Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Estimer avec précision le temps de conduite restant (Remaining Driving Time, RDT) de la batterie d’un véhicule électrique (VE) est essentiel pour optimiser la gestion de l’énergie et améliorer l’expérience utilisateur. Cependant, les méthodes d’estimation traditionnelles ne prennent pas suffisamment en compte l’influence de la température, des styles de conduite et du temps de conduite du véhicule, ce qui entraîne des prédictions moins précises et une gestion de l’autonomie sous-optimale. Pour remédier à ces limites, cette étude propose une méthode d’estimation de la durée de conduite restante en intégrant la température et les styles de conduite, ce qui affine les prédictions et améliore la fiabilité du modèle. De plus, des données issues de l’Alliance Nationale des Données Massives pour les Véhicules à Nouvelles Énergies (NDANEV) ont été utilisées pour développer un modèle prédictif basé sur des algorithmes d’apprentissage automatique (Machine Learning, ML). Les différents modèles ML comparés dans cette étude sont : LSTM, Random Forest, Prophet, LightGBM et XGBoost. Les performances des modèles ont été évaluées à l’aide de l’erreur absolue moyenne (Mean Absolute Error, MAE), de l’erreur quadratique moyenne (Root Mean Square Error, RMSE), du coefficient de détermination (R²) et du temps d’exécution de la prédiction afin d’évaluer la précision des estimations. Les résultats montrent que les valeurs de R² pour Prophet, Random Forest, LSTM, XGBoost et LightGBM sont respectivement de 0,91 ; 0,94 ; 0,95 ; 0,94 et 0,94. Cela suggère que LSTM surpasse les autres modèles en termes de précision, offrant l’estimation du temps de conduite restant. En outre, le résultat confirme que la prise en compte des caractéristiques de conduite et de la température ambiante améliore la fiabilité et la robustesse des estimations. Ces avancées contribuent à une gestion de l’énergie plus efficace et à des stratégies de recharge optimisées.