Qu’elles soient dans un vélo ou une voiture, les batteries sont un élément clé de la mobilité électrique. Gérer l’autonomie de ces véhicules est un défi. Grâce au machine learning et à des scooters électriques, les chercheurs de l’Idiap veulent améliorer les plannings de recharge pour une meilleure expérience de mobilité.

Gérer une flotte de véhicules électriques n’est pas chose facile. Un certain temps est nécessaire pour recharger les batteries et leur autonomie dépend de nombreux paramètres, tels que la météo, les habitudes de conduite et les conditions de circulation. Disposer d’un modèle qui anticipe de façon fluide les temps de recharge est un réel avantage pour un réseau d’échange de batterie. Grâce à un soutien d’Innosuisse, la compagnie de location de e-scooter Mobi-Let collabore avec les chercheurs de l’Idiap pour y parvenir. Avec un scooter électrique équipé de capteurs à distance, ils ont pour but de développer et calibrer un programme de gestion de batteries. Le projet durera six mois et comprend un e-scooter basé à l’Idiap, institut partenaire de The Ark.
 

Récolter les informations utiles et améliorer la durée de vie des batteries
« Puis-je atteindre ma destination ou combien me reste-t-il encore d’autonomie ? Ce sont quelques questions typiques qu’un usager aura en utilisant un véhicule électrique, » explique Huajian Qiu, étudiant dans le groupe de recherche d’Energie informatique. « La charge restante ne suffit pas pour répondre. La batterie durera plus ou moins longtemps selon le style de conduite, la température extérieure et les particularités de la route. » Pour surveiller la batterie et ces éléments, les scientifiques utilisent différents capteurs embarqués, tels qu’un thermomètre, un hygromètre, un accéléromètre, un volt- et ampèremètre et un GPS. Grâce à l’internet des objets, ils ont accès aux données à distance. « Lorsque nous combinons notre modèle avec Google maps, nous pouvons estimer si une destination peut être atteinte à un moment donné, » ajoute Huajian Qiu.

Ces informations peuvent également améliorer la durée de vie des batteries, grâce à une meilleure gestion de leur état de charge. La démarche permet ainsi des économies et diminue l’impact environnemental, en donnant aux batteries une deuxième vie en mode stationnaire. Elles peuvent par exemple servir de tampon pour les unités en échange actif dans un réseau de stations indépendantes d’échange de batterie.
 

Garantir l’anonymat des données
Pour calibrer leur modèle basé sur du machine learning, les chercheurs utilisent des données et des outils de visualisation. « Durant cette phase de développement, nous devons récolter les données spécifiques à chaque utilisateur, » explique Jérôme Kämpf, responsable du groupe de recherche Energie informatique. « Bien sûr, pour des questions de confidentialité, ces données ne sont pas partagées et ne sont utilisées qu’au sein de l’institut. » Une solution qui permet de rendre les données anonymes va être développée, grâce à un partenariat avec la HES-SO de Sion et l’utilisation de l’outil appelé PrYv. « Le but est d’avoir un modèle permettant d’identifier le type de conducteur tout en respectant son anonymat. Le machine learning est le meilleur moyen d’y parvenir, » conclut Jérôme Kämpf.
 

Source et photo : Idiap