Real-time optimal control of a low consumption electric vehicle - Université de Lorraine Access content directly
Theses Year : 2014

Real-time optimal control of a low consumption electric vehicle

Commande optimale d’une voiture électrique à faible consommation sous contraintes temps réel

Abstract

In the field of transportation, the research on energy efficiency has been carried out for few decades by the automotive industry, where one of the main objectives is to reduce the energetic consumption. This particular problem can be rephrased as how the vehicle must be driven so that the minimum quantity of energy is used. This is the optimal driving strategy. In this project, a suitable model of the Vir'volt electric vehicle involved in the European Shell Eco-Marathon is obtained. The unknown parameters involved in the vehicle dynamics are estimated using Parameter identification from experimental data. The identified dynamics is used to derive an optimal driving strategy that is intended to be tracked on-line during the driving task. The tracking task is subject to time-varying polytopic constraint on the input and/or the state. A MPC-based tracking strategy that uses an homothetic transformation as a suitable time-varying invariant set is used. The time-varying invariant set guarantees the asymptotic stability of the control law. The problem of the MPC tracking for Linear Parametric Varying (LPV) systems is introduced. A new explicit MPC strategy for LPV systems is developed. This strategy uses a Parameter dependent Lyapunov Function (PDLF) to involve explicitly the time-varying parameter in the control law and so it reduces conservatism. A benchmark is used to test the performances of the optimal driving strategy and the explicit MPC tracking strategy. Finally, a robust adaptive technique with on-line identification of the dynamics is has been proposed and tested in the race showing good performances of the adaptive driving strategy
Le problème de l'efficacité énergétique dans le domaine des transports a comme principal défi savoir comment utiliser la source d'énergie pour que l'efficacité énergétique puisse être maximisée, c'est-à-dire comment le véhicule doit être conduit de telle sorte que la quantité minimale d’énergie est utilisée. Ce problème est le principal problème considéré dans cette thèse. Le véhicule est un prototype impliqué dans la course européenne Shell Eco-Marathon. La dynamique du véhicule est d'abord obtenu par l'identification expérimentale des paramètres. Une stratégie en boucle ouverte de conduite optimale en termes de consommation électrique est calculée. Plusieurs approches ont été étudiées pour le suivi de la référence optimale (stratégie de conduite optimale). Ces approches doivent prendre en compte les ressources limitées en taille mémoire et capacité de calcul. Une commande prédictive (MPC) basée sur la dynamique linéarisée est tout d'abord synthétisée. Le problème de poursuite nécessite une MPC avec contraintes variant dans le temps. La stabilité et la convergence de la commande prédictive sont prouvées à l'aide du formalisme des ensembles invariants. En troisième partie, à partie du modèle LPV, une adaptation de techniques standards basées sur des fonctions de Lyapunov quadratiques et à paramètres variants avec calculs hors-ligne est proposée. Elle est implémentée sur un banc de test. Enfin, une technique adaptative robuste avec identification en ligne de la dynamique est proposée et implémentée dans le véhicule. Cette technique a été testée et validée en course. Les résultats expérimentaux obtenus montrent de bonnes performances de la stratégie de conduite
Fichier principal
Vignette du fichier
DDOC_T_2014_0198_MANRIQUE_ESPINDOLA.pdf (5.74 Mo) Télécharger le fichier
Origin Files produced by the author(s)
Loading...

Dates and versions

tel-01751143 , version 1 (10-02-2015)
tel-01751143 , version 2 (29-03-2018)

Identifiers

  • HAL Id : tel-01751143 , version 2

Cite

Dolly Tatiana Manrique Espindola. Real-time optimal control of a low consumption electric vehicle. Other. Université de Lorraine, 2014. English. ⟨NNT : 2014LORR0198⟩. ⟨tel-01751143v2⟩
569 View
791 Download

Share

Gmail Mastodon Facebook X LinkedIn More