Nouvel algorithme adaptatif révolutionne l’estimation des batteries de véhicules électriques
Dans le paysage en constante évolution de la mobilité électrique, où l’autonomie et la longévité des batteries demeurent des préoccupations majeures, une avancée technologique significative émerge de l’Université de Technologie de Chongqing. Une équipe de recherche dirigée par le docteur Yingzhe Kan a développé un algorithme adaptatif novateur qui améliore considérablement la précision de l’estimation de l’état de charge (SOC) des batteries lithium-ion – un paramètre crucial pour les performances, l’efficacité énergétique et l’expérience utilisateur.
Publiée dans le Journal de l’Université de Technologie de Chongqing (Sciences Naturelles), cette étude présente une fusion innovante de techniques d’identification de paramètres en temps réel et d’estimation d’état conçue pour surmonter les limitations des méthodes conventionnelles. Alors que les véhicules électriques fonctionnent dans des conditions de conduite variées – de la circulation urbaine aux trajets autoroutiers – les caractéristiques internes de leurs batteries évoluent dynamiquement. Les modèles traditionnels, s’appuyant sur des paramètres fixes issus de tests en laboratoire, échouent souvent à capturer ces comportements transitoires, conduisant à des imprécisions dans la prédiction du SOC.
Le docteur Kan, expert en véhicules électriques et systèmes de propulsion avancés, souligne l’importance de s’adapter à la variabilité du monde réel. « Le comportement des batteries est intrinsèquement non linéaire et variable dans le temps. L’utilisation de modèles statiques dans des environnements dynamiques génère des erreurs cumulatives. Notre objectif était de développer une méthode qui apprend et s’ajuste continuellement. »
L’innovation principale réside dans l’intégration d’un facteur d’oubli autorégulateur au sein d’un cadre de moindres carrés récursifs (RLS) – baptisé AFFRLS – combiné avec le filtre de Kalman étendu (EKF) pour l’estimation du SOC. Contrairement aux méthodes RLS traditionnelles utilisant un facteur d’oubli fixe, cette nouvelle approche ajuste dynamiquement le facteur en fonction des erreurs de prédiction en temps réel.
Ce mécanisme adaptatif permet au système de répondre rapidement aux changements soudains de charge, de température ou aux effets de vieillissement, qui affectent tous l’impédance, la capacitance et la tension en circuit ouvert de la batterie. En recalibrant continuellement les paramètres du modèle de circuit équivalent, la méthode AFFRLS-EKF garantit que le modèle sous-jacent reste représentatif de l’état physique actuel de la batterie.
L’équipe de recherche, incluant le chercheur Min Yang et les collègues Huaze Sun et Yunfei Xie, a mené une validation expérimentale approfondie utilisant une cellule lithium-ion ternaire de 19Ah sous multiples cycles de conduite. Les résultats ont démontré des performances exceptionnelles dans toutes les conditions de test, avec des erreurs d’estimation du SOC restant inférieures à 1% – une amélioration significative par rapport aux méthodes conventionnelles.
L’un des aspects les plus convaincants du nouvel algorithme est sa capacité à maintenir une haute précision sans sacrifier l’efficacité computationnelle. La méthode AFFRLS-EKF opère efficacement sur des microcontrôleurs standard, permettant une implémentation en temps réel sans nécessiter des ressources informatiques sophistiquées.
Le modèle de circuit équivalent à double polarisation utilisé dans l’étude maintient un équilibre judicieux entre complexité et fidélité. Cette structure capture les chutes de tension transitoires et de diffusion essentielles tout en restant exploitable pour l’estimation en ligne.
Pendant le fonctionnement, l’algorithme opère en boucle fermée : le module AFFRLS met continuellement à jour les paramètres du modèle utilisant les données de tension et de courant entrantes ; ces paramètres actualisés alimentent ensuite l’EKF, qui calcule l’estimation actuelle du SOC. Cette architecture à rétroaction crée un système auto-correcteur capable de compenser les transitoires opérationnels et les effets de vieillissement à long terme.
Les implications dépassent la simple précision du SOC. Avec une estimation d’état plus fiable, les constructeurs automobiles peuvent optimiser la gestion thermique, prolonger la durée de vie des batteries et améliorer l’efficacité du freinage régénératif. Une estimation précise du SOC permet également un préconditionnement plus intelligent de la batterie avant la charge rapide.
De plus, une estimation précise du SOC améliore la sécurité en prévenant les surcharges et les décharges profondes. D’un point de vue ingénierie système, la méthode AFFRLS-EKF exemplifie la tendance vers le contrôle intelligent et adaptatif dans l’électronique automobile.
La recherche souligne également l’importance de la collaboration interdisciplinaire, combinant l’expertise en ingénierie mécanique, théorie du contrôle, électrochimie et traitement du signal. La réponse de l’industrie à ces découvertes est prudentement optimiste, reconnaissant que le déploiement réel nécessitera des tests de durabilité approfondis dans des conditions environnementales diverses.
Les bénéfices potentiels sont substantiels : pour les consommateurs, une confiance accrue dans l’autonomie affichée ; pour les constructeurs, la possibilité de réduire le surdimensionnement des batteries ; pour les gestionnaires de flottes, une meilleure planification des trajets et de la recharge.
La méthode s’avère également prometteuse pour les applications de seconde vie des batteries, comme le stockage stationnaire d’énergie. Les recherches futures exploreront l’extension de l’algorithme à l’estimation d’autres états de la batterie, y compris l’état de santé et l’état d’énergie, ainsi que la compensation thermique en temps réel.
Alors que les ventes mondiales de véhicules électriques continuent de croître – dépassant 14 millions d’unités en 2023 – le besoin de gestion de batterie plus intelligente et plus efficace ne fera que s’intensifier. Cette innovation représente non seulement une réalisation technique, mais aussi un facilitateur d’un avenir de transport durable.
Dans une ère où le logiciel définit de plus en plus les capacités des véhicules, cet algorithme adaptatif démontre comment l’intelligence artificielle peut extraire une valeur maximale du matériel existant. Le succès de la méthode AFFRLS-EKF souligne également le rôle croissant des institutions chinoises dans l’avancement de la technologie des véhicules électriques.
Yingzhe Kan, Min Yang, Huaze Sun, Yunfei Xie, École d’Ingénierie Mécanique, Université de Technologie de Chongqing. Journal of Chongqing University of Technology (Natural Science), doi:10.3969/j.issn.1674-8425(z).2024.11.003