HdR : "Performance Improvement of Electric Vehicle Using a Hybrid Sources Approach Based on Combined Optimal Sizing and Smart Energy Management Strategies".

Soutenance d'HDR (Habilitation à Diriger des Recherches) : Tedjani MESBAHI

Equipe : SMH

Titre: "Performance Improvement of Electric Vehicle Using a Hybrid Sources Approach Based on Combined Optimal Sizing and Smart Energy Management Strategies".

Date et heure: 10 juillet à partir de 14h, dans l'Amphithéâtre A&I E 0.19 (bâtiment E) à l'INSA Strasbourg.

La soutenance sera réalisée en français et sera suivie d'un moment convivial.

Résumé: Les activités de recherche présentées dans ce rapport ont été principalement menées au sein de l’équipe SMH du laboratoire ICube de l’INSA et de l’Université de Strasbourg, axées sur l’exploration des performances et de la fiabilité du stockage d’énergie pour les véhicules électriques et hybrides. L’objectif est de développer des stratégies de gestion d’énergie qui optimisent les performances de stockage et améliorent la durée de vie du véhicule ainsi que son coût total de possession. Le travail de recherche propose une source d’énergie hybride embarquée utilisant des batteries Li-ion et des supercondensateurs, qui réduit les dimension et augmente la durée de vie par rapport aux solutions à source unique. Le concept de source hybride est basé sur la dissociation des exigences en énergie et en puissance pour la source embarquée, et un algorithme est utilisé pour déterminer les dimensions optimales de la source hybride. Le projet de recherche vise également à créer différents modèles multi-physiques qui intègrent les comportements électrique, thermique et de vieillissement pour analyser la dégradation des composants de stockage. De plus, de nombreux modèles basés sur les données ont été développés pour des batteries Li-ion. Le projet cherche également à mettre en œuvre de nouvelles stratégies de gestion d’énergie pour la source d’énergie hybride embarquée. De nombreux modèles d’apprentissage automatique avec des méthodes d’Intelligence Artificielle Explicable sont également présentés pour estimer l’état de charge, l’état de santé et la durée de vie utile restante de la batterie Li-ion. Les résultats montrent qu’il est possible d’utiliser de manière plus efficace la source d’énergie hybride embarquée en partageant la puissance de manière optimale, ouvrant la voie à de nouvelles approches de gestion d’énergie pour ces systèmes dans les applications de véhicules électriques. La conclusion porte sur les possibilités futures d’optimisation et de
durabilité de la recherche, et analyse les perspectives de poursuite de la recherche actuelle ou d’exploration de nouvelles idées.

Mots clefs: Batterie Li-ion, supercondensateurs, source d’énergie hybride embarquée, dimensionnement, vieillissement, modèle multi-physique, modèle axée sur les données, stratégies de gestion intelligente de l’énergie, intelligence artificielle explicable, système de gestion de la

Jury :