Stratégie Énergétique Révolutionnaire pour Camions Électriques
Dans un domaine en pleine mutation, où la course à l’efficacité énergétique et à la durabilité définit les contours de l’innovation automobile, une équipe de chercheurs de l’Université des Sciences et Technologies de Kunming a franchi une étape décisive. Leur travail, mené par Sun Yunxiang, Wang Guiyong et Wang Weichao, introduit une stratégie de gestion énergétique de pointe pour les camions électriques à autonomie étendue (R-EEV), une technologie qui se positionne comme un maillon essentiel dans la transition vers des solutions de transport plus propres. En s’appuyant sur un algorithme d’optimisation bio-inspiré, connu sous le nom d’algorithme de l’efrit (Mayfly Algorithm), et en le perfectionnant de manière significative, ces ingénieurs ont non seulement repoussé les limites de l’efficacité, mais ont également établi un nouveau paradigme pour l’intégration de l’intelligence artificielle dans la conception des systèmes de propulsion modernes.
Les véhicules à autonomie étendue représentent une solution élégante aux défis posés par l’électromobilité pure. Ils combinent la souplesse d’un moteur à combustion interne, qui sert d’unité de puissance auxiliaire (APU) pour recharger la batterie, avec les avantages d’un moteur électrique, offrant une conduite silencieuse et une accélération instantanée. Cependant, la clé de leur succès réside dans un système de gestion énergétique sophistiqué, capable de décider en temps réel quand allumer l’APU, à quelle puissance la faire fonctionner et comment optimiser le flux d’énergie entre le moteur, le générateur et la batterie. Les stratégies traditionnelles, souvent basées sur des règles simples, se révèlent limitées. La stratégie « thermostat », par exemple, maintient l’APU à un point de fonctionnement unique, généralement le plus efficace en termes de consommation de carburant. Bien que cela maximise l’efficacité du moteur, cela ignore les variations de la demande de puissance du véhicule et peut entraîner des cycles de charge et de décharge agressifs pour la batterie, nuisibles à sa longévité. À l’opposé, la stratégie « suivi de puissance » ajuste la puissance de l’APU en fonction de la demande instantanée du véhicule. Cette approche est plus réactive mais peut forcer l’APU à fonctionner dans des zones de son diagramme de fonctionnement où il est moins efficace et où ses émissions polluantes sont plus élevées, compromettant ainsi les objectifs environnementaux.
C’est précisément ce dilemme entre efficacité du moteur, longévité de la batterie et respect de l’environnement que les chercheurs de Kunming ont cherché à résoudre. Leur approche novatrice repose sur un modèle d’optimisation multi-objectifs, un cadre mathématique qui ne cherche pas à optimiser un seul paramètre, mais plusieurs simultanément. Dans leur étude, les objectifs étaient clairs : minimiser la consommation de carburant, réduire les émissions de polluants (NOx, CO, HC), limiter les pertes d’énergie dans le processus de conversion du générateur et, cruciallement, préserver la santé de la batterie en minimisant sa sollicitation. Cette dernière dimension, souvent négligée, est cruciale car la durée de vie d’une batterie lithium-ion est directement liée au nombre de cycles de charge/décharge complets qu’elle subit, un concept mesuré par l’accumulation d’ampères-heures (A·h).
Pour naviguer dans cet espace complexe de compromis, les chercheurs ont choisi un algorithme d’optimisation inspiré du monde naturel : l’algorithme de l’efrit. Cet algorithme simule le comportement de reproduction des efrits, où les mâles forment des nuages dansants et les femelles choisissent un partenaire en fonction de sa performance. Dans le contexte informatique, chaque « efrit » représente une solution potentielle, définie par un couple couple/vitesse pour l’APU. L’algorithme fait alors évoluer une population de ces solutions, les faisant « danser » et « s’accoupler » selon des règles mathématiques, afin de converger vers la solution optimale. L’innovation majeure de l’équipe a été de développer une version améliorée de cet algorithme, baptisée IMA (Improved Mayfly Algorithm). L’IMA introduit des facteurs d’apprentissage dynamiques qui changent au cours du processus d’optimisation. Au début, ces facteurs encouragent une exploration large et aléatoire de l’espace des solutions, augmentant considérablement la capacité de l’algorithme à échapper aux minima locaux (de mauvaises solutions qui semblent optimales à première vue). Ensuite, au fur et à mesure que l’optimisation progresse, ces facteurs évoluent pour favoriser une convergence rapide et précise vers la meilleure solution globale. Cette amélioration a permis à l’IMA de surpasser l’algorithme d’origine, non seulement en trouvant une solution plus performante, mais aussi en le faisant plus rapidement, une caractéristique essentielle pour des applications pratiques.
Le résultat de cette optimisation hors ligne, réalisée sur un modèle numérique du camion, a été une courbe de fonctionnement optimale pour l’APU. Contrairement à la courbe traditionnelle de consommation minimale, cette nouvelle courbe reflète un compromis intelligent. À bas régime et faible charge, l’APU est programmée pour fonctionner à un couple plus élevé que ce que la simple optimisation de la consommation suggérerait. Cela peut sembler contre-intuitif, mais cette stratégie permet de charger la batterie plus rapidement, réduisant ainsi le temps total d’utilisation du moteur à combustion et, par conséquent, les émissions globales. À l’inverse, à haut régime et forte charge, le couple est légèrement réduit par rapport à la courbe traditionnelle. Cela évite les zones de fonctionnement où la combustion est moins complète et les émissions de NOx explosent. Cette courbe optimisée est le cœur de la nouvelle stratégie de gestion énergétique, qu’ils ont appelée stratégie à points multiples.
La mise en œuvre de cette courbe optimisée dans un véhicule réel présente un défi majeur : la nécessité d’un contrôle en temps réel. Un algorithme d’optimisation complexe ne peut pas fonctionner directement dans le calculateur du véhicule. C’est là qu’intervient une seconde couche d’intelligence : un contrôleur flou. Ce contrôleur, un concept bien établi en automatique, fonctionne avec des règles basées sur des jugements qualitatifs plutôt que des équations précises. Il prend deux entrées en temps réel : la puissance demandée par le véhicule (Preq) et la variation du niveau de charge de la batterie (SOC). En fonction de ces deux paramètres, le contrôleur flou décide à quel point de fonctionnement de la courbe optimisée l’APU doit opérer (basse, moyenne ou haute puissance) et, plus subtilement, il détermine le temps minimum que l’APU doit rester à ce point avant de pouvoir changer. Ce mécanisme de « maintien » est crucial. Il empêche l’APU de sauter constamment d’un point à un autre en réponse aux moindres fluctuations de la demande de puissance, un comportement qui serait inefficace et stressant pour le moteur. Par exemple, si la batterie se charge rapidement (SOC qui augmente vite) alors que le véhicule demande beaucoup de puissance, le contrôleur flou réduira le temps de maintien, permettant une transition rapide vers un point de puissance inférieur pour éviter une surcharge de la batterie. Si, au contraire, la batterie se vide lentement et que la demande est modérée, le contrôleur permettra à l’APU de rester plus longtemps à son point de fonctionnement actuel, assurant une stabilité et une efficacité maximales.
Pour valider leur stratégie, les chercheurs ont mené une campagne de simulation exhaustive en utilisant les logiciels industriels de référence, MATLAB/Simulink et AVL CRUISE. Ils ont soumis un modèle détaillé de leur camion léger à autonomie étendue à un cycle de conduite standardisé, le WLTP (Worldwide harmonized Light vehicles Test Procedure), qui simule des conditions de conduite réalistes. Les résultats, comparés aux stratégies traditionnelles de thermostat et de suivi de puissance, ont été éloquents. La stratégie à points multiples a surpassé la stratégie de thermostat de 16,2 % en termes de performance globale et la stratégie de suivi de puissance de 7,8 %. Cette amélioration globale se traduit par des gains concrets. Le consommation spécifique de carburant a été réduite de 8,328 grammes par kilowattheure, une économie significative à l’échelle d’une flotte de véhicules. Les émissions de NOx, CO et HC ont également été réduites, démontrant un bénéfice environnemental tangible. Peut-être plus impressionnant encore, l’impact sur la batterie a été considérablement atténué. L’accumulation d’ampères-heures, un indicateur direct de l’usure, a été réduite de manière drastique par rapport à la stratégie de thermostat, préservant ainsi la durée de vie de cette composante coûteuse.
L’importance de cette recherche dépasse le simple gain d’efficacité pour un type de véhicule spécifique. Elle illustre un changement de paradigme dans la conception des véhicules. Plutôt que de concevoir des composants isolés et de les connecter avec des règles de contrôle simples, l’approche de Kunming montre la puissance d’une conception systémique. En modélisant l’ensemble du système de propulsion comme un tout interconnecté et en utilisant des outils d’optimisation avancés pour explorer l’espace des solutions, les ingénieurs peuvent découvrir des compromis et des synergies invisibles à l’analyse humaine traditionnelle. L’algorithme IMA, en tant qu’outil d’exploration, a permis de trouver un point de fonctionnement qui, bien que peut-être pas optimal pour le moteur seul, est optimal pour le système dans son ensemble, en tenant compte de la batterie, des émissions et de la consommation.
Cette étude souligne également le rôle croissant de l’intelligence artificielle et de l’optimisation dans l’ingénierie automobile. Les algorithmes bio-inspirés, comme celui de l’efrit, sont particulièrement adaptés à des problèmes complexes et non linéaires, comme la gestion énergétique, où les relations entre les variables ne sont pas simples. L’amélioration apportée par l’IMA, avec ses facteurs d’apprentissage dynamiques, montre que ces algorithmes ne sont pas des boîtes noires figées, mais des outils évolutifs qui peuvent être affinés pour des applications spécifiques. Cette capacité à créer des « algorithmes sur mesure » est une compétence clé pour les futurs ingénieurs.
Enfin, le travail de Sun Yunxiang, Wang Guiyong et Wang Weichao est un exemple brillant de collaboration entre le monde universitaire et l’industrie. Leur affiliation avec le laboratoire clé des moteurs à combustion interne du Yunnan et leur collaboration avec Kunming Yunnei Power Co., Ltd., un fabricant de moteurs, assurent que leur recherche est ancrée dans les réalités techniques et commerciales. Cette synergie entre la recherche fondamentale et l’application industrielle est essentielle pour transformer des idées innovantes en technologies réellement déployées sur le marché.
En conclusion, cette recherche ne se contente pas d’optimiser un camion. Elle propose une méthodologie puissante pour repenser la façon dont nous concevons et contrôlons les véhicules du futur. En intégrant des algorithmes d’optimisation avancés avec des contrôleurs intelligents en temps réel, elle ouvre la voie à une nouvelle génération de véhicules qui ne seront pas seulement plus efficaces, mais aussi plus intelligents, plus durables et mieux intégrés dans un écosystème de mobilité durable. Le camion de Kunming est plus qu’un prototype ; c’est un manifeste pour une ingénierie automobile plus holistique et plus intelligente.
Sun Yunxiang, Wang Guiyong, Wang Weichao, et al., Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20230067