - - - - - - - L - - - - - - - - - - - - - - -
o 100 200 lOO t\OO
Tcml'" (o;cc)

Figure 21: Profils de puissance mesurée vs estimée: a) condition enneigée, b)

condition non-enneigée
 62

- - E..... ink.~l\cck.~I~~

1.8 - _._. F~"imér: SaJ\'j, lèS ron.:aI .

1.6

1.4 ~
:=
~
~1.2 -
.g
:;
" l-
B
·î.08
t .
:§
0.6-
0.4 -

0.2
(a)
o
o 100 2011 300 400 soo
Temps (sec)

0.7

~0.6 1
~
.g Il.S
:;
E
~

~ 0.4
':i)
t
jO.3

Il.2

0.1
(b
1 1
100 200 300 4011 SOO
Temps (sec)

Figure 22: Energie cumulée mesurée vs estimée : a) condition enneigée, b)

condition non-enneigée

Ces figures ci-dessus nous montrent la capacité du NARX à estimer le profil de puissance

instantanée de la batterie. Ces estimations ont été faites en temps réel : aucune donnée du test

n' a été utilisée pendant la phase d'entrainement et les prédictions sont effectuées au fur et à

mesure que les données arrivent.

 63

5.2.3 Estimation de l 'autonomie

Dans cette section, nous présentons les analyses sur l'estimation de l'autonomie. Cela

passe par l'évaluation de l'efficacité de conduite. C'est une étape critique dans l'estimation

de l'autonomie restante. Dans cette partie, on remplacera le temps par la distance sur les axes

des abscisses des figures.

La figure ci-dessous (figure 23) montre l'efficacité de conduite pour un test de conduite

sur autoroute. On constate que l'efficacité de conduite cumulée est presque constante (5

km/kWh) pour des longs trajets parce que les conditions de conduite comme la vitesse ne

changent pas beaucoup durant tout le trajet.

D'autre part, les fluctuations des efficacités d'enregistrement de courte durée s' atténuent

lorsque la distance d'enregistrement augmente. Cette figure est très pertinente et illustre toute

la problématique d'anxiété des véhicules électriques.

30
•
Efficacité cumul~
~ à jour tous les 1 km
Mise à jour tous les 5 km !"
25 ""
,,,l'
,
,,,
,,,
,,,
.
'I
,
,,
.
1 1
l ,
l ,
L' 1
'\
\ , ;
1'"
'- ... l '
1 _,
5 ... , ...
\
\~ .L --- \ ;'
"
"
5 10 15 20 25 30 35
Distance parcourue (km)

Figure 23: Calcul de l'efficacité de conduite pour un test de conduite sur autoroute
(Vmax = 100 km/h)
 64

Les différents rendements de conduite présentés dans cette même figure sont estimés à

partir des informations énergétiques et ne diffèrent que par la distance de mise à jour.

Cependant, une mise à jour tous les 1 km est susceptible d ' augmenter l' anxiété par

rapport à une mise à jour tous les 5 km qui est plus stable. Le fait est que l' estimation de

l' autonomie n ' est pas aussi simple qu' elle semble. De plus, il faut faire attention au choix de

la distance de mise à jour afin de fournir une bonne estimation plus précise de la distance

restante.

Afin de prendre en compte chaque force sur la consommation énergétique, la pente d ' une

route peut affecter l' efficacité de la conduite. La figure 24 illustre cet effet dans les conditions

d ' une route vallonnée dont la pente positive correspond à une descente et une pente négative

correspond à une montée.

8 _ Profile de la pente
Efficacité cumulée
• Mise à jour tous les SOO m
7
0 .04

0 .0 2

'ô'
~

-
\00
'-'
~

• 0 .00
d
~
Il.

-0.0 2
l

o '--.--_ _--,.--_ _--.___--.-___-,.-___-.-_---' -0 .04

0.0 0 .2 0.4 0 .6 0.8 1.0
Distance parcourue (km)

Figure 24: Efficacité de conduite pour un test de conduite dans une zone scolaire
avec une présence de pente (Vmax = 30 km/h)
 65

Le résultat montre que pour l'efficacité de conduite cumulée augmente progressivement

pour les 500 premiers mètres et diminue pour les 500 suivants. En effet, pendant les 500

premiers mètres parcourus, le véhicule roule en descente ainsi il consomme moins d'énergie

tandis que quand le véhicule roule sur les 500 derniers, il consomme plus d'énergie pour la

propulsion le long de la montée entrainant une diminution de l'efficacité de conduite.

Il est assez compliqué d'estimer l'autonomie restante sans avoir recours à l'efficacité de

conduite mais il est nécessaire de bien choisir les mises àjour. Pour contourner ce problème,

on a utilisé le réseau NARX pour connaitre l'autonomie restante et ce réseau entrainé est

utilisé pour prédire l'autonomie restante du test de conduite sur autoroute.

1
Estimée \'Îa NARX 1
1
250 Historique basé sur les données cumulées 1
1
Historique basé sur les mises à jour tous les 1 km 1
1
• Historique basé sur les mises à jour tous les 5 km 1
1
â 200 1
.:oc 1
1
'-"
1
~ 1
1
S14 150 1
CI) 1
'"'
CI) 1
1

·ë ; 1
0
c:
100 ,~ ,
l'
\
1 t
, 1

...
0 \ 1
•
~ ,
... ~
- - - - - __ J _ I
Il

~ 50
'... ,
\,
1

0
5 10 15 20 25 30 35
Distance parcourue (km)

Figure 25: Estimation de l 'autonomie restante via le NARX et l 'historique des

données de conduite
 66

Selon la figure sur l'estimation de l'autonomie sur autoroute (figure 24), on a utilisé deux

calculs de mise àjour avec le réseau NARX pour l'estimation de l'autonomie. On observe

que la portée restante estimée avec le NARX est plus précise que la méthode de calcul sur

l 'historique traditionnelle de mise à jour. Pour les méthodes basées sur la mise à jour tous les

5 km et les données cumulées, fournissent des estimations qui suivent assez bien la tendance

réelle de l' autonomie restante pour une distance parcourue supérieure à 15 km. En effet,

l'efficacité de conduite est presque constante avec ces distances et ainsi l'autonomie peut être

facilement calculée à partir des historiques des données le plus proche. Il convient de noter

que la méthode basée sur l ' historique des données de mise à jour tous les 1 km augmente

l' anxiété de l'autonomie. En définitive, le réseau NARX est très robuste dans l'estimation de

l'autonomie restante et constitue une alternative sérieuse aux approches des constructeurs

pour estimer l'autonomie restante d'un véhicule électrique. De plus, le NARX n'a pas besoin

d'aucune hypothèse sur la distance de mise à jour, ce qui le rend très utile pour l' estimation

en ligne de la distance restante.

 67

Chapitre 6 - Discussions, conclusions et perspectives

Dans ce travail, on a élaboré des algorithmes pour les simulations afin que nous puissions

avoir des résultats satisfaisants. Dans ce cas, il est nécessaire de discuter de ces résultats

obtenus afin d' améliorer un peu plus le travail et de savoir si les objectifs initiaux sont atteints

et que la problématique soit résolue.

En effet, l'idée est de savoir comment le véhicule utilise l' énergie qu'il a consommé

permettant ainsi de savoir jusqu'où le véhicule peut rouler avec le reste d'énergie. Les

chapitres l et II nous permettent d'avoir des idées et de présenter le sujet pour mettre en

évidence le défi d'estimer précisément l' énergie consommée d'un véhicule électrique afin de

savoir l'autonomie restante pour surmonter l'anxiété de l'autonomie et de rassurer le

conducteur. Pour cela, notre objectif principal était de proposer une approche sur l'estimation

de la consommation d'énergie de la famille des véhicules électriques afin que l' on puisse

estimer l'autonomie de manière exacte. Pour améliorer la précision dans la prédiction de la

consommation énergétique, ce projet consistait alors à inclure les valeurs des deux

paramètres physiques du véhicule, qu'on a sélectionnés : les coefficients aérodynamique et

résistance au roulement dans l'approche de gestion énergétique. Donc, cela nous a permis de

mettre en évidence ces objectifs secondaires:

• Établir un algorithme d'estimation en ligne des coefficients aérodynamique et de la

résistance au roulement au rou lement du véhicule.

• Établir un modèle de prédiction afin d'avoir une bonne précision sur l'estimation de

la consommation d'énergie du véhicule sur un trajet déterminé.

 68

Le modèle longitudinal du véhicule utilisé, décrit dans le chapitre III a été simplifié afin

de faire une étude sur l'impact des forces aérodynamique et résistance au roulement sur la

consommation énergétique et sur l'estimation de la puissance. Durant un trajet, si une

estimation non efficace de ces deux paramètres est intégrée dans l'estimation de l'autonomie,

une valeur résiduelle non fiable est indiquée augmentant l'angoisse de l'autonomie et

accentuer la peur du conducteur face au panne d'énergie. Cependant, en offrant une bonne

estimation, précise et fiable de ces paramètres, il est plus facile pour le conducteur d'avoir

plus de confiance et aussi de voyager sans angoisse de l'autonomie.

Dans notre cas, on a utilisé deux algorithmes pour l'estimation des coefficients

aérodynamique et résistance au roulement dont les moindres carrés récursifs et le filtre de

Kalman. L'utilisation de la puissance électrique et de la vitesse du véhicule dans ces

algorithmes a permis de déterminer ces coefficients. En se basant des résultats obtenus par

rapport à la convergence, le filtre de Kalman a été plus performant par rapport aux moindres

carrés récursifs. L'estimation de ces paramètres nous a permis d'effectuer des analyses de la

contribution de chaque force pour créer des cartes énergétiques.

D'autre part, un modèle NARX est utilisé pour l'estimation de la puissance ainsi que

l' autonomie restante du véhicule. On a pu remarquer qu'en rajoutant les forces dans le

modèle, on obtient plus de précision par rapport sans les forces . Cependant, on a fait quelques

analyses et calculs sur l'estimation de l'autonomie restante avec des mises à jour de données

permettant de prédire cette autonomie via le modèle NARX. Cela nous a permis d'avoir une

bonne estimation de la puissance, l'énergie consommée ainsi que l'autonomie restante en

nécessitant aucune hypothèse et nécessite que peu de données de pour entrainer ce qui le rend

particulièrement utile pour les applications en ligne.

 69

Les algorithmes élaborés dans ce projet ont été simulés en utilisant des données réelles

obtenues sur le véhicule KIA SaUL EV de l' Institut de Recherche sur 1'Hydrogène (IRH)

connecté de son OBD 2 avec un aBD Link et le logiciel Torque pour l'acquisition des

données dont la puissance électrique, la vitesse et d'autres paramètres nécessaires dans ce

travail.

Perspectives:

Les algorithmes élaborés dans cette étude ont été simulés à l'aide des données réelles

obtenues avec le KIA Soul EV de l'IRH. Il est donc intéressant de pouvoir implémenter tous

ces algorithmes pour estimer tous les paramètres qui peuvent influencer la consommation

énergétique d'un véhicule électrique dans le modèle dynamique longitudinal tels que la

masse, la pente, le coefficient aérodynamique ainsi que le coefficient de la résistance au

roulement dans différentes conditions de conduite comme en été ou les conditions sèches et

aussi pour les conditions hivernales c'est-à-dire à basse température, présence de neige et

plusieurs autres facteurs (pour le cas du Canada).

D'autre part, il serait aussi intéressant d'implémenter ces algorithmes pour d'autres types

de véhicule comme les voitures à moteur thermique mais surtout les véhicules lourds. Cela

permettra de travailler en collaboration avec les flottes pour améliorer l'estimation de la

consommation d'énergie mais aussi pour diminuer la pollution de l'environnement.

De plus, savoir comment le véhicule dépense de l'énergie est un atout. Il serait aussi très

intéressant de mettre au point une stratégie pour récupérer cette énergie dépensée. Un point

qui serait un plus pour l'amélioration de l'efficacité énergétique.

 70

Références

[1] A. Roy, A. Lacroix, 1. Watters, S. Coté et M. Grenier-Hamel, «Guide de sensibilisation

à la réduction de la consommation de carburant et des émissions des gaz à effet
de serre en transport,» De l'énergie pour demain, Québec, 2007.

[2] «TRANSITION ÉNERGÉTIQUE RÔLE DES TERRITOIRES ET DÉFIS

TECHNOLOGIQUES (PANORAMA 2018),» chez IFP Energies nouvelles,
Paris, 2018.

[3] Utilisation de l'énergie: consommation de carburant, Ministere de l'énergie et des

ressources naturelles, Québec, 2014.

[4] U. E. Administration, «International Energy OutIook 2016 With Projections to 2040,»

U.S. Department of Energy, 2016.

[5] National Academies of Sciences, Engineering, and Medicine, «Review of the 21st
Century Truck Partnership: Third Report,» National Academies Press, 2015.

[6] K. Maalej; S. Kelouwani; Y. Dubé; K. Agbossou; N. Henao, «Long-trip optimal energy

planning with online mass estimation for battery,» Journal ofPower Sources, vol.
64, nOll,pp. 4929-4941,2015.

[7] K. Maalej; S. Kelouwani; Y. Dubé; K. Agbossou, «Enhanced fuelcell hybrid electric

vehicle power sharing method based on fuel cost,» Journal ofPower Sources, vol.
248, pp. 668-678, 2014.

[8] D. Zhang; A. Ivanco; Z. Filipi, «Model-Based Estimation of Vehicle Aerodynamic

Drag and Rolling Resistance,» SAE International Journal of Commercial
Vehicles, vol. 8, pp. 433-439, 2015 .
 71

[9] R. Andersson, «Online estimation of rolling resistance and air drag for heavy duty
vehicles,» 2012.

[10] Hamid Taghavifar; Aref Mardani; Haleh Karim-Maslak; Hashem Kalbkhani ,

«Artificial Neural Network estimation of wheel rolling resistance in clay loam
soil,» Applied Soft Computing, vol. 13, n° % 18, pp. 3544-3551, 2013.

[11] K. B. Singh and S. Taheri, «Estimation of tire-road friction coefficient and its
application in chassis control systems,» Systems Science & Control Engineering,
vol. 3, pp. 39-61,2015.

[12] Jadranko Matusko; Ivan Petrovié; Nedjeljko Peri, «Neural network based tire/road
friction force estimation,» Engineering Applications ofArtificial Intelligence, vol.
21, n° % 14, p. 442 456, 2008.

[13] Richard Barney Carlson; Henning Lohse-Busch; Jeremy Diez and Jerry Gibbs, «The
Measured Impact ofVehicle Mass on Road Load Forces and Energy Consumption
for a BEV, HEV and ICE Vehicle,» SAE International Journal of Alternative
Po wertrains, 2013.

[14] A. Alagumalai, «InternaI combustion engines: Progress and prospects,» Renewable and
Sustainable Energy Reviews, vol. 38, pp. 561-571,2014.

[15] F. S. Richard van Basshuysen, InternaI Combustion Engine Handbook, Warrendale,

Pennsylvania: SAE International, 2016.

[16] L. H. B. Multon, «Probleme de la motorisation d'un véhicule électrique,» Revue 3EI,

pp. 53-64, 1995.

[17] A. Moretti, «The new electric vehicle "Renault Kangoo",» Electric vehicle symposium
E V's 17, 2000.

[18] G. M. Cotter, «A study in hybrid vehicle architectures: comparing efficiency and

performance,» MASSACHUSSETTS INSTITUTE OF TECHNOLOGY, 2009.
 72

[19] L Martellucci; M Santoro; C Boccaletti, «A power train with planetary gear system:
Advantages and a design approach,» Proc. ofEVS, 2001.

[20] M. Zarkacoula, G. Zoidis et E. Ttritopoulou, «Training urban bus drivers to promote

smart driving: A note on a Greek eco-driving pilot program,» Transportation
Research Part D: Transport and Environment, vol. 12, n° %16, pp. 449-451,
2007.

[21] J. N. Barkenbus, «Eco-driving: An overlooked climate change initiative,» Energy

PoUcy, vol. 38, n° %12, pp. 762-769,2010.

[22] M. Barth et K. Boriboonsomsin, «Energy and emissions impacts of a freeway-based

dynamic eco-driving system,» Transportation Research Part D: Transport and
Environment, vol. 14, n° %16, pp. 400-410, 2009.

[23] M. Barth, S. Mandava, K. Boriboonsomsin et H. Xia, «Dynamic ECO-driving for

arterial corridors,» chez 2011 IEEE Forum on Integrated and Sustainable
Transportation Systems, Vienna, Austria, 2011.

[24] Y. Saboohi et H. Farzaneh, «Mo deI for developing an eco-driving strategy of a

passenger vehic1e based on the least fuel consumption,» Applied Energy, vol. 86,
nO 110, pp. 1925-1932, 2009.

[25] «10 CONSEILS POUR ÉCO-CONDUlRE,» Ecoconso, 2020.

[26] D. E. Hall et C. J. Moreland, «Fundamentals of Rolling Resistance,» Rubber Chemistry

and Technology, vol. 74, n° %13, p. 525-539,2001.

[27] B. Coutermarsh, «Velocity effect of vehic1e rolling resistance in sand,» Journal o}

Terramechanics, vol. 44, nO 14, pp. 275-291, 2007.

[28] L. Li, F.- Y. Wang et Q. Zhou, «Integrated longitudinal and lateral tire/road friction
modeling and monitoring for vehic1e motion control,» IEEE Transactions on
Intelligent Transportation Systems, vol. 7, n° Il , pp. 1-19, 2006.
 73

[29] A. M. A. Soliman, «Effect of Road Roughness on the Vehicle Ride Comfort and
Rolling Resistance,» chez 2006 World Congress, Detroit, Michigan, 2006.

[30] J. Barrand et J. Bokar, «Reducing Tire Rolling Resistance to Save,» SAE International,
vol. 1, nO 11, pp. 9-17, 2008.

[31] H. S. Hamut, R. S. El-Emam, M. Aydin et 1. Dincer, «Effects ofrear spoilers on ground

vehicle aerodynamic drag,» International Journal ofNumerical Methodsfor Heat
& Fluid, vol. 24, n° 13, pp. 627-642,2014.

[32] K. P. Barry, «A Review of Commercial Vehicle Aerodynamic Drag Reduction

Techniques,» Proceedings of the Institution of Mechanical Engineers, Part D:
Transport Engineering, vol. 199, nO 13, pp. 215-220,1998.

[33] S. Pagerit, P. Sharer et A. Rousseau, «Fuel Economy Sensitivity to Vehicle Mass for
Advanced Vehicle Powertrains,» chez Advanced Hybrid Vehicle Powertrains
2006, Detroit, Michigan, 2006.

[34] R. Tolouei et H. Titheridge, «Yehicle mass as a determinant of fuel consumption and

secondary safety performance,» Transportation Research Part D: Transport and
Environment, vol. 14, n° 16, pp. 385-399,2009.

[35] J. Sullivan, G. Lewis et G. Keoleian, «Effect ofmass on multimodal fuel consumption

in moving people and freight in the V.S.,» Transportation Research Part D:
Transport and Environment, vol. 63, pp. 786-808,2018.

[36] S. Salisbury, «Cold Weather On-Road Testing ofa 2015 Nissan Leaf,» Idaho National
Laboratory, Idaho, 2016.

[37] K. R. Kambly et T. H. Bradley, «Estimating the HV AC energy consumption of plug-

in electric vehicles,» Journal of Power Sources, vol. 259, pp. 117-124, 2014.

[38] T. Excel, «Caractéristiques physiques de l'eau - Masse volumique - Enthalpie

spécifique - Chaleur massique et volumique - Viscosité dynamique».
 74

[39] K. Kikuchi et M . Suzuki, «Study of aerodynamic coefficients used to estimate critical

wind speed for vehicle overturning,» Journal of Wind Engineering and Indus trial
Aerodynamics, vol. 147, pp. 1-17,2015.

[40] Z. Mohamed-Kassim et A. Filippone, «Fuel savings on a heavy vehicle via

aerodynamic drag reduction,» Transportation Research Part D: Transport and
Environment, vol. 15, nO 15, pp. 275-284,2010.

[41] C. Ahn, H. Peng et E. Tseng, «Robust estimation of road friction coefficient using
lateral and longitudinal vehicle dynamics,» Vehicle System Dynamics, vol. 50,
nO 16, pp. 961-985, 2012.

[42] G. Bischof, E. Bratschitsch, A. Haas, A. Kaltenhauser et F . Ullrich, «On-road

determination of aerodynamic drag improvements,» SAGE Journals, vol. 218,
nO Il, pp. 1-6, 2004.

[43] Y. Chen et 1. Wang, «Adaptive Vehicle Speed Control With Input Injections for
Longitudinal Motion Independent Road Frictional Condition Estimation,» IEEE
Transactions on Vehicular Technology, vol. 60, n° 13, pp . 839 - 848, 201l.

[44] R. Rajamani , G . Phanomchoeng, D. Piyabongkarn et 1. Y. Lew, «Algorithms for Real-

Time Estimation of Individual Wheel Tire-Road Friction Coefficients,»
IEEE/ASME Transactions on Mechatronics, vol. 17, n° 16, pp. 1183 - 1195,2012.

[45] E. Hashemia, S. Khosravania, A. Khajepoura, A. Kasaiezadehb, S.-K. Chenb et B.

Litkouhi, «Longitudinal vehicle state estimation using nonlinear and parameter-
varying observers,» Mechatronics, vol. 43, pp. 28-39, 2017.

[46] 1. Matusko, 1. Petrovié et N. Perié, «Neural network based tire/road friction force
estimation,» Engineering Applications ofArtificial Intelligence, vol. 21, n° 13, pp.
442-456, 2008.

[47] T. Zahid, K. Xu, W. Li , C. Li et H. Li, «State of charge estimation for electric vehicle
power battery using advanced machine learning algorithm under diversified drive
cycles,» Energy, vol. 162, pp. 871-882, 2018.
 75

[48] X. Hu, S. E. Li et Y. Yang, «Advanced Machine Leaming Approach for Lithium-Ion

Battery State Estimation in Electric VehicIes,» IEEE Transactions on
Transportation Electrification , vol. 2, nO 12, pp. 140 - 149,2016.

[49] C.-M. Tseng et C.-K. Chau, «Personalized Prediction ofVehicIe Energy Consumption
Based on Participatory Sensing,» IEEE Transactions on Intelligent
Transportation Systems, vol. 18, nO 111, pp. 3103 - 3113, 2017.

[50] X. Wua, D. Freeseb, A. Cabrerab et W. A. Kitch, «Electric vehicIes' energy

consumption measurement and estimation,» Transportation Research Part D:
Transport and Environment, vol. 34, pp. 52-67, 2015.

[51] C. Fioria, K. Ahna et H. A. Rakha, «Power-based electric vehicIe energy consumption

model: Model development and validation,» Applied Energy, vol. 168, pp. 257-
268,2016.

[52] Fiche-auto, «Fonctionnement d'une voiture électrique,» 2019.

[53] «La deuxième loi de Newton,» Québec.

[54] H. K. Fathy, K. Dongsoo et 1. L. Stein, «Online vehicIe mass estimation using recursive
least squares and supervisory data extraction,» chez 2008 American Control
Conference, Seattle, W A, USA, 2008.

[55] Département de l'Énergie des États-Unis, «Tires and Passenger VehicIe Fuel Economy
: Informing Consumers, Improving Performance,» National Research Council,
2006.

[56] Département de l'Énergie des États-Unis, «Where the energy goes: Electric cars».

[57] O. Trigui, Y. Dube, S. Kelouwani et K. Agbossou, «Comparative Estimation ofElectric

VehicIe Rolling Resistance Coefficient in Winter Conditions,» chez 2016 IEEE
Vehicle Power and Propulsion Conference (VPPC), Hangzhou, China, 2016.
 76

[58] M. Kandidayeni, A. Macias, A. A. Amamou, L. Boulona, S. Kelouwani et H. Chaoui,

«Overview and benchmark analysis of fuel cell parameters estimation for energy
management purposes,» Journal of Power Sources, vol. 380, pp. 92-104, 2018.

[59] E. Gelenbe, V. Koubi et F. Pekergin, «Dynamical random neural network approach to

the traveling salesman problem,» chez Proceedings of IEEE Systems Man and
Cybernetics Conference - SMC, Le Touquet, France, 2002.

[60] A.Mellit, S. Saglam et S. A. Kalogirou, «Artificial neural network-based model for

estimating the produced power of a photovoltaic module,» Renewable Energy,
vol. 60, pp. 71-78,2013.

[61] José Marie P. Menezes Jr. et Guilherme A. Barreto, «Long-term time series prediction
with the NARX network: An empirical evaluation,» Neurocomputing, vol. 71,
nO 16-18, pp. 3335-3343, 2008.

[62] «Energie renouvelable: voiture hybride,» Futura sciences.

 77

Annexe A - Fiche technique du véhicule KIA SOUL EV

2017

APERÇU
Consommation de carburant :2.0 (Automatique ville), 2.6 (Automatique autoroute)
Moteur: 100% Électrique 81,4kW
Puissance: 109 cv @ 2730 rpm
Boîte de vitesses: Engrenage de réduction à une vitesse
Carrosserie : À hayon
Portières: 5; places: 5
SUSPENSION ET CONDUITE
Barre stabilisatrice avant
Direction à assistance électrique avec direction Flex
Indicateur de basse pression des pneus: Moniteur de pression des pneus (TPMS)
Pneus: P205/60R16
Suspension arrière à barre de torsion
Suspension avant indépendante
 78

Mode de conduite : Modes de conduite ECO et par régénération

Type de roue: Jantes en alliage de 16 pouces
MÉCANIQUE
Moteur : 100% Électrique 81,4kW
Motricité : Avant
Traction asservie: Oui
Transmission : Engrenage de réduction à une vitesse
DIMENSIONS
Capacité maximale de chargement: 1402 L
Dégagement-jambes arrière: 914 mm
Dégagement-jambes avant : 1040 mm
Dégagement-tête arrière: 1003 mm
Dégagement-tête avant : 1006 mm
Empattement: 2570 mm
Hauteur: 1600 mm
Largeur: 1801 mm
Longueur: 4140 mm
Poids à vide: 1492 kg
Volume du coffre: 532 L
COULEUR EXTÉRIEURE
Blanc nacré
Bleu électronique
Noir onyx
COULEUR INTÉRIEURE
Gris
SÉCURITÉ
Ancrages et attaches pour sièges d'enfant LA TCH
Assistance de démarrage en côte (RAC)
Assistance en cas de freinage d'urgence (BAS)
Caméra de recul
Ceintures de sécurité avant: rétracteurs de ceintures
Verrous de sécurité empêchant l'ouverture accidentelle des portières arrière
Freins : Disques avant / disques arrière
 79

Freins antiblocages : Antiblocage aux 4 roues

Freins à main: Électrique
Rideaux gonflables au pavillon: Deux coussins gonflables latéraux de types rideau
Répartition électronique de force de freinage (EBD)
Sac gonflable frontal côté conducteur
Sac gonflable avant côté passager
Sacs gonflables latéraux avant
Verrouillage de sécurité pour enfants aux portes arrière
 80

Annexe B - Article publié

Comparative study of vehicle aerodynamic and

rolling resistance coefficients estimation methods
F. Andriuminahy A. Amamou S. Kclouwani
Dcpartmcnt of rncchanical engineering Dcpartmcnt of mcchanical engineering Dcpartmcnt of rncchanical engineering
Hydrogcn Rc scarch (nstilute Hydrogcn Rcscarch InstÎtutc Hydrogen Rescureh Institute
Université du Québec aTrois-Rivières Université du Québec à Trois-Rivières Université du Québ<:c à Trois-Rivières
Trois-Rivières. Canada Trois- Ri vières, Canada Trois-Ri vières, Canada
[email protected] [email protected] [email protected]

N. Zioui A. Ghobadpour K. Agbossou

Depar1mcnt of rncchunical engineering lI ydrogcn Rcsean.:h (" stit Ult Hydrogen Rescurch Institute
Université du Québec à Trois- Rivières Uni versité du Québec à Trois- Rivières Université du Québec à Trois-Rivières
Trois-Ri vieres, Canuda Trois- Ri vières, Canada Trois-Ri vières. Canada
[email protected] [email protected] [email protected]

Abstrncl- The new strin gen t standards laid dow n for resulting in a better fuel economy. Therefore, the fuel
rf'ducing poUutiOD and greenhou.5t ga eDl15S10nS iD eonsumption of the vehicle and the re lea e of C0 2 in the
.r-.. nspo.otation !!cctor compd the ve hiclc mnnufacturcn to use almOsphere signi fieantly depends on lhe resistanee forces of
difftrent ttchoologies to dee,nrbonize tbe v('hicles and reduce the vchicle [9]. The drivi ng resistanee comp rises rolling
th cir cnergy consu mptiun. Powcrtruin contro l n pt imiz.~t i on , resistanee, air drag and mass. Aerodyoamic drag arises fro m
cspcdnlly bnscd o n instantancou nccura le information, bas nn the action of air in the opposite direction to the mo tion of lhe
impurta nt rult.' in imprO\'ing th e rud ecunumy uf "chide.
vehicle [ 10]. It is the mai n source of res istanee and
Howcvcr, its successful implcmcnhltion requins an occunte
proportional to the square of the vehiele ' s specd. At highway
pl.trnm e t~r estiml.tio n method. T he m:lÎn pu rpose orthis :.rticle
condi tions, over 50% of the power ofa car is uscd to overcome
is to propose an Recura te adaptive method for esti mariog tbe
ai r drag. For instance, when the specd of the ve hicle is 50
rolUng resÏ5tance .and auody namic drô.g, which are h vu
important cacton in powertraÎD op timization of a vebic1e. ln tbis km/h, the aerodynamic drag represents less than 50% of the
rt'gard, two onlin!' adaptive metbods, namety l'ecursive l e~ut total resistance while it inereases to more lhan 80% at 130
squares (RLS) and Kalman flller (KF), are formul. lecl for the km/h. Vehicle control systems req ui re lateral and longitudinal
parnmtttrs estimation of tht powtru'ain by UJing th!' conditions (vcloc ities and forces) to control wheel spin,
cxperimc ntal data from a rcal drivi ng cycle 1tnd thelr vehicle yaw raIeS, and lateral slip angles. Amo ng these states,
perfol'mnncts are compn red with an offiine tl'nined al'tifidal the estimation of longi tudinal states makes a major
neural nctwork., (A N1\'). T he cx~ri mc nt al and si mulation contribution to vehic1e stability and traction control [I I J,[ 12].
results show that KF iJ more lICCuflite tb'ID RLS in terms of
prcdicting th e nmd l'ulHnl( rcsistuncc and :lcrodynllmic dnl~
Accurdte real-ti me estimation of veh icle loads, such as
and il performance is very Deôtl' to the developed AN , vehicle mass and paveme nt conditions, aerodynamic drag and
rolling reSiSlanCe, can impro ve safety, effieieney and
Kt!)I,..'ortls- Aerody"amic forc~, ollli,,~ ~.\timatio", mlling perfo rmance [ 13]. The aerodynamie drag estimate has not
rl!sisfan ce, recllrsive itlentification, "Id .icle (Iylltlmie mot/el. been fu lly explored yet in the literature and req uires extens ive
investigations. Somc tesls have becn carri ed ouI in \Vi nd
1. INTROlJuc.-nO, tunne ls to si mul ate the rond conditions for aerodynamie drag
ealculation. Since aerodynamics has become essent ial in
The energy eonsum ption of eonventiona l vehie les depends
aut omotive des ign, the main development tool is the large-
on several paramcters, sueh as vehiele ' s weight, engine
seale wind tunnel. Unfortuna lcly, for a realistie simulation of
emeieney, and dyna mie parameters like rollin)l res istanee and
road conditions. the conventional large-scale wind tunne ls
r
ve hiele aerodyna mi e dral( Il and the ~ l ob.1 fuel savinl( in
have some limitations [1 4]. The ground is fixed relali ve to the
slich systems is thoroughly related to the power flow control
ve hicle, which allows a boundary layer to develop and the
between each eoergy source and the powertrain L2J,[3] . Online
estima tion of vehicle parameters has been an acti ve area of wheels of the development mule not to rotate [1 5]. ln addition,
researeh in rceent dee.des [4]. Duc to the diO"erencc in the size the aerodynamie data obtai ned From di fTerent wi nd tunnels
show a signi fieant degree of di . persion. Not onl y there arc
o fule vehieles, the form of the bodywork and the number of
wheel .xles, the rolling resistanee and air resistance vailles variations in the absolute dmg and the rolling res istance
values, but ulere is also a dispersion due to Ihe change of
vary From one vehicle to another [5]. However, lhese fac tors
config umtion [1 6]. In this regard, an independent and
are normally a sumed the same in the literatu re rega rdless o f
inexpensive method for identifying di lIerences in
tbe vehicle configuration. The ro lling resis~1nce eoem cient
aerodynamic dmg res ulting from various configurations
may vary depending on lhc Iype of li re and the road surface
should be devcloped. Online estimaIio n of vehiele para meters
[6],[7] ,[8]. Moreover, veh icle mass and ae rodynamie drag
has becn an acti ve area of research in recent years
coefficient can signi fi eantly change when a tra iler or anolher
[11 ], [1 7],[ 18]. The model-based approach (using lhe
un powered vehiele is attac hcd to the car. Therefore, onli ne
longitud inal dynamie model of the vehicle and the CA bus
parameler eslimation is necessary in the formulation of
signais) is the preferrcd method for estimating parameters duc
powcrtrain control in commercial vchiclcs si ncc il rcduccs the
initial ca libra tion cO"ort. Furthermo re, it helps tlle powertrain to the minima l additional sensors req uirements. The
estimaI ion o f the.e parameters has been the center of
controll er to quick ly adapt to di ffe rent ve hicle configurat ions,
attenti ons as they remarkably eOlltribute to fuel consumption

978-1-728I-0962-6/ 19/S3 1.00 C>2019lEEE

Authorized lioensed use limited to: Universite du Q uebec a Trois-Rivieres . Oownloaded on September 30 ,20 20 al 14:17:48 urc rrom IEEE Xpklre . Restrictions apply.
 81

[19J . The obtained infonnalion from sensors, sueh as OPS, 1) RLS

aceeleromeler. and baromeler, is usuaUy noisy. Model-based RLS is an adaptive tilter that reeursively estimates certain
tillcrs arc onen eombined wilh sensor mcasurcmcnls 10 paramelcrs for minimizing a weighted linear least squares eost
improve Ihe aeeuraey of the eSlimale. function. This eosl function is associaled with lhe input
signais. RLS gives quality performance when operaling in
ln this work, Ihe aerndyna mie and friction eoeffieienls are
time-varying conditions [20] .
estimaled simuhaneously by using Ihe experimemal dala
aequired from a vehiele over seveml route conditions. To do ln this approach. unknown parJmeter veetor is updated
so, three methods are employed for the aerodynamie and ileratively at each lime step by using the previous input and
fri ction coefficients estimation. The tirst and the second oUlput measured data. The RLS algorithm can be fonnulaled
melhods arc adaptive, based on the longitudinal model using as foUows :
reeursive least squares (RLS) and Kalman tilter (KF) melhods
while the third one uses arlitieial neural networks (ANN).
The rest of the doeument is organized as follows. The
utilizcd methods for eSlimating the parameters arc diseussed
in section il. The experimental proeedure is detailed in seetioll
III. Section IV presems the obtained results of this work.
Finally, lhe conclusion is given in section V.
Where y is the outpul signal, <f> is the input vector, and a is
II. ESTIMATION METIlODS
the unknown parameler veetor.
A. Vehicle longitudinal dynamic muc/el
2) Kalman Filler
Fig. 1 represents the resistive forces acting on the KF is perceived as an optimal estimator, whieh works in a
longitudinal dynamies of a vehicle. These forces arc two-step proeess to estimate the paramelers of interes!. This
eomposed of vehicle traction force (F.), vehicle resistanee mler fo rst eSlimates the CUffent state variables and then
forces, ineluding the rolling resistance (Fr.u) and aerodynamic updates lhem upon lhe receipt of the next measurement [2 1J.
dmg (F..... ), grading resistanee (Fgr• d .) , and aeeeleralion force The structure orthe utilized KF in this work is as follows :
(Fa «). The dynamie equation of vehicle motion along the
longitudinal direction to overcome ofthese forces is expressed x(k) = F x(k - 1) + w(k - 1)
by( I): y(k) ; H(k) x(k) + v(k)
y; 17 - M.I: -Mgsln61 (3)

{
Fx = Frou + Fa.ra + FRrad • + Face
r;"; MgltCosll + i pA C..... (V)2 + Mgsln6+ Mil (1) 1 H ; lipA(v)2 Mgcos 61
x = lCaero ~lf

Where v(k) is the measurement noise, k is the time step, f

is the transition matrix, and w(k) is the process noise.
Wherc T is lhe engine lorque, w is lhe engine speed, '1 is
the overall driveline effieieney, v is the vehicle speed, M is the The idenlification algorithms (KF and RLS) extmets the
vehicle mass, x is the distance, x is the aeceleration, g is the aerodynamie dmg and the rolling resistance coefficients of the
ve hicle longitudinal dynamie model as lhey reeeive the
gravitational acceleration, a is the road grade, ~ is the rolling
mcasured dala regarding lhe engine torque and specd of lhe
resislanee eoefficienl, C•• ro is the drag coefficienl, p is the
ve hicle.
density of air, and A is the front surface of lhe vehiele.
3) Neural neMark-hased melhad
The ANN-bascd model is utilized to coneurrcntly estimate
the aerodynamie and roliing resishmce coefficiellls. The ANN
model is eomposed of two inputs (engine torque and speed
values), two outputs (aerodynamie drag and rolling resislance
coefficients) and tive layers ofinlerconnccled neurons. In Ihis
work, a set of experimental dala are arranged in arrays lO
providcd the ANN wilh lhe required input and OUlput data for
the train ing slep. Once the lraining slep is complete, û,e ANN
is used to estimate the vehicle acrodynamic dmg and rolling
Fig. 1. The resist ive forces influeneing the longitudinal resistance eoefficiellls for two diJTerent palhs. Il shou ld be
dynamics of the vehicle noted Ihal 70% of the rncasurcd data is utilized in the lmining
stage, 15% of the data is used for the validation and the rest is
employed for testing the tmined ANN.
B. Propused eslimalion melhod
III. EXPERIMENTAL PROCED URE
For the purpose of this slUd y, three model-based
approaches are used for the estin13tion of the aerodynamie and A. Valida/ioll sellip
rolling resistance coefficients and olhcr unkno,," parametcrs
1) Veltic/e parame/ers
affeeting the vehicle's longitudinal motion. The three methuds
Experimenlal data arc acq uired Ihrough using the Can-
are discussed in delails in the following sections.
Bus-OBD module and OBDWiz software from real world
driving teslS. Fig. 2 shows the lesting vehicle (Dodge Caliber

Authorized licensed use limilad to: UnIversite du Quebec a Tro is-Rivieres. Oownloaded on Seplember 30.2020 at 14:17'48 UTC from IEEE Xplore Restnctions apply.
 82

2012) and measurement tools. The main paramelers of the

vehicle are lisled in Table 1 according to manufacturer Fig. 4 shows the vehic le speed and the engine torque
catalog. values during the real world long distance tests.
Firstly, the real world driving pararneters, such as engine (a)
torque and speed, are measured. Tben, the coUected data are
employed to estimatc the aerodynamic drag and roUing 15 0 r--------------------------,
rcsistance coefficients by using the thrce prcviously dcseribcd
estimation melhods. Finally. the estimation methods are
validatcd by pcrforming a series of simulations.
1 ' 00

1
'"
1000 2000 3000 4000 5000
Timo (s)
(b)
100
(a) (b)
KO
Fig. 2. al The tesling vebicle and bl Can-Bus-OBD
ê
~ 60
T ABLE 1. PARAMHERSOFTH E TESTING VEHICLE [22]. "~ 40
Panlmetu uni. Value ~ 20
Wld.h mm 1 747
H<!ah.

C
.,. .. mm
k'
1533
1547
0.375
O ~----------------------~
o 1000 2000
Time(s)
3000 4000 5000

~ ln "Dllalt O.OIR Fig. 4 . The long distance measurcd data profile (a)
Tire size P205170RI5 vehiele specd and (b) engine torque.
p kg/m' 1.200
These measured engine torque and vehicle speed values
2) Experimental tests analyses arc applied to the vchicle model to estimate rolling resistance
Fig. 3 presents the vehicle speed and engine torque values and aerodynamic drag coefficients by using the tbree proposed
during the real world shon distance test. methods.
(a) To test the robustness, each method has bccn applicd using
60 -------------------------, several reallife driving cycles for the long and shon distances
including the highway and urban driving context.
B. Experimental rest/lts
~40 Fig. 5 represents the simulation results obtained from the
~ sbon distance test. As it cao he seen in this figure, the
1l cstimatcd coefficients by difTcrcnt approaches are converging
ÎL20
en to the real values of the acrodynamie drag coefficient (Cu.... =
0.375) [22] and the roUing resistance coefficient for an asphall
road (II = 0.018). The value of ~I is assurned to bc the truc
50 100 ISO 200 250 measured value of the tire rol li ng resistance coefficient on the
Time (s) asphalt). These results iIIustrate thatthe cstimated coefficients
(b) by aU the methods are almost within the same range. However,
100
the estimated values by KF and ANN are more accurale than
RLS.
RO

~ 60
~
~

2- 40
~
20

o ~
o 50 100 150 200 250
Timc (s)
Fig. 3. The shon distance measurcd data profile (a) vehicle
speed and (b) engine torque. Time (s)

Authorized licensed use limited to: Universite du Quebec 8 Trots-Rivieres. Downloaded on September 30,2020 at 14:17:48 ure fr~ IEEE Xplore. Restrictions aPP'Y.
 83

(b) TAULe II. ERROR RAT[ AND MEAN Of ESTIMM1!O VAllJ[S DURINO
SHORT OIST A~CE T~"S
ë
~ 0.0181 1 ~
E 1 - Reference ( ·~mdent.ll Aerody .... mlc drllg RuUine rl.~lsbtnc~

~0018051 A~N Mdhod'4 ANN RLS KF ANN RLS KF

o 1" -- RLS
1la 0018 r!(' -- -KF- - - RMSE 0.0065 0.0246 0.0341 1.8310<; 0.0011 0.0011
•.l.~~~. __.__. _
~ ... ~ ..' '.; \, ." .. -._ .....- .... _..... _.,. - ; .. A\'enls,:e
0.3750 03745 03753 0.0180 0.0179 O.ot81
value
~ 0.01795 j
.5 i
~ 0.0179 J
~ 0 100 50150 200 250 TARLF III . ERROR RATF. AND MEAN OF F.STIMATEU VA U JF.S n URING
LONG DISTANCE TESTS
Time (5)
Fig. 5. Estimated coefficients during th e short distance test, CnefTidentli Aerodym.mlc:: drll~ Rollin~ rnl~-t.nc e
a) aerodynamic drag and b) rolling resistance.
M ethod~ ANN RLS KF ANN RlS KF
Fig. 6 shows the estimated va lues ofaerodynamic drag and RMSt: 73011J.1! 0.018 0.0076 1.9310<; 0.0013 25610<;
rolling resistance coefficients for the long distance lest. Anrftie
0.3750 0.3758 0.3752 0.0180 0.Ot80 0.0180
Accordi ng to this figure, the estimated coefficients of this test values
by Ihe Ibree method5 are more accurate than the short test. Il
implies lhat during the long distance test, est ima tion errors are
decreased. Furthermore, these results indicate that the
I V. DtSCUSS10NS
estimation of rolling resislance coefficient is more accurate
than the aerodynamic drag coefficient. This might be due 10 ln this article, tbrce methods fo r estima ling the
the variatio n of unknown factors such as wind during the aerodynamic drag and rolling rcsistance coefficients arc
joumey. Table 2 and 3 compare the obtained error rate and compared under two tests. ln the firstlest (short distance test),
mean va lues by different estimation methods. the cstimatcd acrodynamic drag coefficient by RLS is highcr
than the aClUal value while the ro lling resistance coefficient is
(a) lower than the actual value. In addition, it can be observed that
the results obtained by RLS have more fluctuaùons compared
.~
E
0.376 1
- Rcrcn.~cc
ANN
to th e KF snd ANN kecping in mind that KF shows more
estimation precision than RLS. Regarding the second test
-'- RLS

~om51
-- KF (long distance test), it is c lear that the RLS pcrfomlance has
cxperienccd sorne impro vements comparcd to the short test.

~E 1
_<1"
The results of the performed sim ulation show that the
1
parameters vary wi th time but nOl significant ly according to
~ 0.375 \"-~---'~---------- the tbree methods on each driving cycle. By linearizing the
~ iden ti fication modcl, th c evaluated mcthods can reasonably
.;: converge loward their nominal va lues. The accuracy of the
1000 2000 3000 4000 5000
Timc(s)
RLS and KF est imations is strongly dependcnt on the torque
va lues. However, the accuracy of the ANN high ly dcpends on
the vehiele spccd and thc cngine torque. Since the
(b)
measuremeOlS of these values are always prone to the
0 .01 8 1 oecurrence of error, they have a signi fi cant efTect on the
- Refe rence
ANN estimation results. The comparison of the results between RLS
ï1
~ O . ()I ~ 05 --Kr
It l..S and KF methods shows that the KF quality of estimations is
better than RLS. Moreover, the convergence oflhe KF method
~ is fas ter than the RLS. Regarding the error mte, the ANN
j U.UIX 1---=-,..,- ""..-------- shows a lower va lue than the other two methods, followed by
.~ ~'i" KF .

"" 0 .01795
.ê ln brief, the accuracy of the estimation depends on the
~ measuring instruments and the configuration of the methods.
ln addition. RLS and KF methods are more suitable fo r real·
0 .01 19 time monitoring than neural nctwork s ince they can easily
o 1000 2000 3000 4000 5000
Timc( O\) adapt to the d rills owing the variation of the conditions.
Fig. 6. Estimatcd coefficients during long distance test. al
aerodynamic drag and bl ro lling resistance .

Authorfzed Ncensed use limited 10: Universite du Quebee a Trois-Rivieres Oownloaded on September 30 ,2020 at 14'17:48 ure from IEEE Xpk>re Restrictions appfy_
 84

V . CONCLUS ION [II J A. Vuhidi. A. Stelhnopoulou. and II. Peng. "Recursive ICOlSt squares
with forgctting for online estimation of vehicle mass and rood grade:
ln tbis work, tbree methods, namely RLS, KF, and ANN, theory and cxperiments," Vellicle System Dynomics, vol. 43, pp. 31 -5 5,
are uscd 10 simullancously esti ma te the aerodynamic drag and 2005.
rolling resistance coefficients under normal conditions. RLS r121 Vincent Winslead et llyn V. KolmaJ1o\'S.ky, "Estimation ofRood Grode
and KF conduct lhe eslim.1lion based on Ihe longiludinal and Vehielc Mas! vin Model Prcdieti\'c Control," Proceedings of the
1005 IEEE Conference on Control Applica/ÎOIu," Toronto, Canada,
model oflhe vehicle while ANN is independenl Of lhis mode!.
AugnSl 28-3 1,2005
The eSlimalion results of lhe melhods arc compared wilh
[13] Kidambi , N., Hume, R.• rujii, Y., l'ictron, G. ct n!., "Methods in
respect to the attained precision, convergence speed, and error Vchiele Mas.'\ and Kood Grade E.'\timation", SAE Inl. J. Pa.uerrg. Û lrs ,
rate. The final oulcomes of Ihis paper ind ic'Ie lhal the cn2014
cstimated values of the aerodynamic drag and ro lling [ 14] A. VahKli, M, Dnv.hiniro, A. StcranOJ)Oulou, and P. Huci,
resistance coefficients by these mcthods arc similar to those of "Simultancous mass and lime-v3rying grade estimation for hcavyduty
lhe nominal values. ln fact, the results of the tbree methods vehides." ;" Amer"-'on Control Conferenœ. 2003. Procccdings or the
show an acceptable error. However, KF, as an online 2003, , pp. 4951-4956 vol.6, 2003
[151 Ko~t , H., White, R., and Metz, L ," Road Eva luation of the
estimutor, has been more accu raIe and pcrformed more
Acrodynamic Charnctcristics of Hca vy Trucks", jOllnlt.rl SAE
approprialely under the normal road conditions. Tech"ica/, 2007
Usually, manufaclure gives these values for the nonnal [l6J K. Zarringh.lam, A. KClllci,n. W. Mclck, Il. Khajcpoor, S.-k. Chen,
opcraling condilion (no snow, no ice, sunny days, ClC.). The and N. Moshchuk, "A comparntivc study on identification or vchide
Înct1ial parameLcrs," in 10 / 1 American Conlml Conjf!f'f:llt'f! (ACC), •
proposed melhods can allow 10 eSlnTh1le these parameler under pp. 3599·3604: IEEE, 2012
difTcrenle opcraling including win ter conditions. (17] H. K. Fathy, D. Kang, and J. L Stein. "Onli ne vmide mass estimation
ln add ition, for eleclrieal vchic1e, those methods could bc sing recursive lcast squares and supcrvisory data extraction ," in 2008
AmerÎc:an collirol Cf.Hrjeren,'e, 2008, pp, 1842- 1848: lEEE.
applied to esti mate energy usage and also to predict the
[l8J R. R.jamani, G. Phanomchoeng, D. Piyabongkam, ,nd J. Y. l.ew,
required energy to rcach a des tination. ..Aigorilhrns for Real-Time Estimation of Individual \Vheel Tire- Rond
Friction Coeflicients." MechlltfOnicJ, IEEE/ASME Transllctio"s 0 11,
voL 17, pp. 11 83-1195,2012.
ACKNOWU, DG EMENTS [l9J R. Zarringhalam, A. Rezaei.n. W. Melek. A. Khajepour, S.-k. Chen.
and N. Moshchuk, liA compar.uive study on identification of vebic1e
This work was supported in part FRQNT (Fonds dc incrtial pammctcrs," in 1011 American COlltrol Confere"ce (ACCJ, ,
Recherche du Québec - Nature et technologies) in part by the pp. 3599-3604: IEEE, 20 12
Natural Science and Engineering Roseareh Counc il of r20] O. Trigui, Y. Dubc, S. KclouwanÎ. and K.. Agbossou, "Comparative
Canada. Est imation of Elcctrk: Vchicle Rolling Resistance Cœfficicnt in
WinKT Conditions," in 10/6 IEBI:: Yehit:le Power and P,.o/JlIl,viol1
C{J"Je/'f!"'~ (VPPC) , , pp. 1-6: IbEE, 2016
(21) M. K.andidayeni. A. Macias. A. Amamou, L Boulon. S. Kelouwani.
R EFERENCES and Il. Chaoui, "Ovcrview and bendurusrk. anaIysis of fuel cell
paramctCf'S estimation ror cncrgy management purposcs." Journal of
[ 1} F.. National Academies of Sciences and Medicine. Hel'iew of/he 11.~·1 pmt'ttr s(wrce~·. vol. 380, pp. 92-104. 20 18,
Cenlllly Tnu'/i PClrI"erxltip: n,ira N(1)Ort . National ACl1dcmics Press, [221 Dodge C. liber 2012. FlCffE TECHNIQUE POUR LE CANADA, 2012
20 t5 .
[2J K. Maalcj, S. Kclouwani, K. Agbossou, Y. Dubé, .nd N.flcn.o, "l.ong-
Irip optimal energy planning with online mass estimation for bauery
c lcclric vchiclcs." )o"nlOl o/Po .....erSollrces, vol. 64, no. Il . pp. 4929-
4941 , 2015.[I-5J
[3J K. Ma.lej. S. KelouW'Jni, K. Agbossou .• nd Y. Dubé, "Enhanced fuel
cell hybrid clettric vehicle power sharing method based on fuel cost
and mass cstimation." Jounloi nf Power Smm:c\', vol. 24R, pp. 668-
678, 2014.
[41 D, Zhang. A. (vanco, and Z, Fitipi. "Modd-Based Estimat ion of
Vehicle Acrodynamie Drag and Rolling Resistance," SAE
IntenultioIJal Jollnwl of CQmmen:i,,1 Yehicles, vol , 8. no, 2015.01-
2776, pp. 433-439, 2015.
r51 K. Andcrsson, "Online estimation ofmlling rcsist3ncc and air drag for
hcavy dnly vchiclcs," cd, 2012.
[6J H. Taghal'ijùr, A. Marc/lmi. H. KarÎm Maslak. Ulrd H. Ka/blchanl .
..Anificial Neural Nctwork estimalion of wheel rolling resistance in
c1,y lcam soi!.· Applied Soft Compl/ril/g. \'0/. 13. pp. 3544-355/. 8//
20/3.
Pl K. B. Singh and S. Tahcri, "Estimalion of tire rond friction cocflicicnt
and its upplicution in chassis control systems." Systemç Science &
Co"trol Engineering. vol. 3, pp. 39--61, 2015.
[8] J. Matmko, l. l'etrO\;é . and N. l'crié, "Neural nctwork bascd tire/rond
friction force estimation," Engi"eerilW Applicationv of ArlifidlJ
Intelligence. vol. 2 1, pp. 442 456, 4//2008.
[9J 1. Gibbs. II. Lohs-Busch, R. CBrlsoll. "The Mca5Ul'Cd Impact ofVebic1e
Mas!' on Road Load Forces and F.ncrgyConsumption for 3 BEV. HEV,
and ICF. Vchicl(!", SAF. IIIJenra/ÏfJlwl Jounral (if Ahemul;W!
PO"l!rlm;R\·.2013
[101 Shu-Qing Ynng" Donghoug Ding. "Dr:lg Rcducing Fto"~ in l.:uninar-
Turbulent Tr,msition Region", JUlInllI/ of FlllitL'i E,r,:i"eerinx. 2014

Authorized licensed use limited to: Universite du Quebec a Trois-Rivieres. Downloaded on Seplember 30,2020 al 14:17:48 UTC trom IEEE Xplore . Restrictions apply.
 85

Annexe C - Utilisation du OBD Link et Torque Pro

(a) (b)

Figure 26: a) module OBD Link MX, b) logiciel Torque Pro

Étape d'installation:

1. Télécharger et installer Torque Pro sur un appareil Android

2. Télécharger les PIDS pour le KIA Soul Ev dans :

https://github.com/JejuSoul/OBD-PIDs-for-HKMC-EVs

3. Après avoir téléchargé les fichiers, transférer sur l'appareil Android dans le

répertoire de Torque situé généralement dans: /sdcard/.torque/extendedpids/.

Pour ajouter les PIDs dont on aura besoin comme suit:

4. Aller dans « Settings » puis sélectionner « Manage extra PIDs/Sensors »

5. Cliquer sur l'icône avec les 3 points en haut à droite après sur « Add predefined

set ». On peut voir alors la liste des fichiers ajoutés précédemment.

6. Cliquer sur un fichier et répéter l'opération pour ajouter tous les fichiers voulus.

Étape d'utilisation:
 86

l. Cliquer sur « Real time information»

2. Aller dans Setting ou menu

3. Cliquer sur « Démarrer Log» pour commencer à enregistrer les données

4. Cliquer sur « Arrêter Log» pour arrêter l'enregistrement les données