Comment l’IA optimise l’onduleur ARCP ZVS des véhicules électriques

Porsche Engineering mise sur l’IA, la ZVS et l’ARCP pour réduire de 70 à 95 % les pertes des onduleurs de VE, accroître l’autonomie et réduire taille et chauffe.

Porsche Engineering mise sur l’intelligence artificielle pour doper l’efficacité des véhicules électriques, en s’attaquant d’abord à un organe aussi essentiel que discret de la chaîne de traction: l’onduleur. C’est lors de la commutation des transistors de puissance que se concentre une large part des pertes, avec des répercussions directes sur l’autonomie, la charge thermique et, in fine, l’encombrement des composants. Une cible judicieuse: c’est là que se joue une bonne partie du rendement réel.

Le nouveau procédé s’appuie sur le principe de la commutation douce. Contrairement à la commutation “dure”, où courant et tension se chevauchent pendant les transitions, l’idée est de réduire leur produit en synchronisant précisément les moments d’ouverture et de fermeture des transistors. Concrètement, l’action se fait lorsque la tension ou le courant s’approchent de zéro, ce qui limite les pertes.

Porsche Engineering retient la stratégie de commutation à tension nulle (ZVS), particulièrement adaptée aux charges inductives comme les moteurs électriques. Ce choix s’accorde aussi avec les transistors de puissance en carbure de silicium et en nitrure de gallium, de plus en plus présents dans l’automobile pour leur efficacité à des fréquences de commutation élevées. Sur le papier, l’option paraît logique: elle combine physique des composants et pilotage fin.

Au cœur du concept se trouve la topologie d’onduleur Auxiliary Resonant Commutated Pole (ARCP). Connue des électroniciens depuis des décennies, elle a toutefois peu percé dans les onduleurs de traction, la faute à une commande complexe à maintenir lorsque les conditions de fonctionnement évoluent rapidement. C’est précisément là que l’IA entre en scène et change l’équation de contrôle.

Un algorithme pré-entraîné analyse en temps réel des dizaines de paramètres du véhicule – charge, couple, température, entre autres – et calcule, en une fraction de seconde, les instants de commutation optimaux des transistors de puissance. Porsche Engineering évalue à la fois des réseaux neuronaux récurrents, réputés pour leur précision prédictive, et des méthodes d’apprentissage par renforcement, appréciées pour les contraintes du temps réel. L’approche a le mérite de marier anticipation et réactivité, deux qualités déterminantes au volant.

Les simulations annoncent un gain notable d’efficacité: les pertes de commutation des transistors peuvent reculer de 70 à 95 %. Selon les conditions de conduite, cela se traduit par une hausse sensible de l’autonomie, tout en réduisant l’échauffement de l’onduleur. Moins de contraintes thermiques, c’est aussi la possibilité de recourir à des systèmes de refroidissement plus modestes et à des onduleurs plus compacts, avec des réductions de volume global de 20 à 50 %. La commutation plus douce soulage par ailleurs les transistors de puissance, avec à la clé une durée de service potentiellement allongée. On imagine sans peine l’intérêt au quotidien: plus d’efficience sans complexifier l’ensemble.

Le logiciel de contrôle à base d’IA a déjà atteint un stade avancé de développement. Une fois finalisé, Porsche Engineering prévoit de proposer cette technologie sous forme de solution logicielle. Fournie en bibliothèques, elle pourra s’intégrer dans des calculateurs existants moyennant des adaptations matérielles relativement limitées, convenant aussi bien aux mises à jour de modèles qu’aux nouvelles plateformes électriques. Une manière pragmatique d’accélérer le déploiement, en capitalisant sur l’architecture déjà en place.