Algorithme SHAEKF Amélioré au PID pour une Précision Accrue de l’État de Charge
Dans le paysage en constante évolution de la mobilité électrique, l’estimation précise de l’état de charge (SOC) demeure une pierre angulaire pour garantir la sécurité des véhicules, leurs performances et la confiance des consommateurs. Alors que les systèmes de gestion de batterie (BMS) deviennent de plus en plus sophistiqués, les chercheurs ne cessent de peaufiner les algorithmes qui sous-tendent la surveillance du SOC en temps réel. Une percée récente d’une équipe de l’Université des Trois Gorges de Chongqing, en collaboration avec l’Université du Sud-Est, a introduit une amélioration novatrice à une méthode d’estimation déjà puissante : l’intégration d’une rétroaction PID dans le cadre SHAEKF. Cette innovation promet une précision sans précédent dans le suivi du SOC de la batterie, quelles que soient les conditions de conduite ou les extrêmes environnementaux.
L’étude, dirigée par le professeur Cai Li et la chercheuse diplômée Xiang Lihong, tous deux du Département de génie électrique de l’Université des Trois Gorges de Chongqing, présente une technique de filtrage adaptatif raffinée conçue pour surmonter les défis persistants de la modélisation des batteries. Bien que les méthodes traditionnelles telles que le filtre de Kalman étendu (EKF) aient longtemps servi de fondement à l’estimation du SOC, leurs performances se dégradent souvent dans des conditions de mesure bruyantes ou lors de changements de charge soudains – des occurrences courantes dans les scénarios de conduite réels. La solution de l’équipe de recherche réside dans une approche hybride qui fusionne les forces de deux variantes avancées : le filtre de Kalman étendu de Sage-Husa (SHEKF) et le filtre de Kalman étendu adaptatif (AEKF), puis rehausse leurs performances avec un mécanisme de correction dynamique inspiré de la théorie du contrôle.
Au cœur de cette avancée se trouve l’intégration d’une boucle de rétroaction Proportionnelle-Intégrale-Dérivée (PID) dans l’algorithme SHAEKF. Contrairement aux implémentations conventionnelles qui reposent uniquement sur l’adaptation statistique du bruit, la nouvelle méthode compense activement les erreurs d’estimation en temps réel. Le composant PID fonctionne comme un système d’accord de précision, ajustant continuellement la sortie du filtre en fonction de la différence entre les valeurs prédites et réelles. Cette correction en boucle fermée réduit significativement l’erreur en régime permanent, supprime les oscillations et améliore la vitesse de convergence – des attributs critiques pour maintenir la précision lors d’accélérations rapides, de freinages régénératifs ou de fluctuations de température.
Les chercheurs ont employé un modèle de circuit équivalent RC du second ordre pour représenter le comportement électrochimique de la batterie lithium-ion. Ce modèle capture à la fois les effets ohmiques et de polarisation plus précisément que les approximations plus simples du premier ordre, fournissant une base robuste pour l’estimation d’état. Pour garantir la fidélité du modèle, l’équipe a utilisé l’algorithme d’optimisation par essaim particulaire (PSO) pour l’identification des paramètres hors ligne. Le PSO, connu pour sa capacité de recherche globale et sa convergence rapide, a été utilisé pour affiner les paramètres clés tels que la résistance interne et les valeurs de capacitance en minimisant l’erreur cumulative entre les tensions terminales simulées et mesurées.
Les tests ont été conduits en utilisant des ensembles de données de batterie librement accessibles de l’Université du Maryland, en se concentrant spécifiquement sur des cellules INR 18650 d’une capacité nominale de 2 Ah. La validation expérimentale a couvert trois cycles de conduite distincts : le test dynamique de stress pour batterie (DST), le test dynamique de stress de Pékin (BJDST) et le calendrier de conduite urbaine fédéral américain (FUDS). Ces profils simulent un large éventail de conditions réelles, d’une conduite urbaine agressive à des schémas mixtes urbains et autoroutiers, permettant une évaluation complète de la robustesse et de l’adaptabilité de l’algorithme.
Les résultats ont démontré que l’algorithme SHAEKF amélioré a atteint une erreur d’estimation moyenne inférieure à 1 % dans toutes les conditions de test. Plus impressionnant encore, l’erreur maximale a été réduite jusqu’à 5 % par rapport à l’implémentation standard du SHAEKF. Ce niveau de précision place l’algorithme bien en deçà des seuils spécifiés par les normes industrielles, y compris la GB/T 38661—2020, qui exige une haute précision et une forte robustesse pour les applications BMS.
L’un des aspects les plus convaincants de l’étude fut son évaluation sous diverses conditions thermiques. La performance des batteries est notoriously sensible à la température, les froids ou chaleurs extrêmes introduisant des non-linéarités qui peuvent déconcerter les algorithmes d’estimation. L’équipe a testé le système à 0°C, 25°C et 45°C, représentant des environnements opérationnels hivernaux, ambiants et estivaux. Dans tous les cas, l’algorithme amélioré avec PID a maintenu une précision supérieure, particulièrement dans les scénarios à basse température où d’autres méthodes présentaient une dérive significative. À 0°C, l’erreur maximale pour l’algorithme amélioré n’était que de 2,74 %, contre plus de 88 % pour le SHAEKF standard – une amélioration dramatique qui souligne la valeur de la correction PID pour stabiliser les performances sous stress.
La fusion du SHEKF et de l’AEKF rassemble des forces complémentaires. Le SHEKF excelle à s’adapter aux changements dans le bruit de mesure grâce à un mécanisme à facteur d’oubli qui accorde plus de poids aux données récentes. Cependant, cela peut mener à une instabilité si les données plus anciennes sont trop rapidement écartées. L’AEKF, d’autre part, utilise une fenêtre mobile pour estimer la covariance du bruit, offrant une meilleure cohérence statistique mais une réponse potentiellement plus lente aux changements abrupts. En combinant ces approches et en affinant le processus d’estimation du bruit – en remplaçant les équations problématiques qui pourraient produire des matrices non définies positives – les chercheurs ont créé un estimateur plus équilibré et fiable.
L’introduction de la boucle de rétroaction PID renforce davantage ce cadre hybride. Le terme proportionnel répond immédiatement à l’erreur actuelle, la composante intégrale élimine le biais à long terme, et l’action dérivée anticipe les tendances futures basées sur le taux de changement. Ces gains ont été ajustés en utilisant la méthode de proportion critique, résultant en des valeurs optimisées qui assurent la stabilité sans sacrifier la réactivité. La taille de fenêtre adaptative, qui s’ajuste dynamiquement en fonction du nombre d’itérations, améliore encore la capacité de l’algorithme à équilibrer sensibilité et robustesse.
D’un point de vue ingénierie, les implications de ce travail sont significatives. Une estimation précise du SOC impacte directement la prédiction de l’autonomie, l’efficacité de la charge et la longévité de la batterie. Surestimer le SOC peut mener à des arrêts inattendus, tandis que le sous-estimer réduit la capacité utilisable et sape la confiance du conducteur. L’algorithme SHAEKF amélioré atténue ces deux risques, permettant une gestion de l’énergie plus précise et améliorant l’expérience utilisateur globale.
De plus, la forte performance de l’algorithme sur multiples cycles de conduite suggère une large applicabilité. Le profil DST, avec ses changements de charge fréquents, teste la réponse dynamique ; le BJDST reflète la congestion urbaine avec une circulation stop-and-go ; et le FUDS simule des schémas de conduite mixte typiques des villes américaines. Le succès dans les trois indique que la méthode n’est pas surajustée à un cas d’utilisation spécifique mais possède plutôt une intelligence généralisable capable de gérer des demandes opérationnelles diverses.
La recherche souligne également l’importance de la fidélité du modèle. Bien que les techniques de filtrage avancées puissent compenser certaines imprécisions, elles ne peuvent pleinement surmonter des défauts fondamentaux dans le modèle sous-jacent de la batterie. L’utilisation du PSO pour l’identification des paramètres assure que le modèle RC du second ordre correspond étroitement au comportement réel, particulièrement dans la capture des transitoires de tension et des effets de relaxation. Cette synergie entre une modélisation précise et un filtrage intelligent est clé pour atteindre une estimation du SOC de haute précision.
Une autre caractéristique notable est l’efficacité computationnelle de l’algorithme. Malgré ses capacités améliorées, la méthode maintient une structure récursive adaptée à une implémentation en temps réel dans le matériel embarqué des BMS. L’équilibre entre complexité et performance en fait un candidat viable pour un déploiement commercial, surtout alors que les constructeurs automobiles tendent vers des niveaux plus élevés d’autonomie et de connectivité, où des données de batterie fiables deviennent encore plus critiques.
La décision de l’équipe de valider son travail en utilisant des ensembles de données open-source ajoute de la crédibilité et facilite la reproductibilité. Le dépôt de données sur les batteries de l’Université du Maryland est largement reconnu dans la communauté de la recherche, permettant une vérification indépendante et un benchmarking contre d’autres méthodes. Cette transparence s’aligne avec les meilleures pratiques de l’investigation scientifique et renforce l’impact des résultats.
Looking ahead, the researchers acknowledge that while the algorithm has been validated on laboratory data, real-world vehicle testing is the next logical step. Field trials would provide insights into long-term reliability, computational load under continuous operation, and interactions with other vehicle systems. Additionally, extending the method to estimate other battery states—such as state of health (SOH) or state of power (SOP)—could further expand its utility.
L’intégration de concepts de la théorie du contrôle comme le PID dans l’estimation d’état représente une direction prometteuse pour les recherches futures. Traditionnellement vus comme des domaines séparés, la convergence des stratégies d’estimation et de contrôle reflète une approche plus holistique de la conception des systèmes. Alors que les véhicules deviennent de plus en plus électrifiés et automatisés, de telles innovations interdisciplinaires seront essentielles pour gérer des systèmes énergétiques complexes.
Ce travail souligne également le rôle croissant des institutions chinoises dans l’avancement de la technologie des batteries. Alors que le pays mène l’adoption et la fabrication mondiales des véhicules électriques, la recherche nationale joue un rôle pivot dans la résolution de défis pratiques. La collaboration entre l’Université des Trois Gorges de Chongqing et l’Université du Sud-Est exemplifie comment les réseaux académiques régionaux et nationaux peuvent propulser le progrès technologique.
En résumé, l’algorithme SHAEKF amélioré au PID marque une avancée significative dans l’estimation de l’état des batteries. En combinant intelligemment des techniques de filtrage adaptatif avec une correction d’erreur en temps réel, la méthode offre une exactitude, une stabilité et une robustesse exceptionnelles. Sa performance sur divers cycles de conduite et gammes de températures en fait un sérieux prétendant pour les applications de BMS de nouvelle génération. Alors que l’industrie automobile poursuit sa transition vers l’électrification, des innovations comme celle-ci seront instrumentales pour construire des véhicules électriques plus sûrs, plus efficaces et plus fiables.
Cai Li, Xiang Lihong, Yan Juan, Xu Qingshan. Introduction of SHAEKF algorithm with PID feedback for estimating battery SOC. Battery Bimonthly, 2024, 54(1):47-51. DOI:10.19535/j.1001-1579.2024.01.010