Commande Prédictive optimale temps-réel, appliquée au contrôle de véhicules automobiles hybrides connectés à leurs environnements

The automotive sector has been one of the most CO2 emitting sectors over the past century. The solution considered, to limit vehicle emissions, is the electrification of the power train. The hybrid electric vehicle offers the best compromise to meet the ecological challenges of the automotive industry. The hybrid electric powertrain consists of two engines: an internal combustion engine, powered by fuel, and an electric motor powered by a battery. These two motors must ensure the driver's power demand. The energy is distributed between the two engines in real time in order to minimize fuel consumption. This thesis proposes the study of an optimization-based method to find the most efficient combination of the two engines. The proposed methodology seeks to reconcile the search for a mathematical optimum with the constraints of the real-time implementation, using the theory of optimal control, and the Pontryagin Maximum Principle. The search for a mathematical optimum presupposes the knowledge of a prediction on the driver's future power demands. These predictions can be formed through the vehicle's connectivity (intelligent GPS e-Horizon for example). First, the method is studied with the hypothesis of a completely reliable prediction. Through simulation comparisons, we have found that the proposed method can achieve the global optimum provided by a dynamic programming algorithm. By formulating the optimization problem with different simplifying assumptions on the battery model, it appears that the use of a constant voltage model does not alter the optimality of the solution, if the battery's energy capacity is high enough. The use of this simplified model may help to speed up calculations, especially when it is necessary to consider the uncertainties of predictions. Moreover, under the assumption of reliable predictions, the method shows robustness to the inaccuracies of the model used. To take into account the uncertainty of the power demands prediction, random variables are introduced in the model. Using the Pontryagin Maximum Principle theorem, the uncertainties of the predictions affect fuel consumption only through the battery’s state of charge at the end of the trip. Instead of validating a prediction by comparing it with the actual values of the power demand, the uncertainty is transferred to the electrical energy and the final state of charge of the battery. The predictions probabilistic model determines the predictions horizon length. Normally distributed predictions, and predictions based on Markov chains are studied. These two models allow prediction horizons of 2-3 min over which our optimization method based on optimal control is applied in real time. The proposed probabilistic method is general and is not limited to the probabilistic models studied. Based on the principles outlined in this thesis, by increasing the accuracy of the predictions model, it will be possible to use larger prediction horizons, which means better fuel economy and lower CO2 missionsLe domaine automobile a été l’un des secteurs les plus émetteurs de CO2 durant le dernier siècle. La solution envisagée, pour limiter les émissions de gaz à effet de serre des véhicules, est l’électrification de la chaîne de traction. Le véhicule hybride électrique présente le meilleur compromis pour relever les défis écologiques de l’industrie automobile. La chaîne de traction hybride électrique est composée de deux moteurs : un moteur à combustion interne, alimenté par du carburant, et un moteur électrique alimenté par une batterie. Ces deux moteurs doivent assurer la demande en puissance du conducteur. La répartition d’énergie entre les deux moteurs en temps réel se fait alors dans le but de minimiser la consommation de carburant. Cette thèse propose l’étude d’une méthode basée sur l’optimisation visant à rechercher la combinaison la plus efficace des deux moteurs. La méthodologie proposée cherche à concilier la recherche d’un optimum mathématique avec les contraintes du contexte temps-réel, en utilisant la théorie du contrôle optimal et le Principe du Maximum de Pontriaguine. La recherche d’un optimum mathématique suppose la connaissance d’une prédiction sur les demandes de puissances futures du conducteur. La méthode proposée se base sur la connectivité du véhicule (GPS intelligent eHorizon par exemple) pour former cette prédiction. Dans un premier temps, la méthode est étudiée avec l’hypothèse d’une prédiction complètement fiable. A travers des comparaisons par simulation, nous avons pu constater que la méthode proposée peut atteindre l’optimum global que fournit un algorithme de programmation dynamique. En formulant le problème d’optimisation avec différentes hypothèses plus ou moins simplificatrices sur le modèle de la batterie, il s’avère que l’utilisation d’un modèle à tension constante n’altère pas l’optimalité de la solution, si la capacité énergétique de la batterie est assez élevée. L’utilisation de ce modèle simplifié permet d’accélérer les calculs, notamment quand il faudra prendre en compte les incertitudes des prédictions. Sous l’hypothèse de prédictions fiables, la méthode montrera une robustesse par rapport aux imprécisions du modèle utilisé. Pour prendre en compte les incertitudes de la prédiction des demandes de puissances du conducteur, le modèle proposé met en jeu des variables aléatoires. En utilisant le Principe du maximum de Pontriaguine, les incertitudes des prédictions n’affectent la consommation de carburant qu’à travers l’état de charge de la batterie en fin de parcours. Au lieu de valider une prédiction en la comparant aux valeurs réelles de la demande de puissance, l’incertitude est reportée sur l’énergie électrique et l’état de charge final de la batterie. Le modèle probabiliste des prédictions détermine la longueur de l’horizon de prédiction à utiliser. Des prédictions normalement distribuées, et des prédictions basées sur chaînes de Markov sont étudiées. Ces deux modèles permettent d’avoir des horizons de prédictions de 2-3 min sur lesquels notre méthode d’optimisation basée sur le contrôle optimale est appliquée en temps réel. La méthode probabiliste proposée est générale, et n’est pas limitée aux modèles probabilistes étudiés. A partir des principes exposés dans cette thèse, en augmentant la précision du modèle probabiliste des prédictions, il sera possible d’utiliser de plus grands horizons de prédictions, ce qui signifie de meilleures économies de carburant et moins d’émissions de CO