La chaîne d’outils développée lors du projet Hy-Nets a montré l’efficience des algorithmes de commande prévisionnelle de l’université RWTH.
Dans le cadre du projet Hy-Nets, pour Efficient Hybrid Propulsion using Vehicular Communication, lancé mi-2016 par les allemands dSpace (le leader du consortium) et Denso Automotive, l’Université technique de Rhénanie-Westphalie (RWTH) d’Aix-la-Chapelle et l’Université de Paderborn, et financé par l’European Regional Development Fund (ERDF), la chaîne d’outils développée a montré que les algorithmes de commande prévisionnelle développés par l’université RWTH permettent de réaliser des économies d’énergie pouvant atteindre 32 %.
La chaîne d’outils a également permis de réduire les temps d’immobilisation aux feux de signalisation. Contrairement aux commandes existantes des entraînements hybrides, Hy-Net prend en effet en compte, pour la première fois, les données provenant de la communication entre le véhicule et tout ce qui l’entoure (V2X) ainsi que du cloud. Le projet a ainsi permis d’identifier de nouvelles méthodes (gestion prévisionnelle de l’énergie, nouvelles fonctions de conduite autonome, etc.) pour accroître l’efficacité.
« Le projet montre qu’il est possible de rendre les transports individuels beaucoup plus efficaces et respectueux de l’environnement en reliant les applications numériques, car une consommation d’énergie nettement inférieure entraîne une réduction des émissions. La nouvelle chaîne d’outils peut également être utilisée pour développer des entraînements hybrides plus efficaces et donner un aperçu de la manière dont le flux de trafic peut être optimisé en équipant autant de systèmes que possible de la technologie réseau V2X », explique Hagen Haupt, Section Manager HIL Simulation chez dSpace.
