Nouvel algorithme adaptatif pour le suivi en temps réel de la santé des batteries de véhicules électriques
Dans la course effrénée pour produire des véhicules électriques (VE) plus sûrs, plus endurants et plus fiables, l’intelligence des batteries s’impose comme le héros méconnu. Si les designs tape-à-l’œil et les chevaux motorisés font les gros titres, la véritable bataille technique se joue en silence au sein du système de gestion de batterie — le cerveau numérique qui assure le fonctionnement harmonieux, efficace et sécurisé des VE modernes. Une avancée majeure des chercheurs de la China Jiliang University attire désormais l’attention de toute l’industrie : une nouvelle méthode adaptive d’estimation conjointe en temps réel, capable de suivre simultanément deux indicateurs clés parmi les plus difficiles à saisir — l’état de charge (SOC) et l’état de santé (SOH) — avec une précision inédite.
Depuis des années, les ingénieurs sont confrontés à une tension fondamentale : précision contre rapidité. Pour déterminer la quantité d’énergie restante dans la batterie (le SOC) et son niveau d’usure (le SOH), il faut disposer de modèles mathématiques robustes, d’une capacité d’adaptation aux conditions réelles et de calculs ultra-rapides. Les approches traditionnelles ? Elles sont soit trop lentes pour les décisions en temps réel, trop rigides pour s’adapter à la conduite dynamique, ou trop gourmandes en calcul pour les processeurs embarqués dans les unités de contrôle. La nouvelle méthode, développée par Zhijun Yu, Siguang An et Wei Wang, contourne élégamment ces compromis en associant deux idées ingénieuses : l’oubli adaptatif et l’échelle temporelle variable. Le résultat ? Un estimateur léger, réactif et extrêmement précis qui fonctionne moins comme un modèle de laboratoire statique et davantage comme un technicien expérimenté capable de lire les signaux subtils de la batterie — chutes de tension, pics de courant, murmures thermiques — en temps réel.
Commençons par le défi. Imaginez que vous rouliez sur l’autoroute par un froid glacial, puis que vous appuyiez soudainement sur l’accélérateur pour vous insérer dans une circulation rapide. La batterie répond par une pointe de courant brutale, les résistances internes fluctuent, les températures varient et les taux de réaction chimique changent — le tout en quelques secondes. Un estimateur statique, calibré à 25°C en conditions de laboratoire stables, serait mis en échec. Ses prévisions — surtout pour le SOH — accuseraient un retard, dériveraient ou divergeraient. Pourquoi ? Parce que les cellules lithium-ion ne vieillissent pas seulement avec le temps ; elles vieillissent avec l’intensité d’usage. Une cellule cyclée doucement en ville peut survivre plus longtemps qu’une autre soumise à des recharges rapides répétées et à des accélérations brutales sur autoroute — même si les deux ont parcouru la même distance. Le SOH ne dépend donc pas seulement du temps ou de la quantité totale de charge traversée. Il dépend de l’historique des contraintes. Le capturer sans tests exhaustifs hors ligne ou sans réseaux neuronaux massifs était jusqu’ici un graal.
Les tentatives précédentes reposaient largement sur des doubles filtres — notamment le Double filtre de Kalman étendu (DEKF), mis au point au début des années 2000. Le DEKF fait fonctionner deux moteurs d’estimation en parallèle : l’un pour les variables à évolution rapide comme le SOC, l’autre pour celles à dérive lente comme la baisse de capacité ou l’augmentation de la résistance interne. Intelligent ? Oui. Pratique ? Seulement en partie. Car dans le monde réel, « rapide » et « lent » ne sont pas des catégories fixes. Une conduite douce peut voir le SOC évoluer lentement sur plusieurs minutes ; un freinage régénératif peut le faire varier de 2 % en moins de cinq secondes. Un filtre à échelle temporelle fixe — même bien réglé — est aveugle à cette variabilité. Soit il surréagit au bruit (s’il est trop fin), soit il rate des transitoires critiques (s’il est trop grossier). C’est là que l’idée de l’équipe de China Jiliang fait la différence : laissons la batterie décider de l’échelle temporelle.
Leur Filtre de Kalman étendu à échelle temporelle variable (VEKF) introduit une règle simple mais puissante : rester en mode « micro » haute résolution — mettant à jour le SOC plusieurs fois par seconde — jusqu’à ce que la variation de SOC dépasse un seuil faible mais significatif (ils utilisent 0,3 %). Quand cela se produit, le système déclenche une mise à jour « macro » du SOH. Imaginez un photographe qui utilise le mode rafale seulement quand le sujet bouge — économisant ainsi la puissance de calcul, réduisant le bruit et préservant la réactivité. Cette stratégie événementielle reproduit la façon dont les experts surveillent les systèmes : on ne recalibre pas constamment un indicateur ; on surveille le changement, et on agit quand cela compte.
Mais même le filtre le plus élégant n’est valable que si son modèle sous-jacent est bon — et les modèles de batterie sont notoirement complexes. Entrez la seconde innovation : la Méthode des moindres carrés récursive à facteur d’oubli adaptatif (AFFRLS). La Méthode des moindres carrés récursive (RLS) traditionnelle est un outil classique d’identification de système : elle affine continûment un modèle en ajustant les nouvelles données aux prédictions passées. Le problème ? Les données anciennes accumulent du poids avec le temps, rendant l’estimateur lent — comme essayer de diriger un navire avec des gouvernes encombrées de vieux coquillages. Ajouter un facteur d’oubli fixe aide : il pondère moins les observations anciennes. Mais voici le piège — les batteries ne se dégradent pas linéairement. La dégradation s’accélère pendant les événements de forte contrainte (ex. : recharge rapide à basse température) et stagne au repos. Un taux d’oubli unique ne peut pas s’adapter à ce rythme.
L’AFFRLS résout ceci en ajustant dynamiquement sa propre mémoire. Quand les erreurs de prédiction augmentent brusquement — par exemple pendant une surcharge soudaine — l’algorithme réduit automatiquement son facteur d’oubli, « oubliant » ainsi plus vite pour privilégier des données fraîches et fidèles. Quand les erreurs se stabilisent, il augmente graduellement le facteur à nouveau, retrouvant stabilité et immunité au bruit. C’est comme un conducteur expérimenté qui ajuste son attention : yeux grands ouverts et réflexes vifs sur une route de montagne sinueuse ; détendu mais vigilant sur une autoroute droite. Lors de tests avec des profils Dynamic Stress Test (DST) — simulations standard de l’industrie pour l’usage réel des VE — l’AFFRLS a systématiquement surpassé sa version à oubli fixe, affichant une erreur de tension quadratique moyenne inférieure de 12 %. Cela peut sembler modeste, mais dans le domaine des batteries, quelques millivolts peuvent faire la différence entre un fonctionnement sûr et un emballement thermique.
Ce qui rend ce travail particulièrement convaincant, c’est sa capacité à relier théorie et pratique. L’équipe ne s’est pas appuyée sur des données synthétiques ou des cellules de laboratoire idéalisées. Ils ont validé leur approche avec des données réelles de vieillissement issues de la base de données CALCE de l’Université du Maryland — y compris des cellules ayant déjà perdu 13 % de leur capacité originale (ramenant le SOH à ~87 %). Même dans ces conditions dégradées, leur combinaison AFFRLS-VEKF a maintenu l’erreur d’estimation du SOC sous 0,3 % et celle du SOH sous 1,1 % sur l’ensemble du cycle DST. Pour mettre cela en perspective : pour une batterie standard de VE de 75 kWh, une erreur de SOC de 0,3 % équivaut à moins de ±0,2 kWh — soit environ un demi-mile d’incertitude sur l’autonomie. Ce niveau de fidélité permet aux constructeurs d’exploiter chaque watt-heure utilisable sans risquer la sur-décharge ou une retraite anticipée de la batterie.
Et surtout, il le fait efficacement. Lors de tests sur un processeur i7 standard (un proxy raisonnable pour les microcontrôleurs automobiles de nouvelle génération), la chaîne d’estimation complète a traité 15 000 points de données en seulement 1,22 seconde — soit une moyenne inférieure à 0,1 milliseconde par étape. C’est assez rapide pour fonctionner à 100 Hz ou plus sur du matériel dédié — signifiant que le système peut mettre à jour sa compréhension de la batterie dix fois par seconde, tout en gérant en parallèle l’équilibrage des cellules, le contrôle thermique et la détection de défauts. Comparez cela aux implémentations DEKF plus anciennes, qui exigeaient souvent des compromis sur la complexité du modèle ou la fréquence de mise à jour pour respecter les contraintes temps réel. Ici, performance et précision coexistent.
D’un point de vue système automobile, cela a des impacts bien au-delà du compteur d’autonomie sur le tableau de bord. Une estimation précise et en temps réel du SOH ouvre la voie à une gestion prédictive de la batterie. Imaginez un VE qui, détectant des signes précoces de dégradation localisée de cellules, ajuste subtilement son algorithme de charge pour réduire la contrainte sur les modules vulnérables — prolongeant ainsi la durée de vie de la batterie de plusieurs mois, voire années. Ou un système de gestion de flotte qui identifie les véhicules nécessitant une maintenance proactive avant que l’anxiété d’autonomie ne devienne une plainte client — non pas sur la base du kilométrage ou de l’âge, mais de l’usure électrochimique réelle. Même les applications de seconde vie (comme le recyclage en stockage réseau) pourraient en bénéficier : connaître le SOH réel d’une batterie, et non sa capacité nominale, assure une réutilisation plus sûre et plus économique.
Point crucial, la méthode évite les écueils des alternatives basées sur l’apprentissage profond. Les réseaux neuronaux peuvent atteindre une prédiction impressionnante du SOH — mais souvent au prix de l’interprétabilité, de besoins data élevés et de charges computationnelles. Entraîner un modèle profond robuste requiert des milliers de cycles complets de charge-décharge à diverses températures et states de vieillissement — des données rarement disponibles en dehors des grands constructeurs ou laboratoires nationaux. Et une fois entraînés, ces modèles peinent avec le changement de domaine : un modèle entraîné sur la chimie NMC peut échouer complètement sur la technologie LFP, ou un modèle calibré pour des architectures 400V peut dysfonctionner sur des plateformes 800V. Au contraire, l’approche AFFRLS-VEKF est informée par la physique. Elle s’appuie sur le modèle bien établi du circuit équivalent RC du second ordre — une représentation ancrée dans l’électrochimie des batteries — et le affine de manière adaptive. Cela la rend intrinsèquement plus transférable, explicable et digne de confiance pour un déploiement critique en matière de sécurité.
Bien sûr, aucune méthode d’estimation n’est parfaite — et les auteurs reconnaissent les prochaines étapes clés. Leur définition actuelle du SOH repose sur la résistance interne, un proxy pratique corrélé au vieillissement mais qui ne capture pas tous les modes de défaillance (ex. : placage de lithium ou délaminage mécanique). Les travaux futurs pourraient fusionner le suivi de résistance avec une analyse d’incrémentation de capacité ou des indicateurs de spectroscopie d’impédance — le tout dans le même cadre adaptatif. Une validation matérielle en boucle (hardware-in-the-loop) est également en attente : si les résultats en simulation sont prometteurs, les puces réelles de BMS font face au bruit, à la latence et à la dérive des capteurs que seul un test physique peut révéler. Enfin, l’intégration avec des stratégies actives d’équilibrage des cellules reste une frontière ouverte — comment un feedback SOH en temps réel pourrait-il optimiser non seulement quand équilibrer, mais à quel niveau d’agressivité ?
Pourtant, les implications sont profondes. Alors que les VE visent des durées de vie de 500 000 miles et que les modèles de batterie en tant que service gagnent du terrain, la capacité à surveiller la santé en continu — pas seulement aux intervalles de maintenance — devient un avantage concurrentiel. Les consommateurs ne demanderont plus seulement « Quelle distance puis-je parcourir ? » mais « Combien de temps cette batterie va-t-elle durer avec mon style de conduite ? ». Les assureurs pourraient proposer des primes d’usage basées sur les métriques de contrainte de la batterie. Le marché de l’occasion pourrait standardiser des batteries certifiées SOH, à l’image des rapports Carfax pour l’historique mécanique. Au fondement de tout cela ? Une estimation fiable et en temps réel — non plus une fonctionnalité de luxe, mais un prérequis.
Le travail de l’équipe de China Jiliang se distingue non pas parce qu’il invente des mathématiques entièrement nouvelles, mais parce qu’il orchestre des outils existants avec un pragmatisme remarquable. L’AFFRLS n’est pas né de rien — c’est une variation astucieuse d’un algorithme vieux de décennies. Le VEKF ne rejette pas l’idée multi-échelle — il la rend responsive. En ingénierie, c’est souvent là que les plus grands bonds se produisent : non dans une réinvention radicale, mais dans une synthèse réfléchie. Leur estimateur n’essaie pas d’être universel. Il est conçu pour la réalité complexe de l’opération automobile — où les conditions changent à la seconde, les ressources sont limitées et les erreurs ont des conséquences réelles.
Alors que la technologie des batteries progresse à grands pas — cellules solid-state, alternatives sodium-ion, architectures bipolaires — le besoin de supervision intelligente ne fait que croître. Les nouvelles chimies apportent de nouvelles signatures de défaillance, de nouvelles sensibilités, de nouvelles dynamiques. Un estimateur rigide deviendra rapidement obsolète. Mais un estimateur adaptatif ? C’est une plateforme. Une plateforme qui peut apprendre, s’ajuster et évoluer aux côtés des cellules qu’elle surveille. En ce sens, ce n’est pas seulement un meilleur algorithme. C’est une nouvelle philosophie pour l’intelligence des batteries : moins d’instantanés statiques, plus de dialogue dynamique avec la chimie en mouvement.
Et dans une industrie où les millisecondes et les millivolts définissent l’avance, cette conversation vient de gagner en intelligence.
Zhijun Yu, Siguang An, Wei Wang
College of Electrical and Mechanical Engineering, China Jiliang University, Hangzhou 310018, Chine
Computer Applications and Software, Vol. 40, No. 10, octobre 2023
DOI : 10.3969/j.issn.1000-386x.2023.10.022