Machine Translated by Google

614 TRANSACTIONS IEEE SUR L'ÉLECTRONIQUE INDUSTRIELLE, VOL. 53, NON. 2 AVRIL 2006

Système de gestion de l'énergie pour un véhicule électrique hybride

Véhicule, utilisant des ultracondensateurs et des réseaux de neurones
Jorge Moreno, membre, IEEE, Micah E. Ortúzar, membre, IEEE, et Juan W. Dixon, membre senior, IEEE

Résumé — Un système de gestion d'énergie très efficace pour les

véhicules électriques hybrides (HEV), utilisant des réseaux de neurones (NN),
a été développé et testé. Le système minimise les besoins énergétiques du
véhicule et peut fonctionner avec différentes sources d'énergie primaires
telles que des piles à combustible, des microturbines, des batteries zinc­air
ou d'autres alimentations ayant une faible capacité à récupérer l'énergie d'un
freinage par récupération, ou avec une faible capacité de récupération
d'énergie. capacité de puissance pour une accélération rapide. Le HEV
expérimental utilise des batteries au plomb, un banc d'ultracondensateurs
(UCAP) et un moteur à courant continu sans balais d'une puissance nominale
de 32 kW et d'une puissance de crête de 53 kW. Le système de contrôle du
processeur de signal numérique (DSP) mesure et stocke les paramètres
suivants : tension de la source primaire, vitesse de la voiture, courants
instantanés dans les deux bornes (source primaire et UCAP) et tension réelle
de l'UCAP. Lorsque les UCAP ont été installés sur le véhicule, l'augmentation
de l'autonomie était d'environ 5,3 % lors des tests en ville. Cependant, lorsque
le contrôle optimal avec NN a été utilisé, ce chiffre est passé à 8,9 %. La
voiture utilisée pour cette expérience est un camion de véhicule utilitaire léger
(LUV) Chevrolet, de forme et de taille similaires à la Chevrolet S­10, qui a été Fig. 1. Circuit d'alimentation d'un véhicule hybride de série typique.

convertie en véhicule électrique (VE) à l'Université catholique du Chili. De

d'un véhicule hybride générique, souvent utilisé dans les véhicules fonctionnant avec
nombreux tests expérimentaux dans différentes conditions sont comparés et discutés.
Termes de l'index : gestion de l'énergie, stockage d'énergie, réseaux de
neurones (NN), véhicules.
INTRODUCTION
les véhicules ont amélioré leurs performances et sont devenus
ÉLECTRIQUE
adaptés à un usage commercial et domestique au cours des dernières
décennies. Néanmoins, les véhicules purement électriques (VE) n’ont toujours pas
atteint une autonomie aussi bonne que les véhicules conventionnels alimentés au
gaz. Ce problème, dû à la faible densité énergétique et à l'énergie spécifique contenue
dans la plupart des batteries électriques par rapport à celle de l'essence, est résolu
dans les véhicules hybrides en combinant la haute densité énergétique du gaz ou de
l'hydrogène avec le haut rendement des systèmes de propulsion électrique [1 ].
Pourtant, contrairement aux batteries, les systèmes de stockage d’énergie à base
de gaz ou d’hydrogène ne sont pas en mesure d’accepter l’énergie du freinage par
récupération. Pour cette raison, ces véhicules peuvent utiliser un système d'énergie
auxiliaire (AES) capable de recevoir de la régénération et de fournir de l'énergie
pendant les périodes de pointe. Cela permet d'utiliser des systèmes énergétiques
(turbines à gaz, piles à combustible, etc.) avec des puissances inférieures, proches
de la consommation électrique moyenne, et permet en même temps d'améliorer
l'efficacité globale du véhicule [2]. Deux topologies peuvent être distinguées
concernant la connexion AES : les connexions parallèles et série. La figure 1 montre
une connexion en série
Manuscrit reçu le 3 juin 2004 ; révisé le 9 novembre 2004. Résumé publié sur Internet le
25 janvier 2006. Ce travail a été soutenu par Conicyt dans le cadre du projet Fondecyt 1020982.
Les auteurs travaillent au Département de génie électrique de la Pontificia Universidad
Católica de Chile, Santiago, Chili (e­mail : jmorenod@puc.cl ; mortuzar@gmail.com ;
jdixon@ing.puc.cl).
Identificateur d'objet numérique 10.1109/TIE.2006.870880
des piles à combustible, des microturbines, des moteurs à combustion interne ou une
sorte de batterie avec une faible puissance spécifique.
L'AES illustré sur la figure 1 doit être un dispositif de puissance hautement
spécifique, tel qu'un ultracondensateur (UCAP), un volant d'inertie ou même une
bonne batterie. Dans ce cas, l'UCAP apparaît comme la source d'énergie la plus
appropriée car à 95 % d'efficacité, la puissance spécifique s'élève à 1 kW/kg [3].
Pour un HEV, dans lequel les batteries sont utilisées comme « source principale »
et les UCAP comme « source auxiliaire », les batteries pourraient être utilisées avec
une plage de fonctionnement étendue avec le même état de charge (SOC) [4], [5] .
Cependant, il est essentiel de développer un système de gestion de l’énergie pour
contrôler le flux d’énergie entre les deux sources. Dans des travaux antérieurs, une
approche basée sur le contrôle SOC de la source auxiliaire a été mise en œuvre [5],
[6]. Néanmoins, ces travaux n’ont pris en compte aucune considération d’optimisation
de l’efficacité dans l’utilisation des deux sources.
Dans cet article, une stratégie de contrôle optimal, également basée sur le contrôle
SOC de la source auxiliaire, a été développée et testée avec succès. La stratégie
repose désormais sur l’entraînement d’un réseau de neurones (NN) utilisant les
résultats obtenus à partir de simulations de différents cycles de conduite. Un
processeur de signal numérique (DSP)
(TMS320F241) a été utilisé pour la mise en œuvre en temps réel. Enfin, les résultats
optimisés ont été comparés à ceux obtenus avec la stratégie de contrôle classique
proposée dans un travail précédent [6].
Le véhicule utilisé dans les tests de conduite est un camion Chevrolet « véhicule
utilitaire léger (LUV) » (similaire en poids et en forme au Chevrolet S­10) avec un
moteur de traction à courant continu sans balais (puissance nominale de 32 et 53 kW
de puissance de pointe). Le principal dispositif de stockage d'énergie est constitué
d'un pack de 26 batteries au plomb connectées en série (environ 356 Vcc lorsqu'elles
sont complètement chargées) et de l'AES mis en œuvre avec un convertisseur
abaisseur­élévateur et un

0278­0046/20,00 $ © 2006 IEEE

Machine Translated by Google
MORENO et al. : SYSTÈME DE GESTION DE L'ÉNERGIE POUR UN HEV, UTILISANT DES ULTRACONDENSATEURS ET DES RÉSEAUX NEURONAUX
Fig. 2. Circuit de puissance résultant dans le EV.
Fig. 3. Schéma du système de contrôle.
Banque UCAP de 20 Farads, avec une tension nominale de 300 Vdc et un
courant nominal de 200 Adc.
II. CONTRÔLE DE CHARGE UCAPS
La figure 2 montre le système énergétique mis en œuvre dans le véhicule
électrique, avec la source principale composée des batteries au plomb déjà
mentionnées, et la source auxiliaire mise en œuvre avec le convertisseur
abaisseur­boost et la banque UCAP. Le convertisseur abaisseur­boost permet
le flux d'énergie des UCAP vers les batteries ou vers le moteur de traction
dans les deux sens.
Lors du freinage récupératif, les UCAP stockent de l'énergie et lors de
l'accélération, ils fournissent de l'énergie au véhicule.
Cependant, le système de contrôle doit prévoir certaines conditions de
conduite pour pouvoir minimiser la consommation d'énergie. Certaines
variables nécessaires à ce processus sont la vitesse du véhicule, le courant
de charge et la charge des UCAP, qui est donnée par la tension du
condensateur via
1
= 2
CV2
Érem
uc uc
où Erem est l'énergie stockée restante dans la banque UCAP, C la capacité
uc
de l'UCAP et Vuc la tension de ses bornes.
Considérant les batteries comme un élément passif, le courant qui les traverse
est contrôlé en surveillant le courant de charge et en gérant le courant aux
bornes du convertisseur abaisseur­élévateur. D'autre part, la charge UCAP
est contrôlée par une deuxième boucle de contrôle de courant. De plus, un
module spécial est ajouté pour contrôler les limites de courant des batteries.
Le schéma est présenté sur la figure 3.
615
La stratégie de contrôle susmentionnée a été implémentée dans le DSP
TMS320F241 avec un système de surveillance, qui permet la communication
en temps réel avec un PC. La figure 4 montre un fragment du courant du
système et de la vitesse du véhicule pendant un cycle de conduite. Il est
intéressant de voir que le courant des batteries a été limité à +30 et −3 Adc
pour l'accélération et la décélération, respectivement.
Plusieurs tests de conduite sur une boucle urbaine de 14,2 km ont été
réalisés dans trois conditions :
1) sans régénération ; 2) avec
régénération mais sans UCAP ; et 3) avec régénération
et UCAP.
Dans le premier cas (sans régénération), le véhicule peut parcourir 2,61 km
avec 1 kWh d'énergie. Dans le deuxième cas, en ajoutant la capacité de
freinage par récupération des batteries au plomb du prototype, le véhicule
augmente son efficacité à 3,09 km/kWh, ce qui signifie une augmentation de
l'efficacité de 18,2 %.
Désormais, lorsque le système Buck­Boost et UCAP est connecté, l'efficacité
augmente à 24,4 % (3,25 km/kWh). La connexion du système UCAP réduit
également considérablement la puissance maximale délivrée par la source
principale pendant les périodes transitoires (batteries au plomb dans ce cas).
Elle passe de plus de 54 kW à seulement 10,7 kW.
Les résultats précédents sont tout à fait satisfaisants. Néanmoins, il est
possible de constater que la stratégie de contrôle a été conçue sur la base de
la connaissance heuristique du système et ne représente pas la stratégie
optimale. Ce travail présente la conception d'une nouvelle stratégie, dans
laquelle de nouvelles considérations d'efficacité dans le fonctionnement du
système sont prises en compte.
Machine Translated by Google

616 TRANSACTIONS IEEE SUR L'ÉLECTRONIQUE INDUSTRIELLE, VOL. 53, NON. 2 AVRIL 2006

Fig. 4. Fragment d'essai de conduite des courants et de la vitesse.

III. MODÈLE DE CONVERTISSEUR BUCK­BOOST fonctionner), ce paramètre peut également être considéré comme
constant. Avec les UCAP, Maxwell technologies, l'un des plus importants
Le convertisseur Buck­Boost est utilisé pour l'échange d'énergie
fabricants d'UCAP, définit la résistance série équivalente d'un UCAP,
entre le réseau principal et l'AES (Fig. 2). Pour améliorer le
simplement par la loi d'Ohm.
fonctionnement du système, il est nécessaire de développer un modèle,
D'autre part, le rapport cyclique « D » peut être évalué pour des
capable de connaître l'efficacité en fonction du courant et de la tension
valeurs données de courant et de tension en (2), indiquées en bas de
des UCAP, ainsi que de la tension de la batterie.
page.
Pour simplifier le modèle, on suppose que la valeur moyenne de la
La relation d'efficacité, pour un courant et une tension spécifiques
tension dans l’inductance L sur une période de temps est
des UCAP, est obtenue en remplaçant (2) par (1). De manière similaire,
approximativement nulle. En faisant l'équivalence de puissance entre
il est possible d'obtenir pour une opération boost les expressions
les deux côtés du convertisseur [7], une relation pour le fonctionnement
suivantes en (3) et (4), trouvées en bas de la page suivante.
abaisseur est obtenue en (1), indiquée en bas de page, où :
Avec ces équations, la carte d'efficacité du convertisseur, pour
D « Duty cycle » de la modulation de largeur d'impulsion (PWM)
chaque mode de fonctionnement, est obtenue. Le cas spécifique du
appliquée au transistor bipolaire à grille isolée (IGBT).
convertisseur boost est illustré à la Fig. 5.
RX Résistance équivalente de la batte (batterie), des UCAP (uc), de
l'inductance (L) ou de la diode (à l'intérieur du convertisseur
abaisseur­boost).
IV. CONTRÔLE OPTIMAL : LE MODÈLE
Tension de la batterie VX (bat), chute de l'IGBT ou tension des
ultracondensateurs (uc). Le but de cet article est de trouver une nouvelle stratégie de contrôle,
Il est important de mentionner que RX n'est pas un nombre fixe en pour un cycle de conduite spécifique du véhicule, capable de minimiser
général, mais ces hypothèses n'affectent pas sérieusement les résultats la décharge des batteries [8]–[10]. Le modèle doit également tenir
obtenus lorsqu'ils sont supposés constants. Rbat est particulièrement compte du fait que les UCAP ne sont qu'une source d'énergie
sensible au SOC, mais principalement aux décharges profondes. temporaire, car à la fin du cycle de conduite, ils doivent rester
Cependant, dans la plage 100 % à 60 % (lorsque les batteries au plomb utilisées
complètement chargés.

D2Rbat + RL + Ruc + (1 − D)Rd Vuc

ηbuck = (1)
[DRL + DRuc + D(1 − D)Rd] Vbat + D2Rbat [DVigbt + Vuc + (1 − D)Vd]

Vbat + Vd − Vigbt + RdIL ± (Vd + Vbat − Vigbt + RdIL)2 − 4RbatIL [Vuc + Vd + (RL + Ruc + Rd)IL]
D1,2 = (2)
2RbatIL
Machine Translated by Google

MORENO et al. : SYSTÈME DE GESTION DE L'ÉNERGIE POUR UN HEV, UTILISANT DES ULTRACONDENSATEURS ET DES RÉSEAUX NEURONAUX 617

Fig. 5. Carte d'efficacité du convertisseur boost.

À partir de la figure 2, la relation Pload = Pbat + PBB est obtenue, Il est nécessaire d'incorporer dans le modèle la restriction
qui peut s’écrire Pbat = Pload − PBB. Étant donné que Érem
uc (N) = Érem uc (0), qui garantit que les UCAP facturent
Les SOC des batteries et des UCAP peuvent être associés à leurs restera le même à la fin du cycle de conduite. Puis le
énergie restante respective Erem chauve souris
et Erem euh ,
et de l'autre L'approche du modèle de contrôle optimal devient
D’une part, ces énergies sont des variables d’état du système, le
les équations qui traitent de la dynamique du système sont N−1

Min J = φ [Erem uc (N)]+ E˙ rem [Icharge(k), IBB(k)] ∙ ∆T

Érem
chauve souris

chauve souris (k + 1) = Érem chauve souris (k)+[PBB(k) − Pload(k)] ∙ ηbat ∙ ∆T k=0

Érem
uc (k + 1) = Érem uc (k) − Puc ∙ ∆T (5) Sujet à
Éremchauve souris (k + 1) = Érem chauve souris (k) − Pcharge(k) ∙ ηbat ∙ ∆T + Iuc(k)
où ∆T est le temps d'échantillonnage entre k et k + 1 et ηbat
× Vuc Erem uc (k), Iuc(k)
est l’efficacité de la conversion d’énergie des batteries.
La variable qui doit être minimisée est la décharge de la batterie, × ηBB [Vuc(k), Iuc(k)] ∙ ηbat ∙ ∆T
Érem (k) − ηuc ∙ Iuc(k)
qui peut être exprimée comme suit : uc (k + 1) = Érem uc

× Vuc [Erem uc (k), Iuc (k)] ∙ ∆T. (6)

N−1

J= E˙ rem [Ibat(k)] ∙ ∆T.

chauve souris

k=0 Définir la variable d'état

D'un autre côté, la puissance buck­boost du côté de la batterie,

x(k)=[Erem chauve souris (k) Érem uc (k)]T .
donné en fonction de la tension et du courant UCAP est

PBB(k) = IBB(k) ∙ Vbat(k) Par simplification, le système moteur­onduleur du véhicule

= Iuc(k) ∙ Vuc(k) ∙ ηBB [Vuc(k), Iuc(k)] sera considérée comme une « boîte noire » dont les besoins en énergie
sont connus pour un cycle de conduite donné, et il n'est alors pas possible
où ηBB[Vuc(k), Iuc(k)] est le convertisseur buck­boost pour influencer la charge Iload actuelle. Comme cela a été mentionné précédemment,
efficacité. le VE dispose d'un système d'acquisition de données qui permet de connaître le

Vd Vbat
Rbat(1 − D)2 1 − (1 − D) − D Vigbt + (1 − D) [Ruc + RL + (1 − D)Rd]
Vuc Vuc Vuc
ηboost = (3)
Ruc + RL + (1 − D)Rd + (1 − D)2Rbat
2
[(Rd + 2Rbat)IL + Vd + Vbat − Vigbt]
Vd + Vbat − Vigbt + (Rd + 2Rbat)IL ±
− 4RbatIL [(Rbat + Rd + RL + Ruc)IL − Vuc + Vd + Vbat]
D1,2 = (4)
2RbatIL
Machine Translated by Google

618 TRANSACTIONS IEEE SUR L'ÉLECTRONIQUE INDUSTRIELLE, VOL. 53, NON. 2 AVRIL 2006

courant de charge dans le cycle de conduite. Alors, la variable E˙ rem chauve souris
volonté Maintenant, les dérivées dans (9) sont définies comme
E˙ rem
dépendent uniquement du courant des UCAP, ce qui signifie chauve souris
[Iuc(k)]. ∂f1 ∂f2 ∂L
k
∂f ∂Erem ∂Erem ∂Lc ∂Erem
= =
chauve souris chauve souris chauve souris

∂f1 ∂f2 ∂L . (14)

V. RÉSOLUTION NUMÉRIQUE POUR UNE CONDITION OPTIMALE ∂x(k) ∂Eremuc ∂Eremuc
∂x(k) ∂Eremuc

Il faut trouver une séquence de contrôle I euh, 0 ≤ k ≤ N et le

Évaluer chacun des termes donnés par (14)
trajectoire x(k), pour trouver la solution à l'ensemble des équations
k 1 2
(7) ∂f ∂f ∂L
x˙(k + 1) = f [x(k), Iuc(k)] x(0) donné. = 1 ∂Erem = 0 ∂Erem =0
(15)
chauve souris chauve souris
∂Erem
chauve souris

Minimiser la fonction de coût suivante

N−1 1
∂f ∂Iuc(k)
E˙ rem = ∙ Vuc [Erem
uc (k), Iuc(k)]
J = φ [Erem uc (N)] + chauve souris
[Iuc(k)] ∙ ∆T. (8) ∂Erem
uc ∂Erem
uc
k=0

Définir l'équation lagrangienne comme × ηBB [Vuc(k), Iuc(k)] ∙ ηbat ∙ ∆T + Iuc(k)

Lk [x(k), Iuc(k)] = E˙ rem chauve souris

[Iuc(k)] ∙ ∆T ∂Vuc [Eremuc (k), Iuc(k)]
× ∙ ηBB [Vuc(k), Iuc(k)]
∂Erem
uc
et l'hamiltonien
k
Hk = Lk [x(k), Iuc(k)] + λT (k + 1)f [x(k), Iuc(k)]
× ηbat ∙ ∆T + Iuc(k) ∙ Vuc [Erem uc (k), Iuc(k)]

je = 0, 1,...,N − 1.
× ∂ηBB [Vuc(k), Iuc(k)] ∙ ηbat ∙ ∆T (16)
∂Erem
uc
La solution doit satisfaire les équations d'Euler – Lagrange
k T T
2
∂f ∂Lc ∂f ∂Iuc(k)
λ(k) = λ(k + 1) + . (9) =1− ∙ Vuc [Erem
uc (k), Iuc(k)] ∙ ηuc ∙ ∆T
∂x(k) ∂x(k) ∂Erem
uc ∂Erem
uc

Sous réserve de la condition finale ∂Vuc [Eremuc (k), Iuc(k)]

T − Iuc(k) ∙ ∂Erem ∙ ηuc ∙ ∆T (17)
uc
∂φ
λ(N) = . (dix)
∂x(N) ∂L ∂Iuc(k)
= ∙ Vuc [Erem
uc (k), Iuc(k)]
∂Erem ∂Erem
Finalement, la condition d’optimalité est donnée par la suivante uc uc
relation
k × ηBB [Vuc(k), Iuc(k)] ∙ ηbat ∙ ∆T + Iuc(k)
∂Hk ∂Lc ∂f
= + λT (k + 1) = 0. ∂Iuc(k) ∂Iuc(k) (11)
∂Iuc(k)
×
∂Vuc [Eremuc (k), Iuc(k)]
∂Erem ∙ ηBB [Vuc(k), Iuc(k)]
uc
En appliquant les conditions d'optimalité au modèle donné par (6),
ça donne
× ηbat ∙ ∆T + Iuc(k) ∙ Vuc [Erem uc (k), Iuc(k)]
Lk [x(k), Iuc(k)] = E˙ rem chauve souris
(k) ∙ ∆T
= Erem × ∂ηBB [Vuc(k), Iuc(k)] ∙ ηbat ∙ ∆T. (18)
chauve souris (k + 1) − Érem chauve souris
(k) ∂Erem
uc

= Iuc(k) ∙ Vuc [Erem uc (k), Iuc(k)]

Remplacer (15) – (18) par (9), la condition d'optimalité pour λ1
× ηBB [Vuc(k), Iuc(k)] ∙ ηbat ∙ ∆T et λ2 est obtenu
− Charge(k) ∙ ηbat ∙ ∆T (12)
λ1(k + 1) = λ1(k)
et puis
λ2(k) = λ1(k + 1) ∙ ec16 + λ2(k + 1) ∙ ec17 + ec18
∂Lc ∂E˙rem
(k) ∙ ∆T
= (19)
chauve souris

∂Iuc(k) ∂Iuc

= Vuc [Eremuc (k), Iuc(k)] ∙ ηBB [Vuc(k), Iuc(k)] où les termes ec16, ec17 et ec18 sont les termes correspondants
∂Vuc [Eremuc (k), Iuc(k)] expressions de (16) à (18), respectivement.
× ηbat ∙ ∆T + Iuc(k) ∙ ∂Iuc L'équation (10) a donné la condition finale pour lambda et
× ηBB [Vuc(k), Iuc(k)] ∙ ηbat ∙ ∆T + Iuc(k) ainsi
∂ηBB [Vuc(k), Iuc(k)] T
× Vuc [Eremuc (k), Iuc(k)] ∙ ∂Iuc ∂φ
λ2(N) = ∂Erem
= 2[Erem uc (N) − Érem uc (0)] . (20)
× ηbat ∙ ∆T. (13) uc (N)
Machine Translated by Google

MORENO et al. : SYSTÈME DE GESTION DE L'ÉNERGIE POUR UN HEV, UTILISANT DES ULTRACONDENSATEURS ET DES RÉSEAUX NEURONAUX 619

Fig. 6. Contrôle optimal appliqué au système Buck­Boost.

La troisième condition d’optimalité est donnée par (11), où variable à chaque itération. De cette façon, l’effet physique qui a lieu
lors de l’optimisation est visible à chaque étape [11].
1
∂f La méthode commence par la spécification des conditions initiales
= Vuc [Erem (k),
uc Iuc(k)] ∙ ηBB [Vuc(k), Iuc(k)] ∙ ηbat ∂Iuc
et un chemin nominal pour le contrôle (Iuc). Il faut intégrer (6) de t0 à
∂Vuc [Erem tf pour obtenir x0(t), vecteur qui représente le chemin initial des
uc (k), Iuc(k)] ×
∆T + Iuc(k) ∙ ∂Iuc variables d'état. Parallèlement, la fonction de coût et la matrice de
× ηBB [Vuc(k),
sensibilité F(t), (∂f /∂x), et G(t),(∂f /∂Iuc), qui correspondent aux
Iuc(k)] ∙ ηbat ∙ ∆T + Iuc(k) ∂ηBB [ Vuc(k), Iuc(k)]
gradients lagrangiens [Lx(t ) et LIuc (t)], respectivement, sont évalués.
× Vuc [Erem (k), Iuc(k)] Ensuite, le vecteur associé est intégré à rebours à partir de la
∙ ∂Iuc uc
condition finale pour obtenir λ0(t). Une fois λ0(t) obtenu, il est
× ηbat ∙ ∆T (21) possible de déterminer HIuc (t). Dans les premières itérations, HIuc
∂f 2 (t) ne sera pas proche de zéro car le chemin choisi initialement pour
= −Vuc [Eremuc(k), Iuc(k)] ∙ ηuc ∙ ∆T − Iuc(k) ∂Iuc le contrôle n'est pas optimal.
Puis, à l'itération suivante, l'historique du contrôle est perturbé par une
× ∂Vuc [Erem (k),
uc Iuc(k)] ∙ ηuc ∙ ∆T
(22) fonction de HIuc (t) et le processus est répété jusqu'à ce que la
∂Iuc solution soit suffisamment proche de la valeur optimale.
Une option de perturbation pour la variable de contrôle est
et enfin
T
∂H(k) ∂Iuc
∂L Ii+1
uc (k) = Ii uc(k) − εi
+ λ1(k + 1) ∙ ec21 + λ1(k + 1) ∙ ec22 = 0 ∂Iuc (23) je

où ec 21 et ec 22 sont des nominations pour (21) et (22),
respectivement. De plus, ∂L/∂Iuc est donné par (13).
Dans les équations ci­dessus, les expressions : (∂ηBB [Vuc(k),
Iuc(k)])/∂Erem et (∂ηBB[Vuc(k),
uc Iuc(k)])/∂Iuc ont été obtenues
numériquement à partir de ( 1)–(4).
Pour résoudre le système donné par l'ensemble des équations (6),
(19), (20) et (23), la méthode du gradient sera appliquée. La
particularité de cette méthode est que les équations qui régissent la
dynamique du système sont résolues exactement à chaque itération,
en perturbant à chaque fois la variable de contrôle, pour se rapprocher
de la solution idéale. En d'autres termes, l'algorithme simule la
réponse dynamique du système en modifiant l'historique du contrôle.
où εi est un scalaire. Cette méthode est également connue sous le nom d’algorithme
du « descendant le plus raide ».
VI. SIMULATION
Un programme de simulation a été implémenté dans Matlab pour
le système susmentionné. Pour simuler le comportement du véhicule
électrique, différents cycles de conduite autour de la ville ont été
réalisés, à partir desquels les courants d'entraînement du moteur, en
fonction du temps, ont été obtenus. Cela est possible parce que l'EV
et le système d'acquisition de données étaient déjà mis en œuvre.
Ensuite, pour chacun des cycles de conduite, le système a été
simulé selon (6), en prenant comme information l'entrée
Machine Translated by Google
620
Fig. 7. Comparaison des deux stratégies de contrôle (charge, batterie et courant abaisseur­boost).
Fig. 8. NN formés.
courants de la charge à chaque instant. En revanche, les conditions initiales
des batteries et des UCAP sont également connues.
L'objectif final est de déterminer le courant optimal que le convertisseur
abaisseur­élévateur doit fournir. Pour commencer l’itération avec la méthode
du gradient, il est nécessaire d’établir un historique du contrôle nominal. Dans
ce cas, la variable de contrôle est Iuc, qui, pour la première itération, est
supposée être une fonction linéaire du courant de charge. Une fois ces
paramètres établis, le système est résolu via (7) à (11), puis les résultats de
la figure 6 sont obtenus. La figure montre une comparaison entre le contrôle
normal et le contrôle optimisé.
TRANSACTIONS IEEE SUR L'ÉLECTRONIQUE INDUSTRIELLE, VOL. 53, NON. 2 AVRIL 2006
On observe que le contrôle optimal remplit l'une des restrictions proposées
dans l'algorithme, c'est­à­dire que la condition de charge finale des UCAP
reste la même que leurs conditions initiales. En revanche, le courant de
référence du convertisseur abaisseur­élévateur a considérablement réduit la
profondeur de décharge des batteries et, après 30 cycles de conduite
différents, une amélioration moyenne d'environ 5 % a été obtenue.
La figure 7 montre les résultats obtenus du côté haute tension du
convertisseur abaisseur­élévateur. Il est possible de constater qu'en utilisant
cette nouvelle stratégie, la variabilité du courant de la batterie est plus petite.
Machine Translated by Google
MORENO et al. : SYSTÈME DE GESTION DE L'ÉNERGIE POUR UN HEV, UTILISANT DES ULTRACONDENSATEURS ET DES RÉSEAUX NEURONAUX
Fig. 9. Résultats de simulation pour un ensemble de données spécifique.
TABLEAU I
RÉSULTATS DES ESSAIS ROUTIERS
VII. APPROCHE PRATIQUE : EXTENSION AUX NNS
Ces dernières années, le développement de l’intelligence artificielle (IA) a
été remarquable. Son importance réside dans la capacité de représenter ou
d'imiter les connaissances humaines pour mémoriser, acquérir des
connaissances, percevoir et prendre des décisions intelligentes. Dans ce
domaine, nous pouvons trouver l'application des NN à l'identification des
systèmes, au contrôle de processus, à la prédiction, au diagnostic, etc. Dans
le domaine de l'électronique de puissance, l'application des NN a réalisé de
grands progrès et l'avenir semble prometteur [12]. .
Le but est d’obtenir une mise en œuvre simple, en temps réel, de la
stratégie de contrôle décrite précédemment. De cette manière, l'utilisation de
NN sur l'identification des systèmes, et en particulier l'approximation de la
fonction d'optimisation précédemment élaborée, apparaît comme une
solution intéressante [13]. Par conséquent, dans un premier temps, le système
d'optimisation a été résolu numériquement pour 30 ensembles de données
de conduite en ville, obtenant ainsi les données d'entrée et de sortie requises.
Les données suivantes ont été utilisées comme données d'entrée nettes :
le courant de charge (Iload), la puissance de charge (Pload), la vitesse du
véhicule (v) et l'énergie cinétique (E) qu'il contient. Le tout aux instants k et k
− 1. Les données sorties du réseau sont le courant idéal que les UCAP (Iuc)
doivent délivrer. L'algorithme de Levenberg­Marquardt a été utilisé pour
621
TABLEAU II
RÉSULTATS DES ESSAIS ROUTIERS (COMPARAISON DES DIFFÉRENTS
STRATÉGIES DE CONTRÔLE )
former le réseau, qui se caractérise par sa convergence rapide et sa
robustesse. Ensuite, pour définir l’architecture idéale du réseau, des
algorithmes de « prun­ning » ont été utilisés, en particulier l’algorithme
« Optimal Brain Surgeon » (OBS) [14], [15], qui a été appliqué. Enfin, pour
valider le net, l'erreur quadratique moyenne a été analysée. Sur un univers
de 30 ensembles de données, 10 d'entre eux ont été utilisés comme données
de formation et 20 comme données de validation. La figure 8 montre
l'architecture du réseau, obtenue à partir de l'algorithme OBS. La figure 9
montre les résultats pour l'un des ensembles de données de validation.
Comme le montre la figure 8, l'approximation optimale du courant fournie
par le NN est utilisée comme référence pour un contrôle du courant PI, du
côté basse tension du convertisseur abaisseur­élévateur.
Enfin, l'implémentation utile du NN a été réalisée de manière série, à l'aide
d'un DSP haute vitesse (TMS320F241). Le
Machine Translated by Google
622
Fig. 10. Fragment des courants, des tensions et de la vitesse du véhicule lors des tests de conduite.
le contrôle Buck­Boost fonctionne à 12 kHz ; néanmoins, comme le système
se caractérise par sa dynamique lente, la référence n'est mise à jour qu'à 11
Hz.
VIII. RÉSULTATS PRATIQUES
Un parcours test urbain de 14,2 km a été conçu. Quatre tests différents
ont été effectués : 1) batteries uniquement, sans régénération (pour émuler
le comportement d'un véhicule fonctionnant uniquement avec des piles à
combustible ou des batteries zinc­air) ; 2) batteries uniquement, mais avec
capacité de régénération ; 3) batteries et AES (UCAP) avec contrôle SOC ; et
4) les batteries et l'AES, en utilisant un contrôle optimal mis en œuvre avec
les NN. Les valeurs moyennes des résultats des tests ont été calculées après
de nombreux tests effectués, qui sont présentés dans les tableaux I et II.
Selon le tableau II, avec la stratégie de contrôle optimale proposée,
l'indicateur km/kWh est amélioré de 3,3 % par rapport à la stratégie de
contrôle SOC de l'UCAP.
La figure 10 montre un fragment des signaux de courants, de tensions et
de vitesse du véhicule pendant les tests.
Une autre caractéristique importante du système est que la puissance
maximale délivrée par la source primaire a été considérablement réduite,
passant de 54 à 12 kW.
IX. CONCLUSION
Une nouvelle stratégie de contrôle pour un véhicule HEV a été présentée
dans cet article. Cette stratégie a été élaborée sur la base des caractéristiques
d'efficacité de l'AES conformes aux UCAP et à un convertisseur Buck­Boost.
Pour ce faire, un modèle de contrôle optimal a été formulé, la solution
numérique a été atteinte et le modèle simulé. Par la suite, une amélioration
théorique de l'efficacité de 4,9 % par rapport à la stratégie initiale basée sur
TRANSACTIONS IEEE SUR L'ÉLECTRONIQUE INDUSTRIELLE, VOL. 53, NON. 2 AVRIL 2006
sur les UCAP, le SOC a été calculé. Pour tester cette nouvelle stratégie sur
le terrain, un NN a été formé à partir des résultats obtenus à partir de
simulations de différents cycles de conduite. Un DSP (TMS320F241) a été
utilisé pour sa mise en œuvre en temps réel.
Après de nombreux tests de conduite en ville, une amélioration de 3,3 %
par rapport à la stratégie de contrôle SOC a été obtenue en termes de km/
kWh. En revanche, si l'on considère une source primaire incapable de
recevoir de l'énergie de régénération, l'amélioration serait alors de 28,7% en
termes de km/kWh.
LES RÉFÉRENCES
[1] O. Fuji, « Le développement et l'application des véhicules hybrides », dans Proc. 19e
International. Electr. Vehicle Symp., Busan, Corée, 19­23 octobre 2002, CD­ROM.
[2] FA Wyczalek, « Véhicules électriques hybrides, statut année 2000 », IEEE Aerosp. Électron.
Système. Mag., vol. 16, non. 3, pp. 15­25, mars 2001.
[3] AF Burke et M. Miller, « Comparaisons des ultracondensateurs et des batteries avancées
pour la puissance pulsée dans les applications automobiles : performances, durée de vie
et coût », dans Proc. 19e International. Electr. Vehicle Symp., Busan, Corée, 19­23 octobre
2002, CD­ROM.
[4] AF Burke, « Ultracondensateurs : pourquoi, comment et où est la technologie »,
J. Sources d'énergie, vol. 91, non. 1, pp. 37­50, novembre 2000.
[5] BJ Arnet et LP Haines, « Combiner des ultra­condensateurs avec des batteries au plomb »,
dans Proc. 17e International. Electr. Vehicle Symp., Montréal, QC, Canada, 13­18 octobre
2000, CD­ROM.
[6] J. Dixon, M. Ortúzar et E. Wiechmann, « Freinage régénératif pour un véhicule électrique
utilisant des ultracondensateurs et un convertisseur abaisseur­boost », dans Proc. 17e
International. Electr. Vehicle Symp., Montréal, QC, Canada, 13­18 octobre 2000, CD­ROM.
[7] Manuel de l'électronique de puissance, Academic, San Diego, Californie, 2001.
[8] G. Paganelli, TM Guerra, S. Delprat, Y. Guezennrc et G. Rizzoni, « Théorie du contrôle
optimal appliquée aux véhicules hybrides alimentés par pile à combustible », dans Proc.
15e Congrès mondial de l'IFAC. Contrôle automatique, Barcelone, Espagne, 2002, CD­
ROM.
[9] S. Delprat, TM Guerra et J. Rimaux, « Contrôle optimal d'un groupe motopropulseur
parallèle : de l'optimisation globale à la stratégie de contrôle en temps réel », dans Proc.
18e International. Electr. Vehicle Symp., Berlin, Allemagne, octobre 2001, CD­ROM.
Machine Translated by Google
MORENO et al. : SYSTÈME DE GESTION DE L'ÉNERGIE POUR UN HEV, UTILISANT DES ULTRACONDENSATEURS ET DES RÉSEAUX NEURONAUX
[10] Y. Guezennrc, T. Choi et G. Paganelli, « Contrôle de surveillance des piles à combustible
véhicules et son lien avec l’efficacité globale du système et le contrôle de bas niveau
exigences », dans Proc. Étudiant Diplômé IGERT Rés. Conf., Davis, Californie,
Juin 2003, pp. 2055­2061.
[11] R. Stegel, Contrôle et estimation optimaux. New York : Douvres, 1994,
pp. 201­259.
[12] BK Bose, « Applications de réseaux de neurones artificiels en électronique de puissance »,
dans Proc. IEEE IECON, du 29 novembre au décembre. 2, 2001, p. 1631­1638.
[13] S. Haykin, Réseaux de neurones : une base complète. Englewood
Cliffs, New Jersey : Prentice­Hall, 1998, pp.
[14] M. Nørgaard, NK Poulsen, O. Ravn et L. Hansen, Réseaux neuronaux pour la modélisation et
le système dynamique de contrôle. New York : Springer­Verlag, 2000, ch. 2.
[15] M. Nørgaard, «Boîte à outils d'identification de systèmes basés sur les réseaux neuronaux»,
Département Automatisation, Tech. Univ. Danemark, Lyngby, Danemark, Tech. représentant
00­E­891, 2000.
Jorge Moreno (S'04–M'06) a reçu le BS et
M.Sc. diplômes en génie électrique de la Pontif­icia Universidad
Católica de Chile, Santiago, Chili,
en 2004.
Il a effectué un stage aux Sciences des
Département Processus Industriels et Naturels (SPIN)
à l'Ecole Nationale Supérieure des Mines de Saint
Étienne, France. Il a travaillé dans les domaines du contrôle
automatique, de l'électronique de puissance et des véhicules électriques (VE).
projets de recherche. Il est actuellement ingénieur consultant chez
Systep Engineering and Design Company.
623
Micah E. Ortúzar (S'02­M'04) est né à San­tiago, au Chili. Il a
obtenu le diplôme de génie électrique
Diplôme professionnel obtenu en 2001 à la Pontificia Univer­sidad
Católica de Chile, Santiago, Chili, où il est
travaille actuellement vers le doctorat. degré.
Depuis 2000, il travaille sur des projets de recherche en
électronique de puissance et en véhicules électriques, impliquant
entre autres des filtres de puissance actifs, des convertisseurs
statiques, des ultracapteurs et des machines électriques. Il
a écrit et publié plusieurs articles pour l'IEEE
conférences, en tant qu'auteur principal et co­auteur, et est
co­auteur de trois articles publiés dans des magazines et des transactions de l'IEEE.
Juan W. Dixon (M'90 – SM'95) est né à Santiago, au Chili. Il a
obtenu le diplôme de génie électrique
Diplôme professionnel de l'Université du Chili,
Santiago, Chili, en 1977, et le M.­Eng. et doctorat.
diplômes en génie électrique de l'Université McGill, Montréal,
Québec, Canada, en 1986 et 1988,
respectivement.
Depuis 1979, il travaille à la Pontificia Universidad Católica de
Chile, Santiago, Chili, où il travaille
dans les domaines de l'électronique de puissance, de la traction électrique,
production d'énergie électrique et machines électriques.
Il est actuellement professeur au Département de génie électrique. Son
les intérêts de recherche incluent les nouvelles technologies pour les véhicules électriques, les machines
variateurs, changeurs de fréquence, redresseurs haute puissance, onduleurs multiniveaux, statiques
Compensateurs VAr et filtres de puissance active.