Celles et ceux qui achètent une voiture électrique se fondent souvent sur une seule donnée pour fonder leur décision : l’autonomie WLTP. Mais, problème, le chiffre affiché sur une fiche technique est rarement celui que l’on constate sur la route. Tout le monde l’aura constaté et ça vaut évidemment aussi pour les modèles thermiques ou hybrides. Ceci s’explique par le fait que le cycle WLTP fournit une valeur normalisée qui permet avant tout de comparer les modèles entre eux. L’objectif initial était pourtant louable : remplacer l’ancienne norme NEDC datant des années 1970 de façon à gommer l’écart entre laboratoire et usage réel.
Mais malgré un protocole plus long et des vitesses d’usage plus élevées, le WLTP reste un exercice standardisé, réalisé dans des conditions strictes et desquelles... la conduite quotidienne est assez éloignée. En effet, température, relief, style de conduite ou encore charge de la batterie modifient en permanence la consommation. Dans les faits, le WLTP renseigne donc toujours un potentiel théorique que sur l’autonomie réellement disponible.
Changer les choses encore ?
C’est précisément ce postulat que remet en cause une étude récente publiée dans la revue Nature. Des chercheurs sont partis d’un constat simple : l’autonomie d’un véhicule électrique ne peut pas être résumée à un chiffre unique. Elle dépend d’une combinaison de paramètres qui évoluent à chaque instant.
Publicité – continuez à lire ci-dessous
Pour modéliser cette complexité, l’équipe a développé une approche reposant sur l’intelligence artificielle. Faute de données réelles accessibles à grande échelle, les chercheurs ont généré près de 2.000 scénarios de conduite. Chacun intègre des variables comme la topographie, la vitesse, les phases d’accélération, la température extérieure ou encore le niveau de charge de la batterie. Ces scénarios ont servi à entraîner plusieurs algorithmes de machine learning qui allaient de modèles classiques à des plus avancées.
Relief et état de charge : des facteurs centraux
Au-delà de la simple estimation de l’autonomie, l’étude cherchait aussi à identifier les conditions de conduite les plus favorables. Et là, il faut bien avouer que les résultats mettent en évidence des hiérarchies parfois contre-intuitives.
Le relief apparaît comme le paramètre le plus déterminant devant la vitesse moyenne. Cette donnée était rarement intégrée avec autant de précision dans les estimations actuelles. Selon les chercheurs, l’état de charge de la batterie joue également un rôle important, car la consommation n’est pas linéaire selon le niveau de charge de la batterie. En revanche, la météo ou l’utilisation des accessoires pris isolément auraient un impact plus modéré. Mais les combiner avec les autres paramètres montre comment ils interagissent.
Va-t-on abandonner le WLTP ?
Bien que plus précise et transparente pour les utilisateurs, ces méthodes basées sur des modèles IA n’ambitionnent pas encore de remplacer le WLTP. Les chercheurs considèrent d’ailleurs cette norme comme indispensable. Et pour cause : ce nouveau modèle IA repose uniquement sur des données simulées et n’a pas encore été testé sur des véhicules en circulation réelle. Mais l’idée est là : pourquoi ne pas utiliser l’IA pour déterminer une valeur de consommation dynamique (plus précise que les rares cas existant aujourd’hui) intégrée aux systèmes embarqués ? Ce serait tellement plus pratique et, tant qu’à faire, aussi pour les modèles thermiques ou hybrides. Non ?
À la recherche d'une voiture ? Cherchez, trouvez et achetez le meilleur modèle sur Gocar.be
-(1366-x-762).jpg?width=420)
