[go: up one dir, main page]

FR3152621A1 - Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé - Google Patents

Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé Download PDF

Info

Publication number
FR3152621A1
FR3152621A1 FR2309195A FR2309195A FR3152621A1 FR 3152621 A1 FR3152621 A1 FR 3152621A1 FR 2309195 A FR2309195 A FR 2309195A FR 2309195 A FR2309195 A FR 2309195A FR 3152621 A1 FR3152621 A1 FR 3152621A1
Authority
FR
France
Prior art keywords
electric vehicle
place
average
present
domicile
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR2309195A
Other languages
English (en)
Inventor
Xavier LE PIVERT
Quynh-Mai NGUYEN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Original Assignee
Commissariat a lEnergie Atomique CEA
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Commissariat a lEnergie Atomique CEA, Commissariat a lEnergie Atomique et aux Energies Alternatives CEA filed Critical Commissariat a lEnergie Atomique CEA
Priority to FR2309195A priority Critical patent/FR3152621A1/fr
Publication of FR3152621A1 publication Critical patent/FR3152621A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/62—Vehicle position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/02—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from AC mains by converters

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Transportation (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé L’invention concerne un procédé (20) de prédiction de la consommation électrique de recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation, comprenant les étapes suivantes : - obtention (22), pour une pluralité d’instants prédéterminés quotidiens, d’une estimation préalable du nombre de véhicule(s) électrique(s) présent(s) dudit ensemble à leur lieu de domiciliation ; - prédiction (24) de la consommation électrique associée à la recharge dudit ensemble en utilisant un abaque (32) prédéterminé indiquant la puissance moyenne instantanée de charge par véhicule présent, en fonction dudit nombre de véhicule(s) électrique(s) présent(s) selon ladite estimation, ladite consommation électrique prédite correspondant à la multiplication de ladite puissance moyenne instantanée de charge par véhicule présent par ledit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation. Figure pour l'abrégé : Figure 2

Description

Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé
La présente invention concerne un procédé de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation, ledit procédé étant mis en œuvre par un dispositif électronique de prédiction de la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s).
L’invention concerne également un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un tel procédé de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation.
L’invention concerne également ledit dispositif électronique de prédiction de la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s).
La présente invention concerne le domaine de la gestion des réseaux électriques et des marchés de l’électricité. En particulier, la présente invention porte sur la prédiction de la consommation électrique liée à la recharge de véhicule(s) électrique(s) (également appelé(s) par la suite VE), à domicile et ce pour un parc de véhicule(s) électrique(s) correspondant par exemple à une zone géographique prédéterminée telle qu’une région, un pays, etc., ou à un parc de véhicule(s) électrique(s) géré par un fournisseur donné, ou à un parc de véhicule(s) électrique(s) contrôlé par un agrégateur de flexibilité de consommation.
Actuellement, des méthodes d’agrégation de charge existent. Toutefois, pour prédire la consommation électrique liée à la recharge à domicile d’un parc prédéterminé de véhicules électrique, peu de solutions efficaces ont été développées hormis des méthodes basées sur un apprentissage machine qui ont l’inconvénient de requérir une grande quantité de données d’apprentissage, des traitement complexes et qui sont impropres à prédire l’impact d’un signal de contrôle valant requête d’arrêt de recharge.
Le but de l’invention est alors de proposer un procédé de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation permettant de pallier les inconvénients de l’état de la technique en fournissant une solution efficace, et de complexité réduite, de prédiction d’une telle consommation électrique.
A cet effet, l’invention a pour objet un procédé de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation, ledit procédé étant mis en œuvre par un dispositif électronique de prédiction de la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation, ledit procédé étant mis en œuvre par un dispositif électronique de prédiction de la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s), et comprenant les étapes suivantes :
- obtention, pour une pluralité d’instants prédéterminés quotidiens, d’une estimation préalable du nombre de véhicule(s) électrique(s) présent(s) composant ledit ensemble de véhicule(s) électrique(s) à leur lieu de domiciliation ;
- prédiction de la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s) en utilisant un abaque prédéterminé indiquant la puissance moyenne instantanée de charge par véhicule présent à son lieu de domiciliation à un instant t, en fonction dudit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t selon ladite estimation, ladite consommation électrique prédite correspondant sensiblement à la multiplication de ladite puissance moyenne instantanée de charge par véhicule présent audit instant t par ledit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t.
Ainsi, la présente invention propose avantageusement d’utiliser un abaque pertinent indiquant la puissance moyenne instantanée de charge par véhicule présent à son lieu de domiciliation à un instant t, en fonction dudit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t selon ladite estimation.
L’utilisation d’un tel abaque a de la valeur, car efficace précis et pertinent tout en présentant une complexité d’utilisation réduite, pour les acteurs des réseaux électriques et des marchés de l’électricité. Cela permet d’anticiper les problèmes sur les réseaux, de mieux les exploiter, d’optimiser la gestion d’un portefeuille d’actifs de production et de consommation, et de répondre à des problématiques réseau d’effacement voire de délestage.
Suivant d’autres aspects avantageux de l’invention, le procédé de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation comprend une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles :
- ledit abaque prédéterminé correspond à une trajectoire de puissance fermée définie par un sens prédéterminé de parcours temporel de ladite trajectoire et par quatre points, prédéterminés par apprentissage, chaque point étant défini par : une abscisse, correspondant à un nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, et une ordonnée correspondant à une puissance moyenne instantanée de charge par véhicule,
ladite trajectoire comprenant sensiblement une partie de demi-ellipse reliant les trois premiers points desdits quatre points, le premier point desdits quatre points, présentant une abscisse minimale et correspondant à une extrémité du demi-axe horizontal de ladite partie de demi-ellipse, le deuxième point desdits quatre points correspondant au sommet de ladite demi-ellipse,
ladite partie de demi-ellipse étant reliée, selon le sens prédéterminé de parcours temporel, à une ligne brisée formée de deux segments dont :
- le premier segment vertical relie les troisième et quatrième points desdits quatre points, lesdits troisième et quatrième points ayant la même abscisse correspondant au nombre de véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation et étant représentatifs de l’évolution décroissante nocturne de la puissance moyenne instantanée de charge par véhicule présent ;
- le deuxième segment de ladite ligne brisée reliant le quatrième point inférieur dudit premier segment vertical au premier point correspondant à ladite extrémité du demi-axe horizontal de ladite partie de demi-ellipse ;
- chaque ordonnée desdits quatre points est respectivement définie au moyen d’une équation paramétrique prédéterminée, pour le nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation correspondant à l’abscisse de chacun des quatre points, ladite équation paramétrique prédéterminée comprenant au moins une constante et ayant pour paramètre(s) au moins un des éléments appartenant au groupe comprenant au moins :
- la capacité moyenne de la batterie desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
- le facteur d’autonomie moyenne desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
- la consommation moyenne d'énergie par kilomètre desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
- le coefficient de comportement moyen des conducteurs desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
- la distance moyenne parcourue par jour desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
chaque paramètre étant une inconnue de ladite équation paramétrique prédéterminée, ladite inconnue étant associée à un facteur de pondération dont la valeur et la valeur de ladite constante sont optimisées, pour N jeux de paramètre(s) de valeurs distinctes, N étant un entier, en minimisant l’erreur entre la puissance moyenne instantanée de charge par véhicule obtenue par simulation pour lesdits N jeux de paramètre(s) de valeurs distinctes et le résultat de ladite équation paramétrique prédéterminée associée audit N jeux de paramètre(s) ;
- le premier point desdits quatre points, correspondant à une extrémité du demi-axe horizontal, présente une abscisse correspondant au nombre minimal de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, ledit nombre minimal étant proportionnel au nombre de véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation selon un facteur de proportionnalité β, tel que 0< β <1, ledit facteur de proportionnalité β étant obtenu par apprentissage statistique lors de ladite étape d’obtention ;
- l’autre extrémité du demi-axe horizontal de ladite demi-ellipse a pour abscisse un nombre fictif maximal de véhicule(s) électrique(s), ledit nombre maximal étant proportionnel au nombre de véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation selon un facteur de proportionnalité α, tel que 1 ≤ α, ledit facteur de proportionnalité α étant le résultat d’une autre équation paramétrique prédéterminée ayant pour paramètre(s) au moins un des éléments appartenant au groupe comprenant au moins :
- la capacité moyenne de la batterie desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
- le facteur d’autonomie moyenne desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
- la consommation moyenne d'énergie par kilomètre desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
- le coefficient de comportement moyen des conducteurs desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
- la distance moyenne parcourue par jour desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
chaque paramètre étant une inconnue de ladite autre équation paramétrique prédéterminée, ladite inconnue étant associée à un facteur de pondération dont la valeur et la valeur de ladite constante sont optimisées, pour M jeux de paramètre(s) de valeurs distinctes, M étant un entier, en minimisant l’erreur entre la puissance moyenne instantanée de charge par véhicule obtenue par simulation pour lesdits M jeux de paramètre(s) de valeurs distinctes et le résultat de ladite équation paramétrique prédéterminée associée audit M jeux de paramètre(s) ;
- le deuxième point desdits quatre points correspondant au sommet de ladite demi-ellipse présente une abscisse correspondant au nombre moyen de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, ledit nombre moyen correspondant à la moyenne arithmétique entre ledit nombre minimal et ledit nombre maximal de véhicule(s) électrique(s) pouvant être simultanément présent(s) à leur lieu de domiciliation ;
- la puissance moyenne instantanée de charge par véhicule présent pour tout point de la partie demi-ellipse reliant les premier, deuxième et troisième points est propre à être exprimée sous la forme suivante, à un instant t :
avec :
le nombre de véhicule(s) électrique(s) présent(s) audit instant t ; ledit nombre moyen, ledit nombre minimal, et E la puissance moyenne instantanée de charge par véhicule présent correspondant à l’ordonnée du deuxième point correspondant au sommet de ladite demi-ellipse et dont l’abscisse est égale audit nombre moyen de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation,
ladite puissance E étant définie au moyen d’une équation paramétrique prédéterminée comprenant au moins une constante et ayant pour paramètre(s) au moins un des éléments appartenant au groupe comprenant au moins :
- la capacité moyenne de la batterie desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
- le facteur d’autonomie moyenne desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
- la consommation moyenne d'énergie par kilomètre desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
- le coefficient de comportement moyen des conducteurs desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
- la distance moyenne parcourue par jour desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
chaque paramètre étant une inconnue de ladite équation paramétrique prédéterminée, ladite inconnue étant associée à un facteur de pondération dont la valeur et la valeur de ladite constante sont optimisées, pour N jeux de paramètre(s) de valeurs distinctes, N étant un entier, en minimisant l’erreur entre la puissance moyenne instantanée de charge par véhicule obtenue par simulation pour lesdits N jeux de paramètre(s) de valeurs distinctes et le résultat de ladite équation paramétrique prédéterminée associée audit N jeux de paramètre(s) ;
- le procédé comprend en outre :
- la réception d’au moins un signal valant requête d’arrêt de ladite recharge, ledit signal comprenant l’intervalle de temps pendant lequel ledit arrêt est requis, ledit intervalle étant défini par deux bornes T1et T2, avec T2> T1, et
- une première adaptation de ladite prédiction de la consommation électrique, la puissance moyenne instantanée de charge par véhicule présent à son lieu de domiciliation étant adaptée à chaque réception dudit signal valant requête d’arrêt de ladite recharge pour être nulle sur ledit intervalle de temps ;
- le procédé comprend en outre, pour t > T2, une deuxième adaptation de ladite prédiction de la consommation électrique par rapport à la prédiction de la consommation électrique qui aurait été obtenue en l’absence de signal valant requête d’arrêt de ladite recharge, la différence entre :
- la puissance Ps(t) moyenne instantanée de charge par véhicule présent associée à la prédiction de la consommation électrique après T2, et
- la puissance P(t) moyenne instantanée de charge par véhicule présent associée à la prédiction de la consommation électrique qui aurait été obtenue en l’absence de signal valant requête d’arrêt de ladite recharge ;
étant une fonction positive décroissante dépendante de T1-T2, de l’énergie W qui aurait été injectée dans le ou les véhicule(s) électrique(s) en l’absence de signal valant requête d’arrêt de ladite recharge telle que , et du nombre moyen de véhicule(s) électrique(s) présents entre T1et T2 ;
- ladite fonction positive décroissante est linéaire tel que : Ps(t) – P(t) = T2) + avec
d1< 0.
L’invention concerne également un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un tel procédé de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation tel que défini ci-dessus.
L’invention concerne également un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un tel procédé de de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation tel que défini ci-dessus.
L’invention concerne également un dispositif électronique de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation dudit ensemble de véhicule(s) électrique(s) caractérisé en ce qu’il comprend :
- un module d’obtention, configuré pour obtenir, pour une pluralité d’instants prédéterminés quotidiens, une estimation préalable du nombre de véhicule(s) électrique(s) présent(s) composant ledit ensemble de véhicule(s) électrique(s) à leur lieu de domiciliation ;
- un module de prédiction, configuré pour prédire la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s) en utilisant un abaque prédéterminé indiquant la puissance moyenne instantanée de charge par véhicule présent à leur lieu de domiciliation à un instant t, en fonction dudit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t selon ladite estimation, ladite consommation électrique prédite correspondant sensiblement à la multiplication de ladite puissance moyenne instantanée de charge par véhicule présent audit instant t par ledit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t.
L’invention apparaîtra plus clairement à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple non limitatif, et faite en référence aux dessins dans lesquels :
- FIG. 1 laFIG. 1est un schéma illustrant un dispositif électronique de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation selon un mode de réalisation de l’invention ;
- FIG. 2laFIG. 2est un organigramme d’un de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation selon un mode de réalisation de l’invention;
- FIG. 3laFIG. 3illustre un exemple d’abaque utilisé avantageusement selon la présente invention ;
- FIG. 4 FIG. 5 les figures 4 et 5 illustrent respectivement un exemple de représentation de l’estimation préalable du nombre de véhicules(s) électrique(s) au fur et à mesure d’une journée et deux exemples de puissance moyenne de recharge des véhicules présents à domicile en l’absence et en présence d’un signal valant requête d’arrêt de recharge.
Dans la suite de la description, l’expression « sensiblement égal à » s’entend comme une relation d’égalité à plus ou moins 10%, c’est-à-dire avec une variation d’au plus 10%, de préférence encore comme une relation d’égalité à plus ou moins 5%, c’est-à-dire avec une variation d’au plus 5%.
LaFIG. 1est une représentation schématique d’un mode de réalisation d’un dispositif 10 électronique de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation.
Plus précisément, un tel dispositif 10 électronique comprend tout d’abord un module 12 d’obtention, configuré pour obtenir, pour une pluralité d’instants prédéterminés quotidiens, une estimation préalable du nombre de véhicule(s) électrique(s) présent(s) composant ledit ensemble de véhicule(s) électrique(s) à leur lieu de domiciliation.
On considère par exemple un parc de 10 000 véhicules électriques, chaque véhicule électrique étant domicilié à un lieu identifié dans lequel il est propre à être rechargé.
De plus, un tel dispositif 10 électronique comprend également un module 14 de prédiction, configuré pour prédire la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s) en utilisant un abaque prédéterminé indiquant la puissance moyenne instantanée de charge par véhicule présent à son lieu de domiciliation à un instant t, en fonction dudit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t selon ladite estimation, ladite consommation électrique prédite correspondant sensiblement à la multiplication de ladite puissance moyenne instantanée de charge par véhicule présent audit instant t par ledit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t.
En variante optionnelle non représentée sur laFIG. 1, le dispositif 10 électronique comprend également un module de réception configuré pour recevoir au moins un signal valant requête d’arrêt de ladite recharge, ledit signal comprenant l’intervalle de temps pendant lequel ledit arrêt est requis, ledit intervalle étant défini par deux bornes T1et T2, avec T2> T1.
Ledit signal valant requête d’arrêt de ladite recharge n’est pas un signal instantané pour le module de prévision, il l’est par contre pour la borne de recharge. Plus précisément, un tel signal valant requête d’arrêt de ladite recharge est une série temporelle (similaire à la série temporelle indiquant une estimation du nombre de véhicules présents à domicile, c’est un signal mis en entrée du module de prévision) qui indique les requêtes connues ou potentielles (par exemple lorsque l’utilisateur de ce module de prévision veut déterminer le signal d’arrêt optimum pour son activité) d’arrêt de charge pour les minutes/heures à venir.
Selon cette variante optionnelle non représentée, le dispositif 10 électronique comprend également un module d’adaptation configuré pour mettre en œuvre une première adaptation de ladite prédiction de la consommation électrique, la puissance moyenne instantanée de charge par véhicule présent à son lieu de domiciliation étant adaptée à chaque réception dudit signal valant requête d’arrêt de ladite recharge pour être nulle sur ledit intervalle de temps.
Selon cette variante optionnelle non représentée, ledit module d’adaptation, en complément facultatif, est également configuré pour mettre en œuvre, pour t > T2, une deuxième adaptation de ladite prédiction de la consommation électrique par rapport à la prédiction de la consommation électrique qui aurait été obtenue en l’absence de signal valant requête d’arrêt de ladite recharge, la différence entre, d’une part la puissance Ps(t) moyenne instantanée de charge par véhicule présent associée à la prédiction de la consommation électrique après T2, et d’autre part la puissance P(t) moyenne instantanée de charge par véhicule présent associée à la prédiction de la consommation électrique qui aurait été obtenue en l’absence de signal valant requête d’arrêt de ladite recharge, étant une fonction positive décroissante dépendante de T1-T2, de l’énergie W qui aurait été injectée dans le ou les véhicule(s) électrique(s) en l’absence de signal valant requête d’arrêt de ladite recharge telle que , et du nombre moyen de véhicule(s) électrique(s) présents entre T1et T2.
Optionnellement, ladite fonction positive décroissante est linéaire tel que :
Ps(t) – P(t) = T2) + avec d1< 0.
Dans l’exemple de laFIG. 1, le dispositif électronique 10 de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation comprend une unité 16 de traitement d’informations formée par exemple d’une mémoire 18 et d’un processeur 20 associé à la mémoire 18.
Dans l’exemple de laFIG. 1, le module d’obtention 12, le module de prédiction 14, ainsi qu’en complément facultatif non représentés le module de réception et le module d’adaptation, sont réalisés chacun sous forme d’un logiciel, ou d’une brique logicielle, exécutable par le processeur 19. La mémoire 18 du dispositif électronique de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation est alors apte à stocker un logiciel d’obtention, un logiciel de prédiction, ainsi qu’en complément facultatif un logiciel de réception et un logiciel d’adaptation. Le processeur 19 est alors apte à exécuter chacun des logiciels parmi le logiciel d’obtention, le logiciel de prédiction, ainsi qu’en complément facultatif le logiciel de réception et le logiciel d’adaptation.
En variante non représentée, le module d’obtention, le module de prédiction, ainsi qu’en complément facultatif le module de réception et le module d’adaptation, sont réalisés chacun sous forme d’un composant logique programmable, tel qu’un FPGA (de l’anglaisField Programmable Gate Array), ou encore d’un circuit intégré, tel qu’un ASIC (de l’anglaisApplication Specific Integrated Circuit).
Lorsque le dispositif électronique de de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation est réalisé sous forme d’un ou plusieurs logiciels, c’est-à-dire sous forme d’un programme d’ordinateur, également appelé produit programme d’ordinateur, il est en outre apte à être enregistré sur un support, non représenté, lisible par ordinateur. Le support lisible par ordinateur est par exemple un medium apte à mémoriser des instructions électroniques et à être couplé à un bus d’un système informatique. A titre d’exemple, le support lisible est un disque optique, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, tout type de mémoire non-volatile (par exemple FLASH ou NVRAM) ou une carte magnétique. Sur le support lisible est alors mémorisé un programme d’ordinateur comprenant des instructions logicielles.
On décrit ci-après en relation avec laFIG. 2, un exemple de fonctionnement du dispositif 10 électronique de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation tel qu’illustré précédemment en relation avec laFIG. 1.
Plus précisément, le procédé 20 de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation dudit ensemble de véhicule(s) électrique(s), comprend de manière générale, une première étape 22 d’obtention OBT, pour une pluralité d’instants prédéterminés quotidiens, d’une estimation préalable du nombre de véhicule(s) électrique(s) présent(s) composant ledit ensemble de véhicule(s) électrique(s) à leur lieu de domiciliation.
Autrement dit, selon ledit procédé 20, il est nécessaire d’avoir accès en « entrée » à une estimation/prévision du nombre de véhicule électrique VE présents à domicile à chaque instant.
Un exemple d’une estimation obtenue au cours de cette étape 22 est notamment illustré par laFIG. 4décrite par la suite.
Par exemple, pour obtenir 22 une telle estimation du nombre de véhicule(s) électrique(s) N(t), pour le parc considéré, présents à domicile à l’instant t, une simulation est utilisée au préalable, par exemple en utilisant un moyen de type outil logiciel de simulation de déplacement de véhicules ou de présences de véhicules sur une typologie de sites (domicile, lieu de travail, lieux publics, …) prédéterminée.
Plus précisément, l’approche, par exemple, retenue consiste à simuler individuellement un grand nombre de véhicules électriques/usagers, en considérant les trajets possibles, par exemple : du domicile au travail, puis du travail à l’école pour effectuer un « ramassage scolaire »), puis de l’école au domicile, etc. qui sont caractérisés par des distances, des durées ou des vitesses, des horaires de début/fin.
Des études sociologiques d’usage permettent d’alimenter ces simulations par des bases de données ou des descriptions sous forme statistique dont un exemple est le document intitulé «La mobilité des Français : Panorama issu de l’enquête nationale transports et déplacements 2008 » ,accessible au sein de la revue du Commissariat Général au développement Durable CGDD de décembre 2010.
Selon un exemple parmi une pluralité d’exemples possibles, une telle simulation consiste à distinguer les jours ouvrés des jours non ouvrés en associant quatre parcours possibles aux jours ouvrés contre deux seulement aux jours non ouvrés.
Les quatre parcours associés aux jours ouvrés comprennent notamment un premier parcours partant du domicile allant au travail puis revenant du travail au domicile, un deuxième parcours partant du domicile allant au travail puis à une autre destination et revenant de cette autre destination au domicile, un troisième parcours partant du domicile allant à une autre destination et revenant de cette autre destination au domicile, un quatrième parcours partant du domicile allant à une première autre destination puis une deuxième autre destination et revenant de cette deuxième autre destination au domicile.
Par exemple, on entend par « autre destination » un lieu, distinct du domicile et du travail, pour effectuer des achats, des démarches, des loisirs, des déplacements privés, tels que le ramassage scolaire ou les visites familiales, pour y accompagner, y aller chercher ou encore pour des déplacements professionnels.
Les deux parcours associés aux jours non ouvrés (i.e. où il n’est pas nécessaire de se rendre au travail) comprennent alors uniquement les troisième et quatrième parcours précités.
Selon un exemple particulier, pour simplifier, pour un véhicule électrique donné, on suppose que pendant les jours ouvrés c’est toujours le même parcours qui est réalisé, et de même pour les jours non ouvrés. Le choix des parcours, parmi les deux ou quatre parcours possibles précités, ainsi que les caractéristiques afférentes sont déterminés aléatoirement suivant les lois de probabilité prédéterminées qui s’appuient sur les données d’enquêtes sociologiques telles que celle du document précité.
Il s’agit : du type de parcours, des distances parcourues pour chaque trajet, de l’heure de départ le matin pour aller sur le lieu de travail ou de l’heure de départ du lieu de travail pour les premier et deuxièmes parcours précités, de l’heure de départ du domicile pour les jours sans travail pour les troisième et quatrième parcours précités que le jour soit ouvré ou non, de la durée pendant laquelle le véhicule électrique VE reste garé pour les localisations de type « autre destination ».
Ainsi, la simulation permet de définir pour chaque véhicule électrique VE sa localisation à chaque instant de la pluralité d’instants prédéterminés quotidiens (i.e. à chaque pas temporel simulé), et permet ensuite de déduire pour chaque pas temporel le nombre de véhicule(s) électrique(s) VE présent(s) à domicile (i.e. dont la localisation est égale à la valeur « domicile » dudit véhicule électrique VE).
Puis, tel qu’illustré par la figue 2, le procédé 20 de prédiction de la consommation électrique selon la présente invention comprend une étape 24 de prédiction PRED de la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s) en utilisant un abaque prédéterminé indiquant la puissance moyenne instantanée de charge par véhicule présent à son lieu de domiciliation à un instant t, en fonction dudit nombre de véhicule(s) électrique(s) présent(s) audit à leur lieu de domiciliation audit instant t selon ladite estimation, ladite consommation électrique prédite correspondant sensiblement à la multiplication de ladite puissance moyenne instantanée de charge par véhicule présent audit instant t par ledit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t.
Optionnellement, tel qu’illustré en pointillés sur laFIG. 2, le procédé 20 de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation comprend en outre une étape 26 de réception R d’au moins un signal valant requête d’arrêt de ladite recharge, ledit signal comprenant l’intervalle de temps pendant lequel ledit arrêt est requis, ledit intervalle étant défini par deux bornes T1et T2, avec T2> T1.
Selon cette option, l’étape de réception 26 est suivie d’une étape 28 de première adaptation A1de ladite prédiction de la consommation électrique, la puissance moyenne instantanée de charge par véhicule présent à son lieu de domiciliation étant adaptée à chaque réception dudit signal valant requête d’arrêt de ladite recharge pour être nulle sur ledit intervalle de temps.
Autrement dit, pendant l’intervalle de temps entre T1et T2, les véhicules ne sont pas rechargés, ce qui signifie que la puissance Ps(t) moyenne instantanée de charge par véhicule est égale à zéro pendant cette période, alors qu’avant T1, la puissance Ps(t) moyenne instantanée de charge par véhicule est égale à la puissance P(t) moyenne instantanée de charge par véhicule présent associée à la prédiction de la consommation électrique qui aurait été obtenue en l’absence de signal valant requête d’arrêt de ladite recharge (i.e. sans l’étape 26).
En complément facultatif de cette option, l’étape 28 de première adaptation est en outre suivie pour t > T2, d’une étape 30 de deuxième adaptation A2de ladite prédiction de la consommation électrique par rapport à la prédiction de la consommation électrique qui aurait été obtenue en l’absence de signal valant requête d’arrêt de ladite recharge, la différence entre d’une part la puissance Ps(t) moyenne instantanée de charge par véhicule présent associée à la prédiction de la consommation électrique après T2, et d’autre part la puissance P(t) moyenne instantanée de charge par véhicule présent associée à la prédiction de la consommation électrique qui aurait été obtenue en l’absence de signal valant requête d’arrêt de ladite recharge, étant une fonction positive décroissante dépendante de T1-T2, de l’énergie W qui aurait été injectée dans le ou les véhicule(s) électrique(s) en l’absence de signal valant requête d’arrêt de ladite recharge telle que :
, et du nombre moyen de véhicule(s) électrique(s) présents entre T1et T2 .
Autrement dit, après T2, Ps(t) est calculé en s’appuyant à la fois sur P(t) et sur l’énergie qui aurait dû être injectée dans les véhicules électriques VE pendant la période T1-T2mais qui ne l’a pas été du fait du signal de contrôle valant requête d’arrêt de la recharge.
Selon une variante complémentaire facultative, ladite fonction positive décroissante est linéaire tel que : Ps(t) – P(t) = T2) + avec d1< 0,avec d1et d2qui dépendent de T1-T2, de l’énergie qui aurait été injectée dans les véhicule électriques VE s’il n’y avait pas eu de signal de contrôle valant requête d’arrêt de la recharge et du nombre moyen de véhicule électrique présents entre T1et T2.
Autrement dit, on considère que la différence entre Ps(t) et P(t) est une fonction positive, décroissante et linéaire du temps, et que lorsqu’elle atteint zéro, on considère alors que de nouveau Ps(t) = P(t) jusqu’à réception du prochain signal de contrôle valant requête d’arrêt de la recharge.
A noter que dans le cas où il y a deux périodes successives de signal de contrôle, la même approche est appliquée, en considérant par exemple que la première période va de T1à T2et la seconde de T3à T4. Pour la première période de T1à T2, l’approche précitée est appliquée. Pour la deuxième période de T3à T4, la même approche est appliquée à une exception près à savoir que l’on considère la temporalité au moyen de la différence entre d’une part la consommation moyenne d'électricité pour la recharge à domicile de tous les véhicules à domicile du modèle sur la première période allant de T1à T2, et d’autre part la consommation moyenne d'électricité pour la recharge à domicile de tous les véhicules à domicile du modèle sur la deuxième période allant T3à T4, afin de trouver la consommation moyenne d'électricité pour la recharge à domicile après l’instant T4.
L’impact des étapes optionnelles 26 de réception, 28 de première adaptation et 30 de deuxième adaptation sera notamment décrit par la suite en relation avec laFIG. 5qui illustre deux exemples de puissance moyenne de recharge des véhicules présents à domicile en l’absence et en présence d’un signal valant requête d’arrêt de recharge.
La mise en œuvre de ces étapes optionnelles permet notamment de considérer qu’à certains moments de la journée un signal valant requête d’arrêt de la recharge est reçu et utilisé par le système de recharge comme un ordre d’arrêt de la recharge. Un tel signal correspond, par exemple, à un signal représentatif d’une période de prix de l’électricité élevé (i.e. un signal de type heure pleine), un signal pour réduire la consommation (e.g. une réduction d’un certain facteur par exemple exprimé en pourcentage), ou encore un signal représentatif d’une charge du réseau importante ce qui nécessite une diminution globale de la consommation suivant les cas à la maille du réseau de distribution ou du réseau de transport, un tel signal étant propre à être binaire ou non avec par exemple une requête de réduction progressive de la consommation.
LaFIG. 3illustre un exemple d’abaque utilisé spécifiquement selon la présente invention au cours de l’étape 24 de prédiction de laFIG. 2.
Plus précisément, l’abaque 32 prédéterminé correspond, selon cet exemple, à une trajectoire de puissance fermée définie par un sens prédéterminé de parcours temporel de ladite trajectoire, illustré par les flèche de laFIG. 3, et par quatre points E2, E1, L2et L1, prédéterminés par apprentissage.
Chaque point E2, E1, L2et L1est défini par : une abscisse, correspondant à un nombre N de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, et une ordonnée correspondant à une puissance moyenne instantanée P(kW) de charge par véhicule.
Ladite trajectoire 32 comprend sensiblement une partie de demi-ellipse reliant les trois premiers points E2, E1, L2desdits quatre points E2, E1, L2et L1.
Le premier point E2desdits quatre points E2, E1, L2et L1présente une abscisse minimale Nminet correspondant à une extrémité du demi-axe horizontal de ladite partie de demi-ellipse.
Le deuxième point E1desdits quatre points E2, E1, L2et L1correspond au sommet de ladite demi-ellipse.
Ladite partie de demi-ellipse, connectant les points E2, E1, L2, est elle-même reliée, selon le sens prédéterminé de parcours, à une ligne brisée formée de deux segments.
Le premier segment de ladite ligne brisée, selon le sens prédéterminé de parcours de ladite trajectoire, illustré par les flèche de laFIG. 3, est vertical et relie les troisième et quatrième points L2et L1desdits quatre points E2, E1, L2et L1 .
Les troisième et quatrième points L2et L1ont la même abscisse Nevcorrespondant au nombre de véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation et étant représentatifs de l’évolution décroissante nocturne de la puissance moyenne instantanée de charge par véhicule présent (i.e. au fur et à mesure qu’ils sont rechargés et en conséquence ne requiert plus de charge par rapport à l’instant de leur retour à domicile).
Le nombre Nevde véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation correspond à la taille du parc de véhicules électrique considéré et est connu telle une entrée dudit procédé.
Le deuxième segment de ladite ligne brisée, selon le sens prédéterminé de parcours de ladite trajectoire, illustré par les flèche de laFIG. 3, reliant le quatrième point L1inférieur dudit premier segment vertical [L2L1] au premier point E2correspondant à ladite extrémité d’abscisse minimale du demi-axe horizontal de ladite partie de demi-ellipse connectant les points E2, E1, L2.
La partie, dite principale, correspond à la trajectoire diurne reliant les points L1à E2à E1à L2, et est utilisée la journée temporellement en suivant les flèches de sens de parcours représentés sur laFIG. 3. La partie verticale reliant les points L2à L1selon la droite verticale correspondent à une utilisation nocturne entre le retour et le départ du domicile, et par hypothèse ce segment est parcouru par défaut linéairement avec le temps.
Selon un complément optionnel, chaque ordonnée F1, E, F3et F2desdits quatre points E2, E1, L2et L1respectivement est définie au moyen d’une équation paramétrique prédéterminée, pour le nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation correspondant à l’abscisse Nmin, Nmid, Nevde chacun des quatre points, ladite équation paramétrique prédéterminée comprenant au moins une constante et ayant pour paramètre(s) au moins un des éléments appartenant au groupe comprenant au moins :
- la capacité moyenne de la batterie Bavg(kWh) desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation, correspondant à la moyenne des capacités des batteries du parc de véhicules électriques VE considéré, par exemple comprise entre 20 kWh et 70 kWh ;
- le facteur d’autonomie moyenne Ravgdesdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation, dont la valeur est par exemple comprise entre 1 et 2 ;
- la consommation moyenne d'énergie par kilomètre Davg(kWh/km) desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation, correspondant à la moyenne des consommations kilométriques des véhicules électriques VE du parc de véhicules électriques considéré, et pouvant être éventuellement « météo dépendante », par exemple comprise entre 0,12 et 0,20 kWh/km ;
- le coefficient de comportement moyen Uavgdes conducteurs desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation, par exemple compris entre 0,8 et 1,5 ;
- la distance moyenne parcourue par jour Kavg(km) desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation, correspondant à la moyenne des distances journalières parcourues par les véhicules électriques VE du parc de véhicules électriques considéré, par exemple comprise entre 10 km et 50 km.
Il est à noter que le facteur d’autonomie moyenne Ravget le coefficient de comportement moyen Uavgsont notamment définis dans le document de F. Gonzalez et al. intitulé «Plug-in behavior of electric vehicles users: Insights from a large-scale trial and impacts for grid integration studies», eTransportation, vol. 10, p. 100131, Nov. 2021.
Plus précisément, selon ces définitions, le facteur d’autonomie moyenne Ravg correspond à un nombre supérieur à un et indique la marge moyenne que prennent les utilisateurs vis-à-vis du besoin impérieux de recharger le véhicule électrique VE étant donné les déplacements prévus le lendemain. En effet, les conducteurs ne branchent pas systématiquement leur véhicule électrique VE à leur borne en rentrant chez eux. Si un conducteur considère que la batterie n’est pas suffisamment chargée pour les déplacements du lendemain alors dans ce cas il branche le véhicule électrique VE.
Selon ces définitions, le coefficient de comportement moyen Uavgcaractérise alors le fait qu’un conducteur branche ou pas son véhicule électrique VE, car dans le cas où l’autonomie est suffisante pour les déplacements du lendemain, le conducteur n’est pas obligé de brancher son véhicule électrique VE à sa borne.
Chaque paramètre Bavg, Ravg, Davg, Uavgou encore Kavgest caractéristique à la fois du parc de véhicule électrique et du comportement de leur conducteur.
Chaque paramètre Bavg, Ravg, Davg, Uavgou encore Kavgest traité selon la présente invention comme une inconnue de ladite équation paramétrique prédéterminée, ladite inconnue étant associée à un facteur de pondération dont la valeur et la valeur de ladite constante sont optimisées, pour N jeux de paramètre(s) de valeurs distinctes, N étant un entier, en minimisant l’erreur entre la puissance moyenne instantanée de charge par véhicule obtenue par simulation pour lesdits N jeux de paramètre(s) de valeurs distinctes et le résultat de ladite équation paramétrique du prédéterminée associée audit N jeux de paramètre(s).
Plus précisément, selon ce complément facultatif, l’ordonnée F1du point E2, correspondant à une extrémité du demi-axe horizontal de ladite partie de demi-ellipse, est par exemple obtenue en appliquant l’équation paramétrique du premier degré et optimisée suivante :
F1= -0.0077 -0.00003 Bavg+ 0.0585 Davg + 0.0008 Uavg + 0.0009 Ravg+0.0006 Kavg
après optimisation en utilisant N jeux de paramètre(s) Bavg, Ravg, Davg, Uavgou encore Kavgde valeurs distinctes (i.e. au moins une valeur de paramètre étant distincte d’un jeu à l’autre) avec par exemple des valeurs de Bavgcomprises entre 20 kWh et 70 kWh, des valeurs de Ravgcomprises entre 1 et 2, des valeurs de Davgcomprises entre 0.12 et 0.20 kWh/km, des valeurs de Uavgcomprises entre 0,8 et 1,5 et des valeurs de Kavgcomprises entre 10 km et 50 km.
De manière similaire, selon ce complément facultatif, l’ordonnée E du point E1correspondant au sommet de ladite demi-ellipse, est par exemple obtenue en appliquant l’équation paramétrique du premier degré et optimisée suivante :
E = -0.6375 -0.0053 Bavg+4.1829 Davg+0.0132 Uavg+0.1685 Ravg+0.0172 Kavg
après optimisation en utilisant également les N jeux de paramètre(s) Bavg, Ravg, Davg, Uavgou encore Kavgde valeurs distinctes (i.e. au moins une valeur de paramètre étant distincte d’un jeu à l’autre) avec par exemple des valeurs de Bavgcomprises entre 20 kWh et 70 kWh, des valeurs de Ravgcomprises entre 1 et 2, des valeurs de Davgcomprises entre 0,12 et 0,20 kWh/km, des valeurs de Uavgcomprises entre 0,8 et 1,5 et des valeurs de Kavgcomprises entre 10 km et 50 km.
A noter que certains jeux de paramètres sont propres à fournir une valeur de E résultante négative ce qui est relativement normal car de tels jeux ne sont pas réalistes. Par exemple, si la valeur de Bavgest de 70 kWh, ce qui correspond sensiblement à un parc qui serait actuellement composé de véhicules électriques de la marque Tesla, la valeur de Kavgest de 10 km, ce qui correspond à une distance journalière faible, et la valeur de Davgest de 0,12, ce qui correspond à une faible consommation, la batterie « moyenne » permet alors d’assurer une autonomie « moyenne » de quasiment deux mois d’utilisation du véhicule électrique si bien que combinées avec des valeurs Uavgde 0,8 et Ravgde 1 représentatives du fait que les conducteurs du parc de véhicules électrique considéré ont une forte tendance à attendre le dernier moment avant de recharger leur véhicule électrique la valeur de E correspondant à cette combinaison de paramètres non réaliste serait telle que E= -0.155 kW.
A titre d’alternative, une équation paramétrique d’un autre degré est propre à être utilisée. Par exemple, l’ordonnée E du point E1correspondant au sommet de ladite demi-ellipse, est par exemple obtenue en appliquant l’équation paramétrique du second degré et optimisée suivante :
E = -0.5821 -0.0081 Bavg+2.7157 Davg-0.0351 Uavg+0.4888 Ravg+0.0117 Kavg+0.00003 Bavg 2+ 4.8245*Davg 2+0.01988*Uavg 2- 0.1067*Ravg 2+ 0.00007*Kavg 2, et ce après optimisation en utilisant également les N jeux de paramètre(s) Bavg, Ravg, Davg, Uavgou encore Kavgde valeurs distinctes (i.e. au moins une valeur de paramètre étant distincte d’un jeu à l’autre) avec par exemple des valeurs de Bavgcomprises entre 20 kWh et 70 kWh, des valeurs de Ravgcomprises entre 1 et 2, des valeurs de Davgcomprises entre 0,12 et 0,20 kWh/km, des valeurs de Uavgcomprises entre 0,8 et 1,5 et des valeurs de Kavgcomprises entre 10 km et 50 km.
De manière similaire à ce qui a été indiqué précédemment, selon ce complément facultatif, l’ordonnée F2du point L1est par exemple obtenue en appliquant l’équation paramétrique du premier degré et optimisée suivante :
F2= -0.1928 +0.0015 Bavg+0.697 Davg-0.015 Uavg+0.0012 Ravg+0.0025 Kavg
après optimisation en utilisant les N jeux de paramètre(s) Bavg, Ravg, Davg, Uavgou encore Kavgde valeurs distinctes (i.e. au moins une valeur de paramètre étant distincte d’un jeu à l’autre) avec par exemple des valeurs de Bavgcomprises entre 20 kWh et 70 kWh, des valeurs de Ravgcomprises entre 1 et 2, des valeurs de Davgcomprises entre 0,12 et 0,20 kWh/km, des valeurs de Uavgcomprises entre 0,8 et 1,5 et des valeurs de Kavgcomprises entre 10 km et 50 km.
L’ordonnée F3du point L2est propre à être obtenue de manière similaire ou plus simplement en considérant que le point L2est le point d’intersection entre la demi-ellipse passant par les points E2et E1et la verticale d’abscisse Nevcorrespondant au nombre de véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation, ce qui revient à la taille du parc de véhicules électrique considéré, connue telle une entrée dudit procédé.
En complément facultatif, le premier point E2desdits quatre points E2, E1, L2et L1, ce premier point E2correspondant à une extrémité du demi-axe horizontal, présente une abscisse Nmincorrespondant au nombre minimal de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, ledit nombre minimal étant proportionnel au nombre de véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation selon un facteur de proportionnalité β, tel que 0< β <1, ledit facteur de proportionnalité β étant obtenu par apprentissage statistique lors de ladite étape d’obtention 22. Par exemple, Nmin= β Nev= 0.1638 Nev.
Selon une variante particulière, β est directement obtenu à partir de ladite estimation présentée sous forme de série temporelle dont on peut directement extraire un tel nombre minimal Nmin.
En complément facultatif, sur laFIG. 3, l’autre extrémité E3du demi-axe horizontal de ladite demi-ellipse est également représenté bien que n’appartenant pas à l’abaque utilisé en tant que tel. Cette autre extrémité E3a pour abscisse un nombre fictif maximal Nmaxde véhicule(s) électrique(s), ledit nombre maximal étant proportionnel au nombre Nevde véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation selon un facteur de proportionnalité α, tel que 1 ≤ α. Plus précisément, ledit facteur de proportionnalité α est le résultat d’une autre équation paramétrique prédéterminée ayant également pour paramètre(s) au moins un des éléments appartenant au groupe comprenant au moins :
- la capacité moyenne de la batterie Bavg(kWh) desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation, par exemple comprise entre 20 kWh et 70 kWh ;
- le facteur d’autonomie moyenne Ravgdesdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation, par exemple compris entre 1 et 2 ;
- la consommation moyenne d'énergie par kilomètre Davg(kWh/km) desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation, par exemple comprise entre 0,12 et 0,20 kWh/km ;
- le coefficient de comportement moyen Uavgdes conducteurs desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation, par exemple compris entre 0,8 et 1,5 ;
- la distance moyenne parcourue par jour Kavg(km) desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation par exemple comprise entre 10 km et 50 km.
Chaque paramètre Bavg, Ravg, Davg, Uavgou encore Kavgest caractéristique à la fois du parc de véhicule électrique et du comportement de leur conducteur.
Chaque paramètre Bavg, Ravg, Davg, Uavgou encore Kavgest traité selon la présente invention comme une inconnue de ladite autre équation paramétrique prédéterminée, ladite inconnue étant associée à un facteur de pondération dont la valeur et la valeur de ladite constante sont optimisées, pour M jeux de paramètre(s) de valeurs distinctes, M étant un entier, en minimisant l’erreur entre la puissance moyenne instantanée de charge par véhicule obtenue par simulation pour lesdits M jeux de paramètre(s) de valeurs distinctes et le résultat de ladite équation paramétrique prédéterminée associée audit M jeux de paramètre(s).
Plus précisément, selon ce complément facultatif, le facteur de proportionnalité α définissant l’abscisse Nmaxdu point E3, à savoir un nombre fictif maximal de véhicules électriques, correspondant à une extrémité du demi-axe horizontal de ladite partie de demi-ellipse, est par exemple obtenu en appliquant l’équation paramétrique du premier degré et optimisée suivante :
=0.9533 +0.00065 Bavg+0.1714 Davg-0.009 Uavg+0.0009 Ravg+0.0007 Kavg .
En complément facultatif, le deuxième point E1desdits quatre points E2, E1, L2et L1, ledit deuxième point E1correspondant au sommet de ladite demi-ellipse présente une abscisse Nmidcorrespondant au nombre moyen de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, ledit nombre moyen Nmidcorrespondant à la moyenne arithmétique entre ledit nombre minimal et ledit nombre maximal de véhicule(s) électrique(s) pouvant être simultanément présent(s) à leur lieu de domiciliation. En d’autres termes :
En complément facultatif, la puissance moyenne instantanée de charge par véhicule présent (i.e. l’ordonnée) pour tout point de la partie de demi-ellipse reliant les premier, deuxième et troisième points E2, E1et L2est propre à être exprimée sous la forme suivante, à un instant t :
avec :
le nombre de véhicule(s) électrique(s) présent(s) audit instant t ; ledit nombre moyen, ledit nombre minimal, et E la puissance moyenne instantanée de charge par véhicule présent correspondant à l’ordonnée du deuxième point E1correspondant au sommet de ladite demi-ellipse et dont l’abscisse est égale audit nombre moyen de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, ladite puissance E étant définie telle que décrit précédemment au moyen d’une équation paramétrique prédéterminée comprenant au moins une constante et ayant pour paramètre(s) au moins un des éléments appartenant au groupe comprenant au moins Bavg, Ravg, Davg, Uavgou encore Kavgtels que décrits précédemment.
Une telle équation permet également de déterminer l’ordonnée F3du point L2qui est le dernier point de la partie de demi-ellipse prise en compte au sein de l’abaque utilisé avantageusement selon la présente invention.
Par ailleurs, au vu de ce qui précède, avant de revenir à l’instant qui correspond en abscisse au nombre minimum de véhicule(s) électrique(s) VE présent(s) en leur domicile (i.e. temporellement selon le sens de parcours de l’abaque 32 sur le segment allant du point L1au point E2), la puissance moyenne de charge à domicile P(t) est définie à l'aide de deux fonctions linéaires associées respectivement aux deux segments [L2L1] puis [L1E2] formant la ligne brisée comprenant les points L2de coordonnées ( , F3), L1de coordonnées ( , F2) et E2de coordonnées ( , F1).
La trajectoire selon la ligne bisée L2-L1-E2correspondant sensiblement à la période qui s’étend de la fin de soirée, lorsque quasiment tous les véhicules électriques VE sont rentrés à domicile, au moment de la matinée où il y a le moins de véhicules présents.
Sur le premier segment [L2L1] correspondant au fait que N(t) = Nev, la puissance moyenne de charge à domicile P(t) est alors définie à l'aide de la fonction linéaire suivante :
avec la période pendant laquelle N(t) est égal à Nev, ce qui correspond notamment à la nuit, quand on considère qu’il n’y a plus de mouvement de véhicules.
Sur le deuxième segment ]L1E2] correspondant au fait que N(t) < Nevla puissance moyenne de charge à domicile P(t) est alors définie à l'aide de la fonction linéaire suivante :
avec et .
Ainsi, pour chaque partie de l’abaque 32, notamment la partie de demi-ellipse de E2à E1puis L2et la partie ligne brisée de L2à L1puis à E2, la puissance totale pour la recharge à domicile peut être prédite à chaque pas de temps en multipliant la puissance moyenne de recharge à domicile P(t) par le nombre de N(t) de véhicule électrique VE présents à domicile à chaque pas de temps.
LaFIG. 4illustre une exemple d’estimation 33 obtenue au cours de l’étape 22 de laFIG. 2. Plus précisément, la courbe 33 représente en ordonnée 34 le nombre de véhicules électrique présents à leurs domiciles respectifs sur une journée dont les heures sont représentées en abscisse 36. Selon cette estimation 33, un nombre minimal Nminde véhicules électriques, inférieur à mille véhicules électriques, est notamment estimé aux environs de 13h, alors que le nombre Nevde véhicules électriques du parc considéré est de l’ordre de 5000 véhicules électriques tel qu’estimés présents à leur domicile entre minuit et 5h du matin.
LaFIG. 5permet quant à elle d’illustrer respectivement deux modes de fonctionnement du procédé selon la présente invention, avec premièrement la vue 38 qui représente la puissance moyenne 40 de recharge des véhicules présents à domicile, en l’absence d’un signal valant requête d’arrêt de ladite recharge (i.e. sans mise en œuvre des étapes optionnelles 26, 28 et 30 de laFIG. 2).
La vue 42 illustre quant à elle la puissance moyenne 44 de recharge des véhicules présents à domicile, en présence d’un signal valant requête d’arrêt de ladite recharge (i.e. avec mise en œuvre des étapes optionnelles 26, 28 et 30 de laFIG. 2), ledit signal correspondant par exemple à un signal de type heure pleine de 16 à 18h puis de 19h à 21h. Une telle vue 42 permet d’illustrer l’impact d’un tel signal de contrôle valant requête d’arrêt de ladite recharge, notamment l’effet « rebond » ou « report » de consommation entre 18 et 19h dont la prévision est rendue possible grâce à la présente invention.
L’homme du métier comprendra que l’invention ne se limite pas aux modes de réalisation décrits, ni aux exemples particuliers de la description, les modes de réalisation et les variantes mentionnées ci-dessus étant propres à être combinés entre eux pour générer de nouveaux modes de réalisation de l’invention.
La présente invention permet ainsi de prédire efficacement la consommation électrique associée à la recharge d’un parc de véhicules électriques ce qui est utile pour les gestionnaires de réseaux de distribution GRD (DSO de l’anglaisdistribution system operator) ou les gestionnaires de réseaux de transport GRT (TSO de l’anglaistransport system operator) qui peuvent à partir de cette consommation prévoir la charge du réseau, équilibrer la production versus la consommation.
Une telle prédiction est également utile pour les agrégateurs de flexibilité, propres alors à prévoir l’impact d’un signal de contrôle valant requête d’arrêt de ladite recharge sur le profil de consommation d’un parc de véhicules électriques VE.
De plus, une telle prédiction est utile pour les fournisseurs afin d’anticiper leurs besoins d’énergie électrique à acheter sur les marchés, ou encore pour les traders sur le marché de l’électricité afin d’anticiper les évolutions de prix de l’électricité.
Autrement dit, la prévision de l’abaque de charge spécifiquement utilisé selon la présente invention, et optionnellement de l’impact sur cette dernière d’un signal de contrôle valant requête d’arrêt de ladite recharge a de la valeur pour les acteurs des réseaux électriques et des marchés de l’électricité qui peuvent ainsi anticiper les problèmes sur les réseaux, mieux exploiter les réseaux, ou encore optimiser la gestion d’un portefeuille d’actifs de production ou de flexibilité sur les réseaux électriques.

Claims (12)

  1. Procédé (20) de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation, ledit procédé étant mis en œuvre par un dispositif électronique de prédiction de la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s), et comprenant les étapes suivantes :
    - obtention (22), pour une pluralité d’instants prédéterminés quotidiens, d’une estimation préalable du nombre de véhicule(s) électrique(s) présent(s) composant ledit ensemble de véhicule(s) électrique(s) à leur lieu de domiciliation ;
    - prédiction (24) de la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s) en utilisant un abaque (32) prédéterminé indiquant la puissance moyenne instantanée de charge par véhicule présent à son lieu de domiciliation à un instant t, en fonction dudit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t selon ladite estimation, ladite consommation électrique prédite correspondant sensiblement à la multiplication de ladite puissance moyenne instantanée de charge par véhicule présent audit instant t par ledit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t.
  2. Procédé (20) selon la revendication 1, dans lequel ledit abaque (32) prédéterminé correspond à une trajectoire de puissance fermée définie par un sens prédéterminé de parcours temporel de ladite trajectoire et par quatre points (E2, E1, L2, L1), prédéterminés par apprentissage, chaque point étant défini par : une abscisse, correspondant à un nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, et une ordonnée correspondant à une puissance moyenne instantanée de charge par véhicule,
    ladite trajectoire (32) comprenant sensiblement une partie de demi-ellipse reliant les trois premiers points desdits quatre points (E2, E1, L2, L1), le premier point (E2) desdits quatre points, présentant une abscisse minimale et correspondant à une extrémité du demi-axe horizontal de ladite partie de demi-ellipse, le deuxième point (E1) desdits quatre points (E2, E1, L2, L1) correspondant au sommet de ladite demi-ellipse,
    ladite partie de demi-ellipse étant reliée, selon le sens prédéterminé de parcours temporel, à une ligne brisée formée de deux segments dont :
    - le premier segment vertical relie les troisième (L2) et quatrième (L1) points desdits quatre points, lesdits troisième et quatrième points (L2, L1) ayant la même abscisse correspondant au nombre de véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation et étant représentatifs de l’évolution décroissante nocturne de la puissance moyenne instantanée de charge par véhicule présent ;
    - le deuxième segment de ladite ligne brisée reliant le quatrième point inférieur dudit premier segment vertical au premier point correspondant à ladite extrémité du demi-axe horizontal de ladite partie de demi-ellipse.
  3. Procédé (20) selon la revendication 2, dans lequel chaque ordonnée desdits quatre points est respectivement définie au moyen d’une équation paramétrique prédéterminée, pour le nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation correspondant à l’abscisse de chacun des quatre points, ladite équation paramétrique prédéterminée comprenant au moins une constante et ayant pour paramètre(s) au moins un des éléments appartenant au groupe comprenant au moins :
    - la capacité moyenne de la batterie desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
    - le facteur d’autonomie moyenne desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
    - la consommation moyenne d'énergie par kilomètre desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
    - le coefficient de comportement moyen des conducteurs desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
    - la distance moyenne parcourue par jour desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
    chaque paramètre étant une inconnue de ladite équation paramétrique prédéterminée, ladite inconnue étant associée à un facteur de pondération dont la valeur et la valeur de ladite constante sont optimisées, pour N jeux de paramètre(s) de valeurs distinctes, N étant un entier, en minimisant l’erreur entre la puissance moyenne instantanée de charge par véhicule obtenue par simulation pour lesdits N jeux de paramètre(s) de valeurs distinctes et le résultat de ladite équation paramétrique prédéterminée associée audit N jeux de paramètre(s).
  4. Procédé (20) selon la revendication 2 ou 3, dans lequel le premier point (E2) desdits quatre points, correspondant à une extrémité du demi-axe horizontal, présente une abscisse correspondant au nombre minimal de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, ledit nombre minimal étant proportionnel au nombre de véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation selon un facteur de proportionnalité β, tel que 0< β <1, ledit facteur de proportionnalité β étant obtenu par apprentissage statistique lors de ladite étape d’obtention.
  5. Procédé (20) selon l’une quelconque des revendications 2 à 4, dans lequel l’autre extrémité (E3) du demi-axe horizontal de ladite demi-ellipse a pour abscisse un nombre fictif maximal de véhicule(s) électrique(s), ledit nombre maximal étant proportionnel au nombre de véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation selon un facteur de proportionnalité α, tel que 1 ≤ α, ledit facteur de proportionnalité α étant le résultat d’une autre équation paramétrique prédéterminée ayant pour paramètre(s) au moins un des éléments appartenant au groupe comprenant au moins :
    - la capacité moyenne de la batterie desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
    - le facteur d’autonomie moyenne desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
    - la consommation moyenne d'énergie par kilomètre desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
    - le coefficient de comportement moyen des conducteurs desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
    - la distance moyenne parcourue par jour desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
    chaque paramètre étant une inconnue de ladite autre équation paramétrique prédéterminée, ladite inconnue étant associée à un facteur de pondération dont la valeur et la valeur de ladite constante sont optimisées, pour M jeux de paramètre(s) de valeurs distinctes, M étant un entier, en minimisant l’erreur entre la puissance moyenne instantanée de charge par véhicule obtenue par simulation pour lesdits M jeux de paramètre(s) de valeurs distinctes et le résultat de ladite équation paramétrique prédéterminée associée audit M jeux de paramètre(s).
  6. Procédé (20) selon les revendications 4 et 5, dans lequel le deuxième point (E1) desdits quatre points correspondant au sommet de ladite demi-ellipse présente une abscisse correspondant au nombre moyen de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation, ledit nombre moyen correspondant à la moyenne arithmétique entre ledit nombre minimal et ledit nombre maximal de véhicule(s) électrique(s) pouvant être simultanément présent(s) à leur lieu de domiciliation.
  7. Procédé (20) selon la revendication 6, dans lequel la puissance moyenne instantanée de charge par véhicule présent pour tout point de la partie demi-ellipse reliant les premier, deuxième et troisième points est propre à être exprimée sous la forme suivante, à un instant t :

    avec :
    le nombre de véhicule(s) électrique(s) présent(s) audit instant t ; ledit nombre moyen, ledit nombre minimal, et E la puissance moyenne instantanée de charge par véhicule présent correspondant à l’ordonnée du deuxième point correspondant au sommet de ladite demi-ellipse et dont l’abscisse est égale audit nombre moyen de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation,
    ladite puissance E étant définie au moyen d’une équation paramétrique prédéterminée comprenant au moins une constante et ayant pour paramètre(s) au moins un des éléments appartenant au groupe comprenant au moins :
    - la capacité moyenne de la batterie desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
    - le facteur d’autonomie moyenne desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
    - la consommation moyenne d'énergie par kilomètre desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
    - le coefficient de comportement moyen des conducteurs desdits véhicule(s) électrique(s) domicilié(s) à leur lieu de domiciliation ;
    - la distance moyenne parcourue par jour desdits véhicule(s) électrique(s) domiciliés à leur lieu de domiciliation ;
    chaque paramètre étant une inconnue de ladite équation paramétrique prédéterminée, ladite inconnue étant associée à un facteur de pondération dont la valeur et la valeur de ladite constante sont optimisées, pour N jeux de paramètre(s) de valeurs distinctes, N étant un entier, en minimisant l’erreur entre la puissance moyenne instantanée de charge par véhicule obtenue par simulation pour lesdits N jeux de paramètre(s) de valeurs distinctes et le résultat de ladite équation paramétrique prédéterminée associée audit N jeux de paramètre(s).
  8. Procédé (20) selon l’une quelconque des revendications précédentes comprenant en outre :
    - la réception (26) d’au moins un signal valant requête d’arrêt de ladite recharge, ledit signal comprenant l’intervalle de temps pendant lequel ledit arrêt est requis, ledit intervalle étant défini par deux bornes T1et T2, avec T2> T1, et
    - une première adaptation (28) de ladite prédiction de la consommation électrique, la puissance moyenne instantanée de charge par véhicule présent à son lieu de domiciliation étant adaptée à chaque réception dudit signal valant requête d’arrêt de ladite recharge pour être nulle sur ledit intervalle de temps.
  9. Procédé (20) selon la revendication 8, comprenant en outre, pour t > T2, une deuxième adaptation (30) de ladite prédiction de la consommation électrique par rapport à la prédiction de la consommation électrique qui aurait été obtenue en l’absence de signal valant requête d’arrêt de ladite recharge, la différence entre :
    - la puissance Ps(t) moyenne instantanée de charge par véhicule présent associée à la prédiction de la consommation électrique après T2, et
    - la puissance P(t) moyenne instantanée de charge par véhicule présent associée à la prédiction de la consommation électrique qui aurait été obtenue en l’absence de signal valant requête d’arrêt de ladite recharge ;
    étant une fonction positive décroissante dépendante de T1-T2, de l’énergie W qui aurait été injectée dans le ou les véhicule(s) électrique(s) en l’absence de signal valant requête d’arrêt de ladite recharge telle que , et du nombre moyen de véhicule(s) électrique(s) présents entre T1et T2 .
  10. Procédé (20) selon la revendication 9, dans lequel ladite fonction positive décroissante est linéaire tel que : Ps(t) – P(t) = T2) + avec d1< 0.
  11. Programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un procédé de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation dudit ensemble de véhicule(s) électrique(s) selon l’une quelconque des revendications précédentes.
  12. Dispositif (10) de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) au sein de leur lieu de domiciliation dudit ensemble de véhicule(s) électrique(s) caractérisé en ce qu’il comprend :
    - un module d’obtention (12), configuré pour obtenir, pour une pluralité d’instants prédéterminés quotidiens, une estimation préalable du nombre de véhicule(s) électrique(s) présent(s) composant ledit ensemble de véhicule(s) électrique(s) à leur lieu de domiciliation ;
    - un module de prédiction (14), configuré pour prédire la consommation électrique associée à la recharge dudit ensemble de véhicule(s) électrique(s) en utilisant un abaque prédéterminé indiquant la puissance moyenne instantanée de charge par véhicule présent à leur lieu de domiciliation à un instant t, en fonction dudit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t selon ladite estimation, ladite consommation électrique prédite correspondant sensiblement à la multiplication de ladite puissance moyenne instantanée de charge par véhicule présent audit instant t par ledit nombre de véhicule(s) électrique(s) présent(s) à leur lieu de domiciliation audit instant t.
FR2309195A 2023-09-01 2023-09-01 Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé Pending FR3152621A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2309195A FR3152621A1 (fr) 2023-09-01 2023-09-01 Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2309195A FR3152621A1 (fr) 2023-09-01 2023-09-01 Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé
FR2309195 2023-09-01

Publications (1)

Publication Number Publication Date
FR3152621A1 true FR3152621A1 (fr) 2025-03-07

Family

ID=88778790

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2309195A Pending FR3152621A1 (fr) 2023-09-01 2023-09-01 Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé

Country Status (1)

Country Link
FR (1) FR3152621A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2219278A1 (fr) * 2007-11-30 2010-08-18 Toyota Jidosha Kabushiki Kaisha Dispositif de commande de charge et procédé de commande de charge

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2219278A1 (fr) * 2007-11-30 2010-08-18 Toyota Jidosha Kabushiki Kaisha Dispositif de commande de charge et procédé de commande de charge

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"La mobilité des Français : Panorama issu de l'enquête nationale transports et déplacements 2008", DU COMMISSARIAT GÉNÉRAL AU DÉVELOPPEMENT DURABLE CGDD, December 2010 (2010-12-01)
F. GONZALEZ ET AL.: "Plug-in behavior of electric vehicles users: Insights from a large-seule trial and impacts for grid intégration studies", ETRANSPORTATION, vol. 10, November 2021 (2021-11-01), pages 100131
ULLAH IRFAN ET AL: "A comparative performance of machine learning algorithm to predict electric vehicles energy consumption: A path towards sustainability", ENERGY & ENVIRONMENT, vol. 33, no. 8, 18 October 2021 (2021-10-18), pages 1583 - 1612, XP093132736, ISSN: 0958-305X, Retrieved from the Internet <URL:http://journals.sagepub.com/doi/full-xml/10.1177/0958305X211044998> [retrieved on 20240209], DOI: 10.1177/0958305X211044998 *

Similar Documents

Publication Publication Date Title
EP2572924A2 (fr) Sélection de programme de charge électrique de véhicule et évolution basée sur plusieurs objectifs de charge pondérée
EP3317139B1 (fr) Procédé de calcul d&#39;une consigne de gestion de la consommation en carburant et en courant électrique d&#39;un véhicule automobile hybride
FR3061471A1 (fr) Procede d’optimisation de la consommation energetique d’un vehicule hybride
FR2982091A1 (fr) Procede et systeme de gestion de charges electriques de cellules de batterie
WO2014037356A2 (fr) Recharge d&#39;un parc de batteries
EP3846095B1 (fr) Procédé de gestion automatique d&#39;un flux d&#39;énergie électrique
FR3152621A1 (fr) Procédé et dispositif de prédiction de la consommation électrique associée à la recharge d’un ensemble de véhicule(s) électrique(s) et programme d’ordinateur associé
EP3635690B1 (fr) Dispositif d&#39;enregistrement de données de déplacement, procédé et programme correspondant
CN115042654B (zh) 充电站的排位充电方法及装置、存储介质、终端
CN114676594B (zh) 计及新能源车的供电负荷预测方法
FR3095538A1 (fr) Assistance aux recharges d’un véhicule électrique, par détermination d’un plan de recharge sur un long trajet
EP3254885A1 (fr) Procédé de détermination de caractéristiques physiques de batteries embarquées dans un véhicule électrique en fonction des missions à effectuer
EP3491591A1 (fr) Procédé de prédiction de demande de consommation, utilisant un modèle de prédiction perfectionné
EP3162612B1 (fr) Procédé de pilotage de l&#39;alimentation d&#39;un moteur de véhicule de transport et dispositif associé
EP4386403B1 (fr) Procede et dispositif de determination d&#39;un profil de sollicitation representatif de l&#39;usage futur d&#39;une batterie pour une application donnee
EP4405201B1 (fr) Procédé et dispositif de sélection d&#39;une borne de recharge pour un véhicule à motorisation électrique
FR3099428A1 (fr) Procédé de charge d’une batterie de véhicule sur une borne de charge
EP4350598A1 (fr) Système d&#39;estimation d&#39;un coût global de détention d&#39;un véhicule
CN118618112B (zh) 一种bms充放电控制方法、装置及存储介质
EP3902095B1 (fr) Procédé de prévision d&#39;une durée de fonctionnement d&#39;un objet connecté
EP4026217B1 (fr) Procédé de gestion d&#39;un système hybride et dispositif associé
FR3149411A1 (fr) Procédés et systèmes de gestion des frais de charge des véhicules électriques
FR3150869A1 (fr) Détermination et fourniture d’informations relatives à une batterie d’un véhicule automobile
FR3152619A1 (fr) Procede pour dimensionner un reseau de stations de recharge de vehicules electriques
EP4639189A1 (fr) Prédiction de l&#39;état de santé d&#39;un accumulateur d&#39;énergie électrique

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20250307

PLFP Fee payment

Year of fee payment: 3