Révolution dans l’alignement de la charge sans fil pour véhicules électriques
Alors que les véhicules électriques continuent de gagner du terrain sur les marchés mondiaux, l’amélioration des infrastructures de recharge devient une priorité absolue. Parmi les technologies les plus prometteuses figure le transfert d’énergie sans fil, qui offre une alternative transparente et conviviale aux systèmes traditionnels à branchement. Cependant, un défi persistant a limité son adoption généralisée : l’alignement précis des bobines entre le récepteur du véhicule et l’émetteur au sol. Un mauvais alignement peut réduire considérablement l’efficacité de la charge, rendant le positionnement précis essentiel. Une étude récente publiée dans Electrical Measurement & Instrumentation introduit une solution novatrice utilisant l’intelligence artificielle pour résoudre ce problème, ouvrant la voie à une charge sans fil plus fiable et efficace pour les véhicules électriques.
La recherche, dirigée par Zhixin Pan de Jiangsu Fangtian Electric Power Technology Co., Ltd., en collaboration avec des experts de State Grid Jiangsu Electric Power Co., Ltd. et de Southeast University, présente une approche révolutionnaire basée sur les réseaux neuronaux à rétropropagation (BP). Cette méthode permet la détection en temps réel de la position de la bobine réceptrice par rapport à la bobine émettrice, offrant un retour critique pour les systèmes d’aide à la conduite ou de stationnement autonome. Les résultats ont été détaillés dans le numéro de février 2024 de la revue, sous le titre « Recherche sur la technologie de positionnement des bobines basée sur le réseau neuronal BP », et ont depuis attiré l’attention des milieux universitaires et industriels.
Au cœur des systèmes modernes de charge sans fil pour véhicules électriques se trouve la résonance par couplage magnétique, un principe qui permet le transfert d’énergie efficace sur de courtes distances à travers des champs électromagnétiques. Pour une performance optimale, les bobines primaire (émettrice) et secondaire (réceptrice) doivent être étroitement alignées – généralement avec une tolérance de 10 cm – pour maintenir une efficacité de transfert de puissance élevée, souvent supérieure à 80%. Bien qu’il existe des aides mécaniques, comme des guides visuels ou des systèmes de stationnement assisté par capteurs, ces méthodes sont soit imprécises, soit coûteuses. De plus, l’alignement manuel reste peu pratique pour les utilisateurs quotidiens, surtout dans les stations de recharge publiques où la vitesse et la commodité sont primordiales.
Les solutions existantes ont exploré diverses techniques de détection. Certaines reposent sur des capteurs magnétorésistifs placés autour du tapis de charge pour détecter les variations du champ magnétique spatial. D’autres utilisent des systèmes auxiliaires comme des étiquettes RFID intégrées dans le châssis du véhicule. Cependant, ces approches nécessitent souvent du matériel supplémentaire, augmentent la complexité du système et élèvent les coûts de fabrication. De plus, beaucoup échouent à fournir des données positionnelles bidimensionnelles complètes nécessaires pour affiner l’alignement sur les axes x et y.
L’innovation de l’équipe contourne ces limitations en exploitant l’apprentissage automatique pour interpréter les signaux provenant de simples bobines de détection intégrées dans l’infrastructure de recharge. Ces petites bobines inductives captent les fluctuations de tension induites par le champ électromagnétique généré par l’émetteur principal. Parce que la force et la distribution de ce champ varient selon la position relative de la bobine réceptrice, les tensions induites servent d’indicateurs indirects de la position spatiale. La relation entre les lectures de tension et les coordonnées physiques est cependant hautement non linéaire et complexe – trop intricate pour une modélisation mathématique conventionnelle.
C’est là que le réseau neuronal BP entre en jeu. Contrairement aux algorithmes basés sur des règles, les réseaux neuronaux excellent dans l’identification de motifs dans de grands ensembles de données et l’approximation de fonctions complexes sans nécessiter d’équations explicites. En entraînant le réseau sur un ensemble de données de positions connues et des entrées de tension correspondantes, il apprend à prédire des positions inconnues avec une précision remarquable. Essentiellement, le système traite la localisation des bobines comme un problème d’apprentissage supervisé : étant données quatre tensions d’entrée provenant de bobines de détection stratégiquement placées, le réseau produit les coordonnées x et y estimées du récepteur.
Pour valider leur concept, les chercheurs ont mené des études de simulation et d’expérimentation. Utilisant ANSYS Maxwell, un outil d’analyse par éléments finis largement utilisé dans la conception électromagnétique, ils ont modélisé un système typique de charge sans fil compensé LCC-S – une topologie privilégiée pour sa capacité à délivrer un courant constant côté primaire et une tension de sortie stable côté secondaire. Les bobines émettrice et réceptrice étaient de forme carrée, mesurant respectivement 550 mm et 450 mm de côté, avec une séparation verticale standard de 20 cm, simulant une garde au sol réaliste du véhicule.
Une grille de 1 600 points a été définie sur une zone de 20 cm × 20 cm centrée sur la bobine émettrice, avec des mesures prises tous les 0,5 cm. À partir de cette carte complète, 25 points de données représentatifs ont été sélectionnés pour l’entraînement du réseau neuronal. Parmi ceux-ci, 17 ont été utilisés pour l’entraînement effectif, tandis que 4 servaient à la validation et 4 autres aux tests finaux. La boîte à outils MATLAB Deep Learning a été employée, utilisant l’algorithme de Levenberg-Marquardt – une technique d’optimisation avancée connue pour sa convergence rapide dans les réseaux de petite à moyenne taille.
Une décision clé dans la conception des réseaux neuronaux est de déterminer le nombre de neurones dans la couche cachée, ce qui impacte directement la capacité du modèle et la charge computationnelle. Trop peu de neurones peuvent résulter en un sous-ajustement, tandis que trop nombreux peuvent conduire à un surajustement et à des temps de traitement plus longs. Guidés par des règles empiriques suggérant une gamme entre √(n + r) + a (où n est le nombre d’entrées, r le nombre de sorties, et a un petit entier), l’équipe a testé des configurations avec 5, 10 et 15 neurones cachés. Étonnamment, la configuration la plus simple – avec seulement cinq neurones – a donné les meilleures performances, atteignant une erreur de positionnement moyenne de seulement 0,907 cm en simulations. Augmenter le nombre de neurones n’a pas amélioré la précision, indiquant que la complexité du problème pouvait être capturée efficacement sans calcul excessif.
Encouragés par ces résultats, l’équipe est passée à l’expérimentation physique. Un banc d’essai réel a été construit, comportant le même circuit LCC-S alimenté par une source AC de 390V fonctionnant à fréquence de résonance. Quatre bobines de détection étaient montées sous l’émetteur, chacune connectée à un circuit de conditionnement de signal comprenant des diodes pour la redressement demi-onde, des filtres RC pour la détection de crête, et des diviseurs résistifs pour réduire les tensions à des niveaux adaptés à la conversion analogique-numérique des microcontrôleurs. L’acquisition de données était gérée via un processeur monocpu, qui alimentait les valeurs de tension brutes dans le réseau BP pré-entraîné fonctionnant sur un ordinateur hôte.
Le protocole expérimental reflétait la configuration de simulation : les mêmes 25 points d’étalonnage étaient mesurés manuellement, puis utilisés pour entraîner le réseau. Cinq nouvelles positions de test étaient évaluées, incluant des locations décentrées comme (-2,5 cm, -7,5 cm) et (7,0 cm, 3,5 cm). Le système a prédit avec succès toutes les positions avec une précision au niveau du centimètre, bien que de légères déviations aient été observées comparé aux résultats de simulation. Par exemple, au point (-2,5, -7,5), le réseau a estimé (-4,14, -8,4), résultant en une erreur d’environ 1,8 cm. Des divergences similaires sont survenues ailleurs, principalement attribuées au bruit de mesure, à de légers déplacements durant le positionnement manuel, et aux non-idéalités des circuits analogiques.
Malgré ces variances, la cohérence globale entre les résultats simulés et réels a confirmé la robustesse de la méthode. Comme montré dans les graphiques comparatifs de distribution d’erreur, les erreurs expérimentales sont restées dans des limites acceptables, renforçant la faisabilité du déploiement d’un tel système dans des applications commerciales. Notamment, l’ensemble du processus – de l’échantillonnage de tension à l’estimation des coordonnées – s’est produit rapidement, permettant un retour quasi en temps réel idéal pour l’intégration avec des systèmes de stationnement automatisé.
Ce qui distingue cette approche est son équilibre entre simplicité, rentabilité et performance. Contrairement aux alternatives nécessitant de nombreux capteurs comme des réseaux de dispositifs à effet Hall ou une infrastructure RFID externe, cette solution n’utilise que des éléments inductifs passifs déjà compatibles avec le matériel de charge existant. Il n’y a pas besoin d’émetteurs supplémentaires, de caméras, ou de modules ultrasoniques. L’intelligence réside entièrement dans le logiciel, rendant les mises à niveau et les recalibrations simples via des mises à jour de micrologiciel.
De plus, la dépendance aux réseaux neuronaux BP apporte une adaptabilité inhérente. Si les conditions environnementales changent – comme des variations de température affectant la résistance des bobines ou des objets métalliques à proximité distordant le champ magnétique – le réseau peut être réentraîné avec des données mises à jour pour maintenir la précision. Ceci contraste fortement avec les modèles à paramètres fixes qui se dégradent avec le temps sans recalibration manuelle.
D’un point de vue pratique, l’intégration de cette technologie dans les architectures actuelles de véhicules électriques nécessiterait des modifications minimales. Les constructeurs automobiles pourraient intégrer le réseau neuronal entraîné dans l’unité de contrôle de charge embarquée, tandis que les opérateurs de stations de recharge pourraient implémenter le circuit de détection durant l’installation des tapis. Le retour pourrait alors être relayé visuellement à travers l’affichage du tableau de bord, auditivement via des alertes, ou automatiquement à travers des protocoles de communication véhicule-infrastructure permettant des manœuvres de stationnement automatique.
Les implications vont au-delà de la commodité des consommateurs. Les gestionnaires de flottes d’autobus électriques ou de camionnettes de livraison bénéficieraient significativement, car un alignement constant et rapide réduit les temps d’arrêt et maximise l’efficacité opérationnelle. Les centres de recharge publics pourraient voir un débit plus élevé, réduisant la congestion et améliorant la satisfaction des utilisateurs. De plus, un alignement précis assure un transfert d’énergie maximal, minimisant la chaleur perdue et prolongeant la durée de vie des composants – des considérations clés pour la durabilité à long terme.
La sécurité est une autre dimension améliorée par le positionnement précis. Quand les bobines sont mal alignées, les champs électromagnétiques parasites peuvent augmenter, interférant potentiellement avec les pacemakers ou autres équipements électroniques sensibles. Les normes réglementaires, comme celles établies par la Commission Electrotechnique Internationale (IEC), imposent des limites strictes sur les émissions électromagnétiques. En assurant un couplage optimal, cette méthode pilotée par l’IA aide à maintenir les émissions dans des seuils sûrs, contribuant à une acceptation plus large de la charge sans fil dans les environnements urbains.
Bien que l’implémentation actuelle se concentre sur le déplacement planaire, les travaux futurs pourraient s’étendre pour inclure la distance verticale (axe z) et l’orientation angulaire (tangage et lacet), fournissant un suivi complet à six degrés de liberté. Ceci serait particulièrement utile pour les surfaces inégales ou les allées en pente. Incorporer des capacités d’apprentissage dynamique – où le réseau s’affine continuellement basé sur des données en direct – pourrait encore améliorer la résilience contre l’usure et la dérive environnementale.
Une autre voie implique des réseaux d’émetteurs multi-bobines, où plusieurs bobines se chevauchant permettent une flexibilité spatiale accrue. Dans de telles configurations, connaître la position exacte du récepteur permet l’activation sélective de la sous-bobine la plus proche, boostant l’efficacité et réduisant les pertes en veille. Le cadre de réseau neuronal BP décrit ici fournit une base solide pour de telles stratégies de commutation intelligentes.
La réponse de l’industrie à l’étude a été positive. Les experts notent que bien que la charge sans fil ait longtemps été vue comme une fonction premium, des avancées comme celle-ci la rapprochent de la viabilité grand public. Les organismes de standardisation, incluant SAE International et le Wireless Power Consortium, développent activement des directives d’interopérabilité, et l’incorporation du positionnement basé sur l’IA pourrait devenir partie des spécifications futures.
En conclusion, la recherche menée par Zhixin Pan, Xiaomei Yang, Chengliang Wang, Yijun Fei, Qingqiang Xu et Chengyun Li représente un bond en avant significatif dans la technologie de charge sans fil pour véhicules électriques. En combinant les principes électromagnétiques fondamentaux avec l’apprentissage automatique moderne, ils ont créé une solution évolutive, précise et économiquement viable à l’un des défis les plus durables du domaine. Leur travail démontre comment la collaboration interdisciplinaire – couvrant l’ingénierie énergétique, le traitement du signal et l’intelligence artificielle – peut produire des innovations pratiques avec un impact étendu.
Alors que les villes à travers le monde accélèrent leur transition vers les transports électrifiés, les technologies qui simplifient et optimisent l’expérience de recharge seront cruciales. Ce système de positionnement basé sur le réseau neuronal BP améliore non seulement les performances techniques mais aussi la confiance et l’engagement des utilisateurs, supprimant une barrière psychologique majeure à l’adoption. Avec un raffinement et un déploiement continus, il pourrait bientôt devenir une fonction standard dans les systèmes de charge sans fil de nouvelle génération.
Recherche sur la technologie de positionnement des bobines basée sur le réseau neuronal BP – Zhixin Pan, Xiaomei Yang, Chengliang Wang, Yijun Fei, Qingqiang Xu, Chengyun Li ; Electrical Measurement & Instrumentation ; DOI : 10.19753/j.issn1001-1390.2024.02.029