Modèle de fusion avancé pour une précision accrue de l’état de charge des batteries lithium-ion
Une avancée majeure dans la gestion des batteries de véhicules électriques vient d’être réalisée par des chercheurs du State Key Laboratory of Space Power Sources. Ils ont développé une approche novatrice pour estimer l’état de charge (SOC) des batteries lithium-ion avec une précision et une robustesse sans précédent. Cette méthode, détaillée dans une récente publication parue dans Energy Storage Science and Technology, combine la simplicité de la modélisation par circuit équivalent avec la profondeur des principes électrochimiques, surmontant ainsi les compromis traditionnels entre précision et complexité computationnelle.
Alors que la transition vers l’électrification s’intensifie globalement, l’estimation précise du SOC est devenue un pilier essentiel pour les performances, la sécurité et la longévité des véhicules électriques. Une mauvaise estimation de la charge restante d’une batterie peut entraîner des arrêts imprévus, une autonomie réduite, une dégradation accélérée, voire un emballement thermique. Les méthodes traditionnelles – allant des mesures de tension en circuit ouvert à l’intégration ampère-heure – se sont avérées inadéquates dans des conditions dynamiques réelles en raison de leur sensibilité aux conditions initiales, de la dérive des capteurs ou de leurs temps de réponse lents.
Les approches basées sur des modèles ont gagné en popularité, particulièrement celles utilisant des modèles de circuit équivalent (ECM), qui représentent le comportement de la batterie grâce à des composants électriques simplifiés comme des résistances et des condensateurs. Bien que computationnellement efficaces et faciles à implémenter dans les systèmes de gestion de batterie (BMS), les ECM standards peinent souvent à capturer les dynamiques électrochimiques nuancées à l’intérieur de la cellule – surtout pendant la charge rapide, la décharge à forte charge ou les changements de charge soudains.
L’équipe de recherche, dirigée par Qingbo Li, Maohui Zhang, Ying Luo, Taolin Lyu et Jingying Xie de l’Institut des sources d’énergie spatiale de Shanghai, a relevé ce défi de front. Leur innovation repose sur un modèle RC du premier ordre raffiné – déjà populaire pour son équilibre entre simplicité et fidélité – mais amélioré par un terme de correction basé sur la physique, dérivé de la théorie de la diffusion en phase solide, un mécanisme central dans l’électrochimie des lithium-ion.
Au cœur de leur approche se trouve une insight cruciale : les ECM conventionnels utilisent la concentration moyenne de lithium dans les particules d’électrode pour déterminer la tension en circuit ouvert, alors que la tension réelle de la cellule est gouvernée par la concentration de surface. Cette divergence introduit des erreurs systématiques, particulièrement aux niveaux de SOC bas ou élevés et sous des charges dynamiques. En introduisant un terme de compensation d’erreur dynamique qui modélise la différence entre les concentrations de surface et moyennes – basé sur les constantes de temps de diffusion et l’historique du courant – l’équipe comble efficacement le fossé entre les modèles de circuit empiriques et les modèles électrochimiques rigoureux comme le cadre pseudo-bidimensionnel (P2D).
Ce modèle de fusion conserve la faible charge computationnelle d’un réseau RC du premier ordre tout en améliorant significativement la précision de prédiction de tension sur toute la plage de SOC. Concrètement, cela signifie qu’un BMS peut prendre des décisions plus intelligentes concernant les limites de charge, la distribution de puissance et la gestion thermique sans nécessiter des processeurs hautes performances ou un étalonnage extensif.
Mais un modèle précis n’est valable que si ses paramètres le sont également. Conscients que l’identification des paramètres constitue souvent un goulot d’étranglement dans le déploiement réel, les chercheurs ont développé une stratégie d’identification de paramètres découplés (DPI) qui simplifie considérablement le processus d’étalonnage. Au lieu de traiter tous les paramètres du modèle comme des variables interdépendantes à optimiser simultanément – une tâche sujette aux minima locaux et au coût computationnel élevé – ils ont séparé le problème en composantes analytiquement solubles et numériquement optimisables.
En utilisant des tests de décharge par impulsions, ils ont extrait directement la résistance ohmique (R₀). Par une analyse de capacité incrémentale (IC) des courbes de décharge à taux multiples, ils ont isolé la résistance interne totale et, subséquemment, le coefficient de diffusion en phase solide (kₛ ). Seules deux constantes de temps – la constante de temps de polarisation (τₚ) et la constante de temps de diffusion en phase solide (τₛ ) – ont été laissées pour l’optimisation via l’optimisation par essaim particulaire (PSO), un algorithme métaheuristique robuste. Cette approche hybride a non seulement réduit la charge computationnelle mais a aussi produit des paramètres qui reflètent mieux la réalité physique de la batterie.
L’équipe a validé sa méthode d’identification de paramètres par rapport au PSO standard appliqué à l’ensemble complet des paramètres. Les résultats sous les cycles de conduite Urban Dynamometer Driving Schedule (UDDS) et Dynamic Stress Test (DST) – deux profils de conduite de VE largement utilisés – ont montré des améliorations marquées. La méthode DPI a atteint des valeurs d’erreur quadratique moyenne (RMSE) aussi basses que 13,5 mV sous UDDS, soit environ un tiers de l’erreur du PSO conventionnel. Plus impressionnant encore, l’erreur absolue maximale (MaE) est passée de 34,8 mV à seulement 6,0 mV, démontrant une stabilité supérieure, particulièrement dans la région critique de faible SOC où le comportement de la batterie devient hautement non linéaire.
Avec un modèle haute fidélité en main, les chercheurs se sont tournés vers l’estimation du SOC. Ils ont sélectionné le filtre de Kalman non bruité (UKF) – un puissant estimateur d’état non linéaire connu pour sa capacité à gérer le bruit non gaussien et les fortes non-linéarités – comme algorithme de base. Cependant, l’UKF standard met à jour l’estimation d’état uniquement sur la base de l’erreur de mesure la plus récente, le rendant vulnérable aux pannes de capteurs ou aux perturbations transitoires.
Pour renforcer la robustesse, l’équipe a intégré une fenêtre glissante pondérée dans le cadre UKF. Au lieu de s’appuyer sur un seul point d’erreur, leur algorithme modifié considère un court historique des erreurs d’estimation – trois pas de temps dans leurs expériences – et attribue des poids dynamiques basés à la fois sur l’amplitude de l’erreur et sa récence. Les erreurs plus importantes, indicatrices d’un éventuel désaccord de modèle ou d’une perturbation, reçoivent un poids plus élevé, tandis que les erreurs plus anciennes sont actualisées exponentiellement. Ce système de double pondération garantit que le filtre reste sensible aux déviations réelles sans surréagir au bruit.
Les résultats ont été convaincants. Sous les profils UDDS et DST, l’UKF pondéré a réduit le RMSE d’estimation du SOC à 0,33% et 0,45% respectivement – contre 1,26% et 0,86% avec l’UKF standard. L’erreur absolue maximale du SOC a été réduite à seulement 0,45% sous UDDS, une amélioration par trois. Peut-être plus crucial encore pour les applications réelles, l’algorithme a démontré une vitesse de convergence exceptionnelle même avec des estimations initiales de SOC très imprécises. En partant d’un SOC de 20% lorsque la valeur réelle était de 100%, l’estimation a convergé en moins de 3 minutes à moins de 3% de la vérité terrain – une performance qui dépasse largement les exigences typiques des BMS.
La méthodologie complète a été testée sur des cellules commerciales Lishen au phosphate de fer et lithium (LFP), une chimie prisée pour sa sécurité et sa durée de vie mais connue pour sa courbe OCV-SOC plate, ce qui rend l’estimation du SOC particulièrement difficile. Toutes les expériences ont été conduites à une température contrôlée de 25°C pour isoler les contributions algorithmiques, bien que les auteurs reconnaissent la dépendance à la température comme un domaine clé pour les travaux futurs.
Cette recherche représente un changement de paradigme dans l’estimation de l’état de la batterie – non pas en rejetant les cadres existants, mais en les augmentant intelligemment avec des insights physiques ciblés. La fusion de la simplicité du circuit équivalent avec la fidélité électrochimique offre une voie pratique vers les BMS de nouvelle génération à la fois précis et déployables dans des environnements automobiles à ressources limitées.
Pour les constructeurs automobiles et les fabricants de batteries, les implications sont claires : des estimations plus précises du SOC se traduisent directement par une autonomie étendue, une durée de vie améliorée de la batterie, des marges de sécurité accrues et une plus grande confiance des consommateurs dans les VE. Alors que l’industrie s’efforce de répondre à des réglementations d’émissions plus strictes et à des attentes croissantes des consommateurs, de telles innovations incrémentielles mais impactantes seront cruciales.
L’approche de l’équipe ouvre également de nouvelles voies pour les BMS adaptatifs. Parce que les paramètres du modèle sont physiquement interprétables – liés aux coefficients de diffusion, aux résistances et aux constantes de temps – ils peuvent potentiellement servir d’indicateurs de santé pour l’estimation de l’état de santé (SOH) ou la détection précoce de défauts. Les travaux futurs, comme le notent les auteurs, exploreront l’applicabilité de la méthode à d’autres chimies comme le NMC et étudieront l’adaptation des paramètres en fonction de la température.
Dans une ère où les véhicules définis par logiciel deviennent la norme, l’intelligence intégrée dans le BMS est aussi vitale que les cellules qu’elle gère. Ces travaux de Shanghai démontrent qu’en respectant la physique sous-jacente tout en adoptant l’ingénierie pragmatique, il est possible de construire des algorithmes qui ne sont pas seulement intelligents – mais véritablement fiables.
Auteurs : Qingbo Li, Maohui Zhang, Ying Luo, Taolin Lyu, Jingying Xie (State Key Laboratory of Space Power Sources, Shanghai Institute of Space Power Sources, Shanghai 200245, Chine)
Revue : Energy Storage Science and Technology, 2024, 13(9) : 3072–3083
DOI : 10.19799/j.cnki.2095-4239.2024.0594