Optimisation du Powertrain Électrique pour une Autonomie et une Performance Accrues
Une équipe de chercheurs de l’Université du Nord de Chine a récemment franchi une étape décisive dans l’évolution des véhicules électriques (VE) en démontrant qu’une optimisation intelligente des paramètres du groupe motopropulseur peut considérablement améliorer à la fois l’efficacité énergétique et les performances dynamiques, sans nécessiter de modifications matérielles coûteuses. En s’appuyant sur l’algorithme d’optimisation par essaim de particules (PSO), une méthode d’intelligence artificielle inspirée du comportement collectif, les chercheurs ont réussi à repousser les limites de l’autonomie et de l’accélération d’un véhicule électrique pur, offrant une feuille de route pratique pour les constructeurs automobiles en quête de gains de performance durables.
À une époque où la transition vers la mobilité électrique s’accélère à l’échelle mondiale, les défis traditionnels liés aux VE — notamment l’anxiété liée à l’autonomie, les temps de recharge prolongés et le coût élevé des batteries — continuent de freiner une adoption plus massive. Bien que les progrès dans la technologie des batteries, comme l’augmentation de la densité énergétique, soient souvent au cœur des innovations, une attention croissante se porte sur un autre levier crucial : l’optimisation du système dans son ensemble. Le rendement global d’un véhicule électrique ne dépend pas uniquement de la puissance de son moteur ou de la capacité de sa batterie, mais de la manière dont ces composants sont intégrés et coordonnés. C’est précisément sur ce maillon faible que se concentre une nouvelle étude publiée dans la revue Ship Electronic Engineering, qui démontre que des gains significatifs peuvent être obtenus en affinant les paramètres de conception du powertrain.
Dirigée par Tiyuyu, étudiante en master au Laboratoire national de technologie de test électronique et au Laboratoire clé des dispositifs et systèmes micro/nano de l’Université du Nord de Chine, l’équipe de recherche a adopté une approche systémique et multidisciplinaire. En collaboration avec le Dr Hong Yingping, le professeur Zhang Huixin et le chercheur Zhang Ruihao, ils ont entrepris de repenser la manière dont les composants clés d’un VE — le moteur électrique, la batterie et le rapport de transmission — sont appariés dès la phase de conception.
L’approche classique consiste souvent à dimensionner chaque composant indépendamment, en fonction de critères de performance isolés. Par exemple, on choisit un moteur suffisamment puissant pour atteindre une vitesse maximale donnée, puis une batterie capable de fournir l’énergie nécessaire pour une autonomie cible. Cependant, cette méthode peut conduire à un sous-optimal, où un composant surdimensionné entraîne des pertes d’énergie inutiles, ou où un mauvais rapport de transmission force le moteur à fonctionner en dehors de sa plage d’efficacité optimale. « Même avec des composants de haute performance, une intégration système médiocre peut entraîner un gaspillage d’énergie et une dynamique de conduite médiocre », explique Tiyuyu. « Notre objectif était de trouver le point d’équilibre parfait entre la puissance disponible et la conservation de l’énergie, en optimisant l’interaction entre tous les éléments. »
La méthodologie du projet s’est déroulée en plusieurs étapes rigoureuses. Tout d’abord, l’équipe a établi un modèle de base du powertrain en sélectionnant des composants commercialement viables. Le choix s’est porté sur un moteur synchrone à aimants permanents (PMSM), la technologie dominante sur le marché des VE en raison de son excellent rendement, de sa densité de puissance élevée et de sa compacité. La puissance de crête, le couple et la vitesse du moteur ont été calculés en fonction de trois exigences fondamentales : la vitesse maximale (140 km/h), la capacité de montée (capacité à gravir une pente de 30 % à 30 km/h) et le temps d’accélération (0 à 100 km/h en moins de 14 secondes). Ce processus initial a permis de définir un ensemble de paramètres de départ.
Pour la batterie, les chercheurs ont opté pour la technologie au lithium-ion, la référence actuelle en matière de stockage d’énergie pour les véhicules. Pour modéliser son comportement de manière extrêmement précise, ils ont utilisé une version améliorée du modèle équivalent de Thévenin, intégrant un réseau RC à deux étages. Ce modèle sophistiqué permet de simuler fidèlement les phénomènes de polarisation internes de la batterie, offrant une prédiction bien plus fiable de sa tension de sortie et de son état de charge (SOC) sous différentes conditions de charge et de décharge.
Une fois le modèle de base en place, l’étape cruciale de l’optimisation a été entreprise. Plutôt que de procéder par tâtonnements ou d’utiliser des méthodes d’optimisation linéaires, l’équipe a choisi l’algorithme PSO. Ce dernier est particulièrement adapté aux problèmes d’ingénierie complexes où de nombreuses variables interagissent de manière non linéaire. L’algorithme fonctionne comme un essaim de particules (ou « solutions candidates ») qui explorent conjointement l’espace des solutions possibles. Chaque particule ajuste sa trajectoire en fonction de sa propre meilleure position trouvée et de la meilleure position trouvée par l’essaim tout entier, convergent ainsi rapidement vers une solution quasi optimale.
Les trois paramètres clés choisis pour l’optimisation étaient le rapport de réduction final (i₀), la puissance de crête du moteur (Pₘ) et la vitesse maximale du moteur (Nₘ). Ces variables ont été sélectionnées car elles ont un impact direct et majeur sur les performances globales du véhicule. Un rapport de réduction plus élevé augmente le couple aux roues, améliorant l’accélération et la capacité de montée, mais peut réduire la vitesse maximale et forcer le moteur à consommer plus de courant, augmentant les pertes. Une puissance de moteur plus élevée améliore la performance, mais augmente le coût et le poids du système.
Pour guider l’algorithme, les chercheurs ont défini une fonction objectif à deux dimensions, combinant deux critères essentiels : le temps d’accélération (représentant la dynamique) et la consommation d’énergie spécifique (représentant l’efficacité). Reconnaissant que pour un véhicule électrique urbain typique, l’autonomie est prioritaire sur les performances sportives, ils ont attribué un poids plus élevé à l’efficacité, avec 70 % pour l’économie d’énergie et 30 % pour la dynamique. Cette pondération reflète fidèlement les préférences des consommateurs et les objectifs de conception des véhicules compacts.
Le processus d’optimisation a été soumis à six contraintes strictes pour garantir la faisabilité pratique de la solution. Ces contraintes incluaient une vitesse maximale minimale, une capacité de montée, un temps d’accélération, une autonomie minimale de 240 km, et des limites mécaniques pour éviter le patinage des roues. L’algorithme PSO a été implémenté dans l’environnement de simulation MATLAB/Simulink, un outil standard dans l’industrie automobile pour le développement et la validation de systèmes.
Les résultats de l’optimisation ont révélé un ensemble de paramètres significativement différents du modèle de base. Le rapport de réduction optimal a été fixé à 7,8, contre 6,9 initialement. La puissance de crête du moteur a été augmentée à 35 kW, contre 32 kW, tandis que la vitesse maximale du moteur a été réduite à 3 200 tr/min, contre 3 900 tr/min. Ce dernier ajustement est particulièrement révélateur, car il illustre le compromis stratégique : en réduisant la vitesse maximale du moteur, le système peut fonctionner plus fréquemment dans sa plage de rendement optimal, minimisant ainsi les pertes d’énergie.
La validation finale a été effectuée par le biais de simulations approfondies sous le cycle de conduite NEDC (Nouveau cycle européen de conduite), un protocole standardisé qui simule un mélange de conduite urbaine et extra-urbaine. Les résultats ont été éloquents. L’autonomie du véhicule a augmenté de 5,43 %, passant de 221,28 km à 233,3 km. Cette amélioration substantielle a été obtenue grâce à une réduction de 1,01 point de pourcentage de la consommation de la batterie, confirmant que l’optimisation avait réussi à réduire les pertes d’énergie.
Parallèlement, les performances dynamiques se sont également améliorées. Le temps d’accélération de 0 à 100 km/h a été réduit de 5,35 %, passant de 12,2 secondes à 11,6 secondes. Cette amélioration est directement liée à l’augmentation de la puissance du moteur et à la nouvelle configuration de transmission, qui fournit un couple plus élevé aux roues lors du démarrage. La capacité de montée maximale a également progressé, passant de 30,65 % à 31,12 %, ce qui témoigne d’une meilleure performance sur les pentes raides.
L’un des aspects les plus convaincants de cette recherche est sa grande applicabilité pratique. Contrairement à de nombreuses études académiques qui reposent sur des composants hypothétiques ou des modèles théoriques, ce travail utilise des composants commercialement disponibles et des outils de simulation largement répandus dans l’industrie. L’algorithme PSO, bien qu’élaboré, est accessible aux ingénieurs et peut être intégré dans les flux de travail de développement existants des constructeurs.
Les implications de cette étude sont vastes. Alors que les constructeurs sont soumis à une pression réglementaire et commerciale croissante pour offrir des véhicules plus efficaces et plus performants, cette approche d’optimisation système offre une solution rentable. « Cela permet aux fabricants d’extraire plus de performance des composants existants », souligne le professeur Zhang Huixin. « Il ne s’agit pas de concevoir une meilleure batterie, mais d’utiliser intelligemment ce que nous avons déjà. »
Ce travail met également en lumière l’importance d’une approche d’ingénierie systémique. Dans le passé, les équipes de conception travaillaient souvent en silos, avec des ingénieurs moteurs, batteries et transmission optimisant leurs domaines respectifs. Aujourd’hui, les gains les plus importants proviennent de l’optimisation holistique de l’ensemble du système. Le Dr Hong Yingping ajoute que le cadre PSO est flexible et peut être adapté à différents types de véhicules, en ajustant les pondérations entre efficacité et performance.
En outre, cette recherche ouvre la voie à des systèmes d’optimisation adaptative en temps réel. À l’avenir, les véhicules pourraient ajuster dynamiquement leurs paramètres de transmission et de gestion de l’énergie en fonction de la topographie, des conditions de circulation et du style de conduite du conducteur, maximisant ainsi l’efficacité dans toutes les situations.
Du point de vue de la durabilité, même de petits gains d’efficacité ont un impact significatif. Une augmentation de 5,43 % de l’autonomie se traduit par moins de cycles de charge au cours de la vie du véhicule, réduisant l’usure de la batterie et la demande sur le réseau électrique. Cela signifie également une réduction de la consommation de matières premières pour la production de batteries.
Cette étude, qui illustre la transformation numérique de l’industrie automobile, montre que l’avenir de la mobilité électrique réside autant dans le logiciel et les algorithmes que dans les matériaux. Elle fournit une preuve concrète que l’intelligence dans la conception peut transformer les performances des véhicules électriques, offrant aux consommateurs plus de kilomètres, une meilleure accélération et des coûts d’exploitation réduits, tout en soutenant la transition vers une mobilité plus propre.
Tiyuyu, Hong Yingping, Zhang Huixin, Zhang Ruihao, North University of China, Ship Electronic Engineering, DOI: 10.3969/j.issn.1672-9730.2024.11.025