Une stratégie de contrôle innovante optimise le freinage régénératif des véhicules électriques
Dans l’industrie automobile en pleine transformation, la course à l’efficacité énergétique est devenue le nouveau champ de bataille où se joue la compétitivité des constructeurs. Alors que les batteries deviennent de plus en plus performantes, une autre frontière technologique, tout aussi cruciale, est celle de la récupération d’énergie. Le freinage régénératif, ce processus qui transforme l’énergie cinétique perdue lors de la décélération en électricité réinjectée dans la batterie, n’est plus un simple accessoire, mais un pilier fondamental de l’autonomie des véhicules électriques. Une percée significative dans ce domaine a été réalisée par une équipe de chercheurs de l’Université des Nationalités du Yunnan, qui a conçu une stratégie de contrôle d’une sophistication remarquable. En combinant la logique floue, un outil d’intelligence artificielle, avec un algorithme d’optimisation inspiré de la nature, les ingénieurs ont non seulement augmenté de manière spectaculaire l’efficacité de la récupération d’énergie, mais ont également démontré que cette performance peut être atteinte sans compromettre la sécurité ou la stabilité du véhicule, deux critères absolus dans l’univers de l’automobile.
Le cœur de cette innovation, détaillée dans un article publié par la revue scientifique Modern Manufacturing Engineering, réside dans un contrôle dynamique et intelligent de la répartition de la force de freinage entre le moteur électrique et les freins mécaniques classiques. Contrairement aux stratégies traditionnelles, souvent basées sur des règles fixes et des seuils prédéfinis, ce nouveau système est vivant, capable d’adapter son comportement en temps réel à une multitude de paramètres de conduite. Les chercheurs, menés par Li Huaxin, en collaboration avec Chen Fangfang, Xu Tianqi, Cheng Sanbang de l’Universine des Nationalités du Yunnan, et Mao Yisheng de Huadian Chongqing New Energy Co., Ltd., ont conçu un contrôleur flou qui prend en compte trois variables essentielles : l’état de charge (State of Charge, SOC) de la batterie, la vitesse du véhicule et l’intensité de la demande de freinage. Ces données sont ensuite utilisées pour calculer un coefficient crucial, le coefficient de proportion de freinage régénératif, noté K. Ce coefficient détermine précisément quelle fraction de la force de freinage totale doit être assurée par le moteur électrique (et donc convertie en énergie) et quelle part doit être dévolue aux freins hydrauliques ou mécaniques.
L’approche floue est particulièrement adaptée à ce type de problème car elle excelle dans la gestion de l’incertitude et de la complexité. Elle permet de traduire des concepts humains comme « vitesse modérée » ou « freinage fort » en instructions pour un système informatique, sans avoir besoin de définitions numériques rigides. Cependant, la performance d’un tel contrôleur dépend grandement de la qualité de ses « fonctions d’appartenance », qui sont les règles mathématiques définissant comment les valeurs d’entrée sont interprétées. Traditionnellement, ces fonctions sont définies manuellement par des experts, un processus qui peut être subjectif et ne pas aboutir à la solution optimale.
C’est là que réside la véritable ingéniosité de la recherche. Pour dépasser les limites de la conception manuelle, l’équipe a fait appel à un algorithme d’optimisation avancé : une version améliorée de l’algorithme de l’optimisation de la baleine (Whale Optimization Algorithm, WOA). Inspiré du comportement de chasse des baleines à bosse, qui utilisent une technique de « filet de bulles » pour encercler leurs proies, cet algorithme fonctionne comme une équipe de chasseurs virtuels explorant un vaste espace de solutions. Chaque « baleine » représente une configuration possible des fonctions d’appartenance. L’algorithme les fait évoluer, les faisant converger progressivement vers la configuration qui maximise l’objectif : la récupération d’énergie.
Le défi majeur de ces algorithmes est qu’ils peuvent parfois converger trop rapidement vers une solution locale, bonne mais pas la meilleure possible. Pour éviter ce piège, les chercheurs ont introduit un mécanisme de « poids d’inertie adaptatif ». Ce poids agit comme un régulateur du comportement de l’algorithme. Au début de la recherche, un poids d’inertie élevé encourage les « baleines » à explorer largement le paysage des solutions, évitant ainsi de se concentrer trop tôt sur une zone spécifique. À mesure que le processus avance et que des solutions prometteuses sont identifiées, le poids d’inertie diminue de manière adaptative, permettant à l’algorithme de se concentrer et d’exploiter ces zones pour affiner la solution finale. Ce balancement intelligent entre « exploration » et « exploitation » est la clé de voûte qui garantit que l’algorithme trouve non pas une bonne solution, mais la meilleure solution globale pour le contrôleur flou.
L’objectif ultime de cette optimisation est d’augmenter au maximum la contribution du moteur électrique à la force de freinage totale, en particulier sur l’essieu avant, configuration très répandue sur les véhicules électriques. En faisant en sorte que le moteur fournisse la plus grande part possible de la force de freinage, une quantité maximale d’énergie cinétique est convertie en électricité. Cependant, ce gain en efficacité ne peut jamais se faire au détriment de la sécurité. Le système doit impérativement respecter les normes internationales strictes, comme la réglementation ECE R13, et adhérer à la courbe I théorique, qui définit la répartition idéale de la force de freinage entre les essieux avant et arrière pour garantir la stabilité du véhicule et éviter le blocage des roues.
Pour concilier ces objectifs parfois antagonistes, la stratégie de contrôle met en place une approche en plusieurs phases, basée sur l’intensité de la demande de freinage (Z). Lorsque le freinage est léger (Z ≤ 0,19), le système peut compter exclusivement sur le moteur de l’essieu avant, permettant ainsi une récupération d’énergie de 100%. Lorsque l’intensité augmente (0,19 < Z ≤ 0,51), l'essieu arrière commence à fournir une force de freinage mécanique minimale, nécessaire pour respecter les réglementations, tandis que le moteur avant continue de fournir la majeure partie de la force. Pour des freinages plus intenses (0,51 < Z ≤ 0,70), la priorité bascule vers la sécurité : la participation des freins mécaniques à l'arrière est augmentée pour assurer la stabilité, mais le moteur avant continue à contribuer de manière significative à la récupération d'énergie. Enfin, lorsque l'intensité de freinage dépasse 0,70, ce qui correspond à une situation de freinage d'urgence, le système désactive complètement le freinage régénératif et confie toute la force de freinage aux freins mécaniques pour garantir la puissance de freinage maximale et la sécurité du conducteur.
Cette architecture en couches démontre une compréhension profonde de la dynamique du véhicule. Elle permet d’extraire le maximum d’énergie dans les conditions de conduite quotidiennes, tout en assurant une transition fluide et sécurisée vers les freins conventionnels lorsque la situation l’exige. Pour valider leur stratégie, les chercheurs ont mené des simulations approfondies en utilisant le logiciel MATLAB/Simulink et le cycle de conduite NEDC (New European Driving Cycle), un standard largement reconnu pour évaluer les performances des véhicules. Les résultats ont été éloquents : par rapport à une stratégie de contrôle traditionnelle, la stratégie floue optimisée a augmenté la récupération d’énergie de 44,44 %. Par rapport à la même stratégie floue avant son optimisation, l’amélioration a été de 39,98 %. Ces chiffres impressionnants mettent en lumière l’impact transformateur de l’algorithme de la baleine amélioré.
L’analyse de l’état de charge (SOC) de la batterie a renforcé ces conclusions. Au cours de la simulation NEDC, le SOC de la batterie est passé de 0,80 à 0,6917 avec la stratégie optimisée, soit la plus faible dégradation parmi toutes les stratégies testées. Cela indique non seulement une récupération d’énergie supérieure, mais aussi une moindre sollicitation de la batterie, un facteur qui pourrait potentiellement prolonger sa durée de vie. L’énergie totale récupérée a atteint 389 kJ, surpassant largement la stratégie traditionnelle (192,4 kJ) et la stratégie floue non optimisée (277,9 kJ).
Au-delà des chiffres, ce travail illustre le rôle croissant des algorithmes intelligents dans l’ingénierie automobile moderne. Alors que les véhicules deviennent des ordinateurs roulants, la capacité de prendre des décisions complexes en temps réel devient primordiale. La combinaison de la logique floue, qui modélise la prise de décision humaine, et d’un algorithme d’optimisation bio-inspiré, qui explore des solutions de manière exhaustive, représente une fusion puissante entre l’intuition et la précision computationnelle. Cette recherche est un exemple concret de la manière dont des techniques d’optimisation avancées peuvent être appliquées pour résoudre des problèmes d’ingénierie du monde réel, offrant des solutions à la fois plus efficaces, plus robustes et plus fiables.
Les implications de cette étude sont vastes pour l’ensemble de l’industrie. Pour les constructeurs, adopter une telle stratégie de contrôle offre une voie claire pour augmenter l’autonomie des véhicules électriques sans avoir à augmenter la taille ou le coût de la batterie, une solution à la fois économique et écologique. Pour les consommateurs, cela se traduit par une réduction de l’anxiété liée à l’autonomie, la possibilité de parcourir de plus longues distances avec une seule charge et des coûts de fonctionnement réduits. Du point de vue environnemental, chaque kilowattheure d’énergie récupérée est une quantité équivalente d’énergie qui n’a pas besoin d’être produite par le réseau électrique, contribuant ainsi à une empreinte carbone plus faible sur l’ensemble du cycle de vie du véhicule.
La méthodologie proposée démontre également une grande versatilité. Bien que l’étude se soit concentrée sur des véhicules à traction avant, le principe fondamental peut être adapté à des véhicules à traction arrière ou intégrale avec des modifications appropriées de la logique de répartition de la force. La nature modulaire du contrôleur flou le rend également compatible avec différents types de batteries et de moteurs, augmentant ainsi son applicabilité sur un marché des véhicules électriques de plus en plus diversifié.
Un autre point fort de cette recherche est son attention portée à la faisabilité pratique. La charge de calcul du contrôleur optimisé reste dans les limites acceptables pour être implémentée dans les unités de contrôle électronique (ECU) des véhicules, des systèmes embarqués avec des ressources informatiques limitées. Cela signifie que cette technologie n’est pas seulement un concept de laboratoire, mais une solution viable pour une production à grande échelle. La robustesse du système, issue d’une base de règles bien définie, est essentielle pour les applications automobiles où la défaillance n’est pas une option.
Dans un contexte plus large, cette recherche s’inscrit parfaitement dans la tendance mondiale vers des véhicules plus intelligents et connectés. Alors que les villes évoluent vers une mobilité intelligente, la capacité d’un véhicule à gérer son énergie de manière efficace et prévisible deviendra un atout précieux. Les véhicules équipés de systèmes avancés de freinage régénératif pourront mieux s’intégrer aux réseaux électriques intelligents, participer à des programmes de « vehicle-to-grid » (V2G), où ils fournissent de l’énergie au réseau, et contribuer à la stabilité globale du système énergétique.
Le succès de ce projet est un témoignage de l’importance de la collaboration entre le monde académique et industriel. La combinaison de connaissances théoriques approfondies de l’Université des Nationalités du Yunnan avec la perspective pratique de Huadian Chongqing New Energy Co., Ltd. a assuré que la recherche était à la fois innovante et applicable au monde réel. La collaboration entre des ingénieurs de différentes disciplines — électrique, contrôle et informatique — a été fondamentale pour la réussite du projet.
En regardant vers l’avenir, l’équipe suggère plusieurs directions pour de futures recherches. Une possibilité est l’intégration d’éléments prédictifs, utilisant des données de navigation ou de caméras pour anticiper les virages, les intersections ou les feux de signalisation, permettant au système d’optimiser la récupération d’énergie à l’avance. Une autre direction est l’application de techniques d’apprentissage automatique pour que le système s’adapte aux habitudes de conduite individuelles au fil du temps, personnalisant encore davantage la performance de récupération d’énergie.
De plus, des essais sur des véhicules physiques dans des conditions routières réelles sont la prochaine étape logique. Ces validations dans le monde réel seraient cruciales pour confirmer les résultats des simulations et pour évaluer les performances du système dans une grande variété de conditions, y compris différentes surfaces de route, des conditions météorologiques difficiles et des profils de conduite variés. De tels essais aideraient également à mieux comprendre l’interaction du nouveau système avec d’autres systèmes de sécurité du véhicule, comme le contrôle de stabilité électronique (ESP) et le régulateur de vitesse adaptatif.
En conclusion, le travail réalisé par Li Huaxin et ses collègues représente une avancée significative dans la quête de véhicules électriques plus efficaces. En affinant la logique floue avec un algorithme d’optimisation sophistiqué, ils ont démontré une approche pratique et très efficace pour améliorer le freinage régénératif. Leur recherche ne pousse pas seulement les limites de la technologie de gestion de l’énergie, mais fournit également un modèle clair de la manière dont la recherche académique peut générer des innovations tangibles ayant un impact direct sur les performances des véhicules du quotidien. Alors que l’industrie progresse vers une électrification totale, des innovations comme celle-ci seront les engrenages invisibles qui rendront la mobilité électrique non seulement viable, mais aussi véritablement durable et attrayante pour le consommateur mondial.
Li Huaxin, Chen Fangfang, Xu Tianqi, Cheng Sanbang, Mao Yisheng, Yunnan Minzu University, Huadian Chongqing New Energy Co., Ltd., Modern Manufacturing Engineering, DOI: 10.16731/j.cnki.1671-3133.2024.11.013