Optimisation intelligente du powertrain électrique : autonomie et performance rehaussées
Une avancée significative dans le domaine de l’ingénierie automobile a été réalisée par une équipe de chercheurs de l’Université du Nord de Chine, démontrant comment une optimisation fine des paramètres du système de propulsion peut considérablement améliorer l’autonomie, l’efficacité énergétique et les performances dynamiques d’un véhicule électrique, sans modifier la capacité de la batterie ni le design physique du véhicule. Cette étude, publiée dans la revue Ship Electronic Engineering, représente une étape cruciale vers une mobilité électrique plus intelligente, durable et accessible.
Dirigée par Ti Yuyu, Hong Yingping, Zhang Huixin et Zhang Ruihao, du Laboratoire National de Technologie des Essais Électroniques et du Laboratoire Clé des Dispositifs et Systèmes Micro/Nano de l’Université du Nord de Chine, la recherche s’attaque à l’un des défis les plus persistants de l’industrie automobile : le compromis entre autonomie, performance et coût. Alors que les constructeurs investissent massivement dans le développement de nouvelles technologies de batteries, cette étude prouve que des gains substantiels peuvent être obtenus grâce à une ingénierie plus intelligente et à une intégration systémique plus raffinée.
Le cœur de l’approche réside dans l’utilisation de l’algorithme d’Optimisation par Essaim de Particules (PSO), une technique computationnelle inspirée du comportement collectif des oiseaux ou des bancs de poissons. Contrairement aux méthodes traditionnelles de tâtonnement, qui sont lentes et coûteuses, le PSO permet d’explorer efficacement un vaste espace de solutions pour trouver la combinaison optimale de paramètres. L’algorithme simule des milliers de configurations potentielles, faisant « évoluer » une population de solutions candidates vers le résultat le plus performant.
Les chercheurs ont concentré leur optimisation sur trois paramètres fondamentaux du powertrain : le rapport de réduction final (i₀), la puissance maximale du moteur électrique (Pm) et sa vitesse de rotation maximale (Nm). Ces paramètres sont interdépendants ; modifier l’un affecte directement le comportement des autres. Par exemple, un rapport de réduction plus court peut augmenter le couple aux roues, améliorant l’accélération, mais peut limiter la vitesse maximale et augmenter la consommation à haute vitesse. Trouver le bon équilibre est essentiel pour maximiser les performances globales.
L’innovation majeure de cette étude réside dans son approche holistique. Plutôt que d’optimiser chaque composant de manière isolée, les chercheurs ont traité le powertrain comme un système intégré, où le moteur, le réducteur et la batterie fonctionnent en parfaite synergie. Cette vision systémique évite les compromis inefficaires, où l’amélioration d’un aspect (comme l’accélération) se fait au détriment d’un autre (comme l’autonomie).
Le processus d’optimisation n’a pas été arbitraire. Les chercheurs ont défini une fonction objectif qui équilibrait deux aspects fondamentaux : l’efficacité économique (principalement l’autonomie) et les performances dynamiques (principalement le temps d’accélération). Compte tenu de l’objectif principal d’un véhicule urbain et de déplacement quotidien, ils ont attribué un poids plus élevé à l’efficacité, avec un coefficient de 70 %, contre 30 % pour les performances. Cette pondération reflète les besoins réels des consommateurs, pour lesquels une autonomie accrue est souvent plus importante qu’une accélération extrême.
Toutes les simulations ont été réalisées à l’aide du logiciel Matlab/Simulink, un outil standard dans l’industrie automobile pour la modélisation et la simulation. Le cycle de conduite utilisé pour tester les performances était le NEDC (New European Driving Cycle), un protocole standardisé simulant une combinaison de conduite urbaine et extra-urbaine. Pour garantir la précision des résultats, le modèle incluait une représentation détaillée de la dynamique du véhicule, des forces aérodynamiques, de la résistance au roulement et de la pente de la route.
Un aspect particulièrement remarquable a été le modèle de batterie. Les chercheurs n’ont pas opté pour un modèle simplifié, mais ont utilisé une version améliorée du modèle de Thevenin, enrichie d’un réseau RC de deuxième ordre. Ce modèle sophistiqué est capable de capturer avec une grande précision les phénomènes de polarisation et la résistance interne de la batterie pendant les cycles de charge et de décharge. Cette précision est cruciale pour prédire de manière réaliste la consommation d’énergie pendant un cycle de conduite, notamment lors des phases d’accélération et de freinage régénératif.
Les résultats des simulations ont été impressionnants. Après optimisation, l’autonomie du véhicule a augmenté de 5,43 %, passant de 221,28 km à 233,3 km. Ce gain a été obtenu sans aucune augmentation de la capacité de la batterie, démontrant que l’efficacité peut être améliorée simplement en optimisant la manière dont l’énergie existante est utilisée. C’est un résultat qui a un potentiel énorme pour l’industrie, car il permet d’offrir des véhicules avec une autonomie plus élevée sans avoir à supporter les coûts et la complexité associés au développement de nouvelles batteries.
Parallèlement, les performances dynamiques ont connu une amélioration notable. Le temps nécessaire pour accélérer de 0 à 100 km/h est passé de 12,20 secondes à 11,60 secondes, une réduction de 5,35 %. Ce résultat est particulièrement surprenant car, comme mentionné, la fonction objectif privilégiait l’efficacité. Le fait que les deux métriques aient été améliorées indique que l’algorithme a trouvé une configuration dans laquelle le système fonctionne dans une zone d’efficacité plus élevée, où la consommation d’énergie et les performances en tirent bénéfice. Le moteur et le réducteur travaillent en harmonie, évitant de fonctionner dans des conditions de faible efficacité, comme à courants élevés ou à des vitesses de rotation non optimales.
La validation du modèle a été rigoureuse. La vitesse simulée du véhicule a suivi le cycle NEDC avec une erreur inférieure à 2 %, confirmant la précision du modèle dynamique sous-jacent. De plus, la configuration optimisée a satisfait à toutes les exigences de conception imposées. La vitesse maximale, bien que légèrement réduite de 146,6 km/h à 145,2 km/h, reste bien au-dessus du seuil minimum requis de 140 km/h. La capacité de montée maximale est passée de 30,653 % à 31,121 %, améliorant la capacité du véhicule à gravir des pentes raides.
L’analyse de l’état de charge (SOC) de la batterie a fourni une preuve supplémentaire de l’efficacité de l’optimisation. Dans les mêmes conditions de conduite, la batterie du véhicule optimisé a montré une consommation d’énergie inférieure. Le SOC est passé de 90 % à 83,69 %, contre 90 % à 82,68 % pour le véhicule non optimisé. Cette réduction de 1,01 % dans la consommation d’énergie, bien qu’apparemment minime, se traduit par une autonomie plus longue et une moindre sollicitation de la batterie, contribuant ainsi à prolonger sa durée de vie.
L’approche PSO s’est révélée particulièrement adaptée à ce type de problème d’ingénierie. Il s’agit d’un algorithme robuste qui ne nécessite pas la connaissance de dérivées complexes et peut gérer des problèmes non linéaires et à contraintes multiples. Cela le rend idéal pour les applications du monde réel, où les systèmes sont complexes et les relations entre les paramètres ne sont pas toujours linéaires. De plus, le PSO est réputé pour sa rapidité de convergence, ce qui signifie qu’il peut trouver des solutions de haute qualité en un temps de calcul raisonnable.
Les implications de cette recherche sont vastes et profondes. Pour les constructeurs automobiles, cela suggère une stratégie de développement plus souple et plus rentable. Plutôt que de devoir repenser entièrement un véhicule pour améliorer ses performances, ils pourraient être en mesure de publier des mises à jour logicielles qui optimisent les paramètres du powertrain, améliorant ainsi l’autonomie et les performances des véhicules déjà en circulation. Cela pourrait révolutionner la notion de mise à jour du véhicule, la transformant d’une simple correction de bogues en une véritable amélioration des performances.
Pour les flottes commerciales, comme les services de covoiturage ou de location de voitures, une augmentation de 5 % de l’autonomie peut signifier plus de courses par véhicule avant de devoir recharger, réduisant ainsi les temps d’arrêt et augmentant les revenus. Pour le consommateur final, cela signifie une réduction significative de l' »anxiété d’autonomie », l’un des principaux obstacles à l’adoption des véhicules électriques.
En regardant vers l’avenir, la méthodologie développée dans cette étude est hautement évolutive. Elle peut être appliquée à des véhicules dotés de transmissions à plusieurs rapports, à des véhicules hybrides rechargeables ou même à des véhicules autonomes, où l’efficacité énergétique est un facteur critique. L’idée d’un système de propulsion « adaptatif » qui optimise automatiquement ses paramètres en temps réel en fonction des conditions de la route, du trafic ou du profil topographique, n’est plus de la science-fiction, mais une possibilité concrète rendue possible par des algorithmes comme le PSO.
Le choix de l’algorithme PSO a également montré sa pertinence par rapport aux autres méthodes. Contrairement aux algorithmes génétiques, qui peuvent nécessiter de nombreuses générations pour converger vers une solution, le PSO atteint des résultats de haute qualité en moins d’itérations, rendant le processus d’optimisation plus efficace et plus pratique pour les applications industrielles.
Enfin, cette étude met en lumière l’importance de la collaboration interdisciplinaire. Les chercheurs ont combiné des expertises en essais électroniques, en dispositifs micro et nano, en dynamique des systèmes et en modélisation computationnelle, démontrant que les plus grands progrès en ingénierie automobile moderne proviennent de l’intégration de différents domaines de connaissance.
Dans un contexte mondial de décarbonation du transport, des recherches comme celle-ci sont fondamentales. Elles offrent une voie pratique et économiquement viable pour accélérer la transition vers la mobilité électrique, en exploitant au maximum la technologie existante. Il ne s’agit pas d’attendre une révolution technologique, mais d’extraire le potentiel maximal de ce que nous avons déjà.
En conclusion, le travail de Ti Yuyu, Hong Yingping, Zhang Huixin et Zhang Ruihao constitue une contribution majeure au progrès de la mobilité électrique. En démontrant que de petits ajustements intelligents peuvent conduire à de grandes améliorations, ils redéfinissent ce que signifie l’innovation dans le secteur automobile. Leur recherche ne fait pas que améliorer les performances des véhicules actuels ; elle jette également les bases d’une nouvelle génération de véhicules électriques plus efficaces, plus performants et plus accessibles.
Ti Yuyu, Hong Yingping, Zhang Huixin, Zhang Ruihao, North University of China, Ship Electronic Engineering, DOI: 10.3969/j.issn.1672-9730.2024.11.025