Algorithme révolutionne estimation puissance batterie
Dans l’univers en perpétuelle évolution des véhicules électriques (VE), où la performance, la sécurité et la durée de vie du groupe motopropulseur sont des paramètres critiques, un défi technique de taille persiste : estimer avec une précision absolue la capacité de puissance en temps réel des systèmes de batteries lithium-ion. Cette capacité, connue sous le nom d’État de Puissance (State of Power, SOP), détermine la quantité d’énergie pouvant être extraite pour l’accélération ou absorbée lors du freinage régénératif à tout instant. Sous-estimer cette valeur limite inutilement les performances du véhicule ; la surévaluer, quant à elle, risque de détériorer la batterie ou de provoquer des arrêts de sécurité. Un progrès significatif dans ce domaine vient d’être accompli par une équipe de recherche collaborative, qui a introduit un nouvel algorithme conçu pour offrir une précision et une robustesse inégalées sur l’ensemble du spectre opérationnel de la batterie.
La recherche, menée par Li Qiang de Weichai Power Co., Ltd., en partenariat avec une équipe de l’École de génie mécanique de l’Université de technologie de Pékin – comprenant Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin et Fang Yu – a abouti à une solution puissante. Leur travail, publié dans la prestigieuse revue Transactions of China Electrotechnical Society, détaille une méthode sophistiquée conçue pour surmonter les complexités inhérentes au comportement des batteries. Les batteries ne sont pas des composants statiques ; leurs performances se dégradent dans le temps, fluctuent avec la température et réagissent de manière non linéaire aux charges électriques. Ces caractéristiques dynamiques, variant dans le temps et sensibles à l’environnement, ont transformé l’estimation précise et en temps réel du SOP en un goulot d’étranglement technique persistant pour les Systèmes de Gestion de Batterie (BMS), le cerveau électronique qui contrôle chaque aspect du fonctionnement d’un pack-batterie.
Les approches traditionnelles de l’estimation du SOP se sont souvent révélées insuffisantes dans les applications du monde réel. La méthode de la carte de caractéristiques repose sur des tables de données préprogrammées issues de tests hors ligne. Bien que simple du point de vue computationnel, cette méthode ne parvient pas à s’adapter à l’état changeant de la batterie à mesure qu’elle vieillit ou fonctionne dans des conditions non testées, conduisant à des prévisions inexactes. Les modèles basés sur les données traitent la batterie comme une « boîte noire » et apprennent à partir de vastes ensembles de données. La précision de ces modèles dépend fortement de la qualité et de la quantité des données d’entraînement. Obtenir un flux fiable et continu de données de référence de SOP pour l’entraînement est extrêmement difficile, rendant ces modèles moins pratiques pour une utilisation en ligne en temps réel. La troisième catégorie, l’estimation basée sur plusieurs contraintes, utilise un modèle dynamique de la batterie pour calculer le courant maximal autorisé en fonction de limites telles que la tension, l’État de Charge (SOC), la température et le courant, puis multiplie ce courant par la tension aux bornes pour obtenir la puissance. La précision de cette méthode dépend fortement de la fidélité du modèle de batterie sous-jacent et de la précision avec laquelle ses paramètres internes – tels que la résistance interne et la capacité – peuvent être identifiés en temps réel. Les méthodes précédentes ont souvent eu des difficultés à suivre ces paramètres à mesure qu’ils évoluaient lentement avec le vieillissement et les variations de température, entraînant des erreurs cumulatives.
La nouvelle méthodologie développée par Li Qiang et ses collègues s’attaque directement à ce défi central de la dérive des paramètres. Leur solution repose sur une sélection rigoureuse du modèle et une compréhension du système à un niveau systémique. L’équipe a commencé par évaluer douze modèles de circuit équivalent (ECM) courants, qui sont des représentations mathématiques du comportement électrique de la batterie. Après des tests approfondis, notamment le test standard de Caractéristique de Puissance par Impulsion Hybride (HPPC) et des cycles de conduite dynamiques tels que UDDS et DST, ils ont sélectionné le modèle RC du premier ordre (modèle de Thévenin). Ce modèle, qui combine une tension de circuit ouvert, une résistance ohmique et un réseau RC pour représenter les effets de polarisation, a été choisi pour son équilibre optimal entre une haute précision de prédiction de tension et une faible demande computationnelle – une caractéristique essentielle pour son implémentation dans un BMS aux ressources computationnelles limitées.
Une innovation fondamentale réside dans la transition d’un modèle de cellule individuelle à un modèle de système de pack-batterie complet. Plutôt que de modéliser chaque cellule individuelle, ce qui serait prohibitif sur le plan computationnel, les chercheurs ont développé un modèle de pack-batterie « à distribution uniforme de cellules à double caractéristique ». Ce modèle se concentre sur les deux cellules les plus critiques du pack : celle ayant la tension la plus élevée et celle ayant la tension la plus basse à un moment donné. En supposant une distribution uniforme des états des cellules à travers le pack, le système complexe peut être efficacement simplifié. Le BMS n’a besoin de surveiller que la tension totale du pack et les tensions de ces deux cellules représentatives. Cette simplification élégante permet à l’algorithme de haute précision pour cellule unique d’être mis à l’échelle pour gérer un pack entier avec une surcharge computationnelle minimale, un avantage crucial pour les applications commerciales.
Au cœur de cette avancée se trouve le nouvel algorithme de « Filtre de Kalman Double Étendu (DEKF) à fenêtre glissante à multiples échelles de temps ». Le filtre de Kalman est un outil mathématique puissant utilisé pour estimer l’état d’un système dynamique à partir de mesures bruitées. Le Filtre de Kalman Double Étendu (DEKF) utilise deux filtres interconnectés : un pour estimer les états instantanés de la batterie (comme le SOC et la tension de polarisation) et un autre pour estimer les paramètres du modèle qui changent lentement (comme les résistances et les capacités internes). L’aspect « à multiples échelles de temps » est l’affinement critique. Il reconnaît que l’état de la batterie (par exemple, le SOC) peut changer rapidement avec la charge, tandis que ses paramètres fondamentaux (par exemple, la résistance interne) changent très lentement au fil des heures, des jours ou des semaines en raison du vieillissement et des variations de température. L’algorithme fonctionne sur deux échelles de temps différentes : une échelle « étroite » pour les mises à jour rapides de l’état et une échelle « large » pour les mises à jour peu fréquentes des paramètres. Cela empêche le bruit de l’état, qui change rapidement, de corrompre l’estimation des paramètres qui changent lentement, un problème courant dans les implémentations standard du DEKF qui conduit à l’instabilité et aux erreurs.
Le composant de « fenêtre glissante » améliore encore la robustesse et la précision de l’algorithme. Au lieu de s’appuyer sur un seul point de données, le filtre d’estimation des paramètres analyse une fenêtre de données récentes – 300 points de données consécutifs dans leur implémentation. Cet effet de moyenne lisse les bruits transitoires et les erreurs de mesure, conduisant à une estimation des paramètres plus stable et fiable. L’algorithme est également conçu pour s’auto-mettre à jour. En intégrant les résultats de tests périodiques de puissance de crête – des procédures standardisées qui mesurent la capacité de puissance réelle de la batterie dans différents états – la bibliothèque de paramètres du modèle est continuellement affinée. Cela crée une boucle de rétroaction où l’algorithme apprend à partir de la performance du monde réel, permettant une estimation « lente et variable dans le temps » des paramètres qui suit avec précision le vieillissement et les caractéristiques changeantes de la batterie tout au long de sa durée de vie.
Pour calculer le SOP lui-même, l’équipe a utilisé une approche sophistiquée centrée sur le concept de puissance constante. Plutôt que de faire un simple calcul instantané, l’algorithme prédit si un niveau de puissance constant proposé peut être maintenu pendant une durée spécifique (par exemple, 10 secondes) sans violer les limites de tension. Cela implique une simulation en avant de la réponse en tension de la batterie pendant cette période. Comme cette relation est complexe et non linéaire, les chercheurs ont utilisé une « méthode de dichotomie » (une forme de recherche binaire). L’algorithme commence par une supposition initiale pour la puissance maximale, simule la tension résultante, la compare aux limites de tension sûres, puis ajuste itérativement son estimation de puissance – vers le haut ou vers le bas – jusqu’à ce qu’il converge vers la véritable puissance maximale soutenable avec une grande précision. Cette méthode garantit que le SOP estimé reflète un niveau de puissance pratique et utilisable, et non un simple pic théorique instantané.
Le véritable test de tout algorithme de BMS est sa performance dans des conditions du monde réel. Pour valider leur méthode, l’équipe de recherche est allée au-delà des simples simulations et a construit une plateforme de test en boucle matérielle (HIL) complète. Cette configuration sophistiquée intègre des composants physiques réels – tels qu’un pack-batterie de 150 Ah composé de trois cellules de 50 Ah en parallèle de lithium-ion ternaire, un matériel de cyclage de batterie haute précision d’ARBIN et une chambre thermique programmable – avec un environnement de simulation en temps réel fonctionnant sur une carte de contrôle principal dédiée MPC5644. Cela permet de tester l’algorithme contre le comportement réel de la batterie dans des conditions contrôlées mais réalistes, fournissant une validation bien plus rigoureuse qu’une simple simulation logicielle.
La campagne expérimentale a été exceptionnellement minutieuse. L’équipe a mené des tests approfondis sur un pack-batterie neuf et un pack vieilli, les soumettant à une vaste gamme de conditions au cours d’une période de six mois. Cela incluait quatre températures différentes (-10°C, 0°C, 25°C et 45°C) et quatre cycles de conduite exigeants (NEDC, UDDS, US06 et WLTC), simulant tout, de la conduite en ville aux manœuvres agressives sur autoroute. La plateforme HIL a exécuté ces protocoles de test complexes, recueillant d’énormes quantités de données sur la tension, le courant, la température et les estimations internes de l’algorithme.
Les résultats de cette validation rigoureuse ont été impressionnants. Pour l’estimation de l’État de Charge (SOC), un paramètre critique en soi, l’algorithme a démontré une précision exceptionnelle. Sur les 14 scénarios de test différents sur le pack-batterie neuf, l’erreur maximale d’estimation du SOC a été remarquablement faible de 2,192 %. Encore plus difficile, sur le pack-batterie vieilli, où les changements internes sont plus prononcés, l’erreur maximale n’a été que de 2,82 %. Ces résultats sont bien en deçà des exigences industrielles strictes en matière de précision du BMS.
La performance en estimation du SOP a été encore plus convaincante. La métrique principale pour la précision du SOP est l' »erreur de tension équivalente », qui mesure la différence entre la tension prédite à la fin d’une décharge ou charge de puissance de crête et la tension réelle mesurée. Une petite erreur indique que l’algorithme a correctement prédit la limite de puissance. Les chercheurs ont évalué cela à plusieurs niveaux de SOC (de 3 % à 95 %) et à travers quatre températures. Les résultats, résumés dans leurs données, montrent que sur chaque point de test où des données étaient disponibles, l’erreur de tension équivalente était inférieure à 40 millivolts (mV). Dans de nombreux cas, elle était bien inférieure, souvent en dessous de 20 mV. Une erreur de 40 mV sur une cellule typique de 3-4 volts représente une précision supérieure à 98 %, ce qui est considéré comme excellent pour les applications de BMS dans le monde réel. Ce niveau de précision signifie que le BMS peut pousser la batterie en toute confiance plus près de ses véritables limites physiques, maximisant ainsi les performances du véhicule et l’efficacité du freinage régénératif sans compromettre la sécurité.
Les implications de cette recherche sont significatives pour l’ensemble de l’industrie des véhicules électriques. Une estimation précise du SOP permet des stratégies de gestion de l’énergie plus agressives et plus efficaces. Pendant l’accélération, le véhicule peut délivrer tout son potentiel de puissance. Pendant le freinage régénératif, il peut capter plus d’énergie cinétique, augmentant ainsi l’autonomie. Cela permet également des prévisions plus précises de l’autonomie et des performances du véhicule, améliorant l’expérience du conducteur. En outre, en empêchant la batterie d’être poussée au-delà de ses limites de fonctionnement sécurisées, l’algorithme contribue à une durée de vie plus longue et à une sécurité accrue, répondant à deux des principales préoccupations des consommateurs de véhicules électriques.
Le travail de Li Qiang et de son équipe représente un grand pas en avant dans la technologie des BMS. En combinant un modèle de batterie soigneusement sélectionné, une approche évolutible au niveau du système et un algorithme DEKF hautement sophistiqué à multiples échelles de temps avec une fenêtre glissante, ils ont créé une solution non seulement précise, mais aussi robuste et adaptable. Elle navigue avec succès dans la nature complexe et variable dans le temps du fonctionnement de la batterie réelle à travers la température, le vieillissement et diverses conditions de conduite. Bien que les chercheurs notent que la performance à des températures très basses (en dessous de -20°C) reste un défi en raison des effets de polarisation extrêmes, leur travail actuel établit une nouvelle référence pour l’estimation du SOP. Cette recherche, publiée dans Transactions of China Electrotechnical Society (DOI:10.19595/j.cnki.1000-6753.tces.230086), fournit un outil puissant pour les ingénieurs en BMS et ouvre la voie à des véhicules électriques plus sûrs, plus efficaces et plus performants. Li Qiang, Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin, Fang Yu, Transactions of China Electrotechnical Society, DOI:10.19595/j.cnki.1000-6753.tces.230086