Méthode innovante pour le suivi du vieillissement des batteries de véhicules électriques
Une méthode révolutionnaire pour suivre la dégradation de la capacité des batteries lithium-ion dans les véhicules électriques a été développée par des chercheurs de l’Université de Jiangsu. Cette approche offre une solution prometteuse à l’un des défis les plus persistants de la gestion des batteries : estimer avec précision le vieillissement sans recourir à des tests de laboratoire extensifs ou à des modèles pré-entraînés.
L’étude, dirigée par le Dr Pierre Léi de l’Institut de Recherche en Ingénierie Automobile de l’Université de Jiangsu, présente une approche novatrice qui reconstruit une surface tridimensionnelle – appelée surface OCV – en utilisant les données opérationnelles recueillies par les systèmes de gestion de batterie (BMS) des véhicules. Cette méthode permet l’extraction continue et en ligne des trajectoires de capacité des batteries, essentielles pour évaluer l’état de santé, prédire la durée de vie utile restante et assurer la fiabilité à long terme des véhicules électriques.
Contrairement aux techniques conventionnelles qui dépendent fortement d’expériences hors ligne et de vastes ensembles de données pour entraîner des modèles d’apprentissage automatique, ce nouveau cadre fonctionne entièrement sans apprentissage préalable. Il exploite uniquement le comportement tensionnel naturel des batteries pendant les périodes d’inactivité, spécifiquement la tension en circuit ouvert (OCV), qui reflète l’état thermodynamique de la cellule lorsqu’aucun courant ne circule. En analysant l’évolution de l’OCV avec à la fois l’état de charge (SOC) et le nombre de cycles au fil du temps, les chercheurs ont développé un système autonome capable de cartographier le parcours complet de vieillissement d’une batterie, de sa première utilisation jusqu’à sa fin de vie.
L’innovation réside dans la façon dont les mesures OCV éparses – souvent incomplètes et bruitées en raison des patterns de conduite réels – sont transformées en une surface cohérente et évolutive. Dans le fonctionnement typique d’un véhicule, les batteries sont rarement complètement chargées ou déchargées, et les périodes de repos sont courtes et irrégulières. En conséquence, les systèmes BMS ne collectent que des instantanés fragmentés de la courbe OCV à différents moments de la vie de la batterie. Ces fragments, bien qu’individuellement insuffisants, contiennent collectivement de riches informations sur le processus de vieillissement.
Léi et son équipe ont reconnu que ces fragments, bien que clairsemés, conservent des caractéristiques de forme locales de la relation SOC-OCV sous-jacente. Plus important encore, les fragments du même stade de vieillissement partagent des caractéristiques de forme cohérentes, tandis que ceux de stades différents divergent en raison de la perte de capacité et de la dégradation des électrodes. En exploitant ce principe – qualifié de « compatibilité de forme » au sein d’un même niveau de vieillissement et d' »exclusivité de forme » entre différents niveaux – l’algorithme peut aligner et repositionner intelligemment chaque fragment dans les dimensions à la fois du SOC et du nombre de cycles.
Cet alignement est réalisé grâce à un processus d’optimisation itératif qui impose la relation monotone fondamentale entre le SOC et l’OCV. Pour la plupart des chimies lithium-ion, y compris les cellules lithium fer phosphate (LFP) largement utilisées testées dans l’étude, une OCV plus élevée correspond toujours à un SOC plus élevé. Toute déviation de cet ordre indique un mauvais alignement dû à des erreurs d’estimation ou à des différences de vieillissement. L’algorithme corrige ces déviations en ajustant le décalage SOC de fragments entiers – plutôt que des points individuels – pour préserver leur forme intrinsèque tout en améliorant la cohérence globale.
Une fois tous les fragments correctement alignés, ils forment une surface 3D continue où l’axe des x représente le nombre de cycles, l’axe des y le SOC et l’axe des z l’OCV. Cette surface OCV reconstruite devient un outil de diagnostic puissant. Une coupe horizontale de la surface à la valeur OCV maximale révèle la trajectoire de capacité de la batterie dans le temps – montrant essentiellement combien de capacité est perdue à chaque cycle charge-décharge. Pendant ce temps, les coupes verticales le long de l’axe des cycles produisent des courbes SOC-OCV précises à des stades de vieillissement spécifiques, essentielles pour une estimation précise de l’état de charge dans les batteries vieillissantes.
L’un des avantages les plus convaincants de cette méthode est son indépendance vis-à-vis des connaissances préalables. Les modèles traditionnels basés sur les données nécessitent des milliers de cycles charge-décharge dans des conditions contrôlées pour générer des données d’apprentissage. Même alors, leurs performances se dégradent souvent lorsqu’elles sont appliquées à différents types de batteries, températures ou patterns d’utilisation. En revanche, la méthode de reconstruction de surface OCV ne nécessite aucune préparation de ce type. Elle apprend directement de l’historique opérationnel du véhicule, la rendant intrinsèquement adaptable à diverses conditions réelles.
Pour valider leur approche, l’équipe de recherche a conçu un cadre de simulation complet basé sur des expériences de vieillissement réel menées sur des cellules LFP/GIC de type 32650 avec une capacité nominale de 5 Ah. Ces cellules ont été cyclées à 2C (10 A) dans des conditions de température ambiante, et des courbes OCV haute résolution ont été enregistrées à intervalles réguliers. À partir de cette base expérimentale, ils ont généré un ensemble de données synthétiques imitant la nature fragmentée et sujette aux erreurs des données BMS réelles – ajoutant du bruit d’estimation SOC aléatoire et limitant chaque fragment OCV à seulement 5-8 points de données, cohérent avec les durées de stationnement typiques.
Lorsqu’il est testé sur cet ensemble de données réaliste, l’algorithme a démontré une précision exceptionnelle. La surface OCV reconstruite correspondait à la surface réelle avec une erreur absolue moyenne (MAE) inférieure à 4,2 mV et une erreur quadratique moyenne (RMSE) inférieure à 7,9 mV sur toute la durée de vie de la batterie. Plus important encore, la trajectoire de capacité extraite a montré une erreur absolue en pourcentage maximale de seulement 3,51 %, avec une erreur absolue moyenne en pourcentage (MAPE) inférieure à 0,35 % et une erreur quadratique moyenne en pourcentage (RMSPE) inférieure à 0,70 %. Ces chiffres indiquent que la méthode peut suivre de manière fiable la perte de capacité avec une marge d’erreur acceptable pour les applications grand public et les systèmes de gestion de flotte.
Les implications de ces travaux vont au-delà de la simple estimation de la capacité. En fournissant une vue continue et haute fidélité de l’évolution SOC-OCV de la batterie, la méthode ouvre de nouvelles voies pour comprendre les mécanismes de vieillissement. Par exemple, les déplacements des points d’inflexion de la courbe OCV peuvent révéler des changements dans la cinétique des électrodes, tels que le placage de lithium ou la croissance de l’interface d’électrolyte solide (SEI). De telles informations sont inestimables pour les concepteurs de batteries cherchant à améliorer la longévité et pour les opérateurs visant à optimiser les stratégies de charge.
De plus, l’efficacité computationnelle de la méthode la rend adaptée à une implémentation embarquée. L’algorithme converge en moins de 30 itérations, nécessitant une puissance de traitement minimale – essentielle pour l’intégration dans les plates-formes BMS embarquées aux ressources limitées. Comme il ne stocke ni ne transmet de grands volumes de données brutes, il s’aligne également bien sur les contraintes de confidentialité et de bande passante des véhicules connectés.
Une autre force clé est son universalité. La méthode n’est liée à aucune chimie, taille ou fabricant de batterie spécifique. Tant que la batterie présente une relation monotone SOC-OCV – ce qui est vrai pour presque toutes les cellules lithium-ion commerciales – l’algorithme peut être appliqué. Cette interopérabilité est un avantage significatif dans une industrie où coexistent de multiples types de batteries et où de nouvelles chimies émergent constamment.
La recherche aborde également une limitation commune des outils de diagnostic existants : la nécessité d’un recalage périodique utilisant des cycles complets charge-décharge. En pratique, de tels cycles sont rarement effectués lors de la conduite quotidienne, rendant de nombreuses méthodes hors ligne impraticables. La méthode de reconstruction de surface OCV contourne ce problème en travaillant avec des données partielles et intermittentes, transformant efficacement chaque événement de stationnement en un point de données potentiel pour l’évaluation de la santé.
D’un point de vue intégration système, la méthode complète les fonctionnalités BMS existantes plutôt que de les remplacer. Elle améliore la précision de l’estimation de l’état de santé (SOH) sans interférer avec les calculs en temps réel de l’état de charge (SOC) ou les systèmes de gestion thermique. En fait, les courbes SOC-OCV raffinées produites par la méthode peuvent être réinjectées dans le BMS pour améliorer la précision de l’estimation du SOC au fur et à mesure que la batterie vieillit – un facteur critique pour prévenir la surcharge et la décharge profonde, qui accélèrent la dégradation.
Bien que l’implémentation actuelle se concentre sur le vieillissement cyclique, le fondement théorique de la méthode suggère qu’elle pourrait également être étendue au vieillissement calendaire. Le vieillissement calendaire, causé par le temps et la température plutôt que par l’utilisation, est un contributeur majeur à la perte de capacité dans les véhicules peu utilisés. Les travaux futurs pourraient incorporer les données de température et la durée de stockage dans le modèle de surface OCV, permettant une évaluation de santé plus complète.
L’équipe reconnaît une limitation : la méthode suppose que le nombre de cycles ou une métrique de vieillissement équivalente est disponible pour chaque fragment OCV. Dans certains cas, en particulier avec les batteries de seconde vie ou réutilisées, cette information peut être incomplète ou manquante. Cependant, les chercheurs suggèrent que des indicateurs de vieillissement alternatifs – tels que le débit de charge cumulatif ou le temps d’utilisation – pourraient servir de substituts, permettant à la méthode de fonctionner même dans des scénarios pauvres en données.
Ces travaux se distinguent dans le domaine croissant du diagnostic des batteries par leur fondement théorique rigoureux et leur applicabilité pratique. Plutôt que de s’appuyer sur des modèles d’IA boîte noire dont les décisions sont difficiles à interpréter, la méthode est ancrée dans des principes électrochimiques et une logique transparente. Chaque étape – de l’alignement des fragments au découpage de la surface – est explicable et vérifiable, renforçant la confiance dans ses résultats.
À une époque où l’intelligence artificielle est souvent saluée comme la solution à tous les défis techniques, cette étude démontre la valeur durable des approches basées sur la physique et les règles. Elle prouve qu’une connaissance approfondie du domaine, combinée à une conception algorithmique intelligente, peut surpasser les modèles gourmands en données dans des environnements complexes du monde réel.
Pour les constructeurs automobiles et les fabricants de batteries, la technologie offre une voie vers des garanties plus fiables, un recyclage plus intelligent des batteries et une confiance accrue des clients. Pour les opérateurs de flotte et les fournisseurs d’infrastructures de recharge, elle permet une maintenance prédictive et des calendriers de charge optimisés. Et pour les conducteurs individuels, cela signifie une plus grande transparence sur l’état de la batterie de leur véhicule – sans avoir besoin d’équipement spécialisé ou de visites de service.
Alors que l’adoption des véhicules électriques continue d’augmenter, la demande de diagnostics de batteries précis, économiques et évolutifs ne fera que croître. Des méthodes comme celle développée par Pierre Léi et ses collègues de l’Université de Jiangsu représentent une étape cruciale vers une mobilité durable et pilotée par les données. En transformant les données opérationnelles routinières en informations actionnables sur la santé, ils nous rapprochent d’un avenir où la dégradation des batteries n’est plus un mystère – mais une partie mesurable et gérable de l’expérience de conduite.
La recherche a été soutenue par plusieurs programmes de financement nationaux et régionaux, notamment la Fondation nationale des sciences naturelles de Chine, la Fondation des sciences naturelles de la province du Jiangsu, la Fondation chinoise pour les sciences postdoctorales et le Programme municipal de science et technologie de Zhenjiang. Ces investissements soulignent l’importance stratégique de la gestion avancée des batteries dans la transition vers les transports propres.
À l’avenir, l’équipe prévoit de tester la méthode sur des flottes de véhicules réelles et d’explorer son application dans l’évaluation des batteries de seconde vie et les systèmes de stockage d’énergie à l’échelle du réseau. Avec des améliorations supplémentaires, la technique de reconstruction de surface OCV pourrait devenir une fonction standard des architectures BMS de nouvelle génération, établissant une nouvelle référence pour la surveillance de la santé des batteries.
En résumé, cette étude présente une méthode robuste et sans apprentissage pour extraire les trajectoires de dégradation de la capacité des batteries en reconstruisant la surface nombre de cycles-SOC-OCV à partir de données opérationnelles discrètes. L’approche est universelle, précise et computationalement efficace, la rendant très adaptée à une implémentation en ligne dans les véhicules électriques et autres systèmes alimentés par batterie.
Pierre Léi, Chen Bin, Wang Tiansi, Li Huanhuan, Université de Jiangsu, Journal of Power Sources, DOI: 10.3969/j.issn.1002-087X.2024.12.017