Contrôle optimal stochastique pour la gestion énergétique des véhicules hybrides électriques sous contraintes de trafic

Cette thèse aborde la conception d'un Système de Gestion Énergétique (EMS), prenant en compte les contraintes de trafic, pour un véhicule hybride électrique. Actuellement, les EMS sont habituellement classé en deux catégories ceux proposant une architecture en temps réel cherchant un optimum local, et ceux qui recherchent un optimum global, plus coûteux en temps de calcul et donc plus approprié à un usage hors ligne. Cette thèse repose sur le fait que la consommation énergétique peut être modélisée précisément à l'aide de distributions de probabilité sur la vitesse et l'accélération. Dans le but de réduire la taille des données, une classification est proposé, basé sur la distance de Wasserstein, les barycentres des classes pouvant être calculés grâce aux itérations de Sinkhorn ou la méthode du Gradient Stochastique Alterné. Cette modélisation trafic a permis à une optimisation hors ligne de déterminer le contrôle optimal (le couple du moteur électrique) qui minimise la consommation de carburant du véhicule hybride sur un segment routier. Dans la continuité, un algorithme bi-niveau tirant avantage de cette information afin d'optimiser la consommation sur l'ensemble du trajet. Le niveau supérieur d'optimisation, étant déterministe, est suffisamment rapide pour une implémentation en temps réel. La pertinence du modèle de trafic et de la méthode bi-niveau est illustré à l'aide de données trafic générées par un simulateur, mais aussi grâce à des données réelles collectées prés de Lyon (France). Enfin, une extension de la méthode bi-niveau au problème d'éco-routage est envisagé, utilisant un graphe augmenté pour déterminer l'état de charge lors du chemin optimal.The focus of this PhD thesis is to design an optimal Energy Management System (EMS) for a Hybrid Electric Vehicle (HEV) following traffic constraints.In the current state of the art, EMS are typically divided between real-time designs relying on local optimization methods, and global optimization that is only suitable for off-line use due to computational constraints.The starting point of the thesis is that in terms of energy consumption, the stochastic aspect of the traffic conditions can be accurately modelled thanks to (speed,acceleration) probability distributions.In order to reduce the data size of the model, we use clustering techniques based on the Wasserstein distance, the corresponding barycenters being computed by either a Sinkhorn or Stochastic Alternate Gradient method.Thanks to this stochastic traffic model, an off-line optimization can be performed to determine the optimal control (electric motor torque) that minimizes the fuel consumption of the HEV over a certain road segment.Then, a bi-level algorithm takes advantage of this information to optimize the consumption over a whole travel, the upper level optimization being deterministic and therefore fast enough for real-time implementation.We illustrate the relevance of the traffic model and the bi-level optimization, using both traffic data generated by a simulator, as well as some actual traffic data recorded near Lyon (France).Finally, we investigate the extension of the bi-level algorithm to the eco-routing problem, using an augmented graph to track the state of charge information over the road network