Nouvel algorithme IFFRLS-IAEKF pour l’estimation de l’état de charge des batteries de véhicules électriques
Alors que l’industrie automobile mondiale accélère sa transition vers l’électrification, l’estimation précise et fiable de l’état de charge (SOC) des batteries demeure l’un des défis les plus pressants. Pour les conducteurs, cette métrique va bien au-delà d’un simple indicateur sur le tableau de bord – elle influence directement l’anxiété d’autonomie, le comportement de recharge et la confiance globale dans les véhicules électriques. En arrière-plan, des algorithmes sophistiqués au sein du système de gestion de batterie (BMS) sont responsables du calcul de ce paramètre vital. Cependant, les méthodes traditionnelles montrent souvent leurs limites dans des conditions de conduite dynamiques, où les variations rapides de charge, de température et de modes d’utilisation peuvent dégrader la précision de l’estimation.
Une approche révolutionnaire développée par des chercheurs de l’Université Polytechnique d’Anhui promet d’améliorer significativement la précision de l’estimation du SOC en temps réel. L’équipe – composée de Yan Huihui, Zhang Yan, Zhang Peixian, Ma Wenjing et Zhou Yuan – a introduit un algorithme hybride innovant dénommé IFFRLS-IAEKF, qui combine une identification améliorée des paramètres avec des techniques de filtrage adaptatif pour offrir des performances supérieures dans des scénarios opérationnels complexes.
Publiée dans le Journal de l’Université de Commerce de Harbin (Édition Sciences Naturelles), cette recherche présente une solution complète qui adresse deux faiblesses critiques des cadres d’estimation du SOC existants : les paramètres de modèle statiques et la gestion non adaptative du bruit dans le filtrage de Kalman. En repensant la pondération des données dans le temps et la correction dynamique des erreurs, la méthode proposée établit une nouvelle référence pour la surveillance en ligne de l’état des batteries.
L’importance d’une estimation précise du SOC ne peut être surestimée. Des lectures imprécises peuvent entraîner des arrêts prématurés, une utilisation inefficace de l’énergie, voire des risques de surcharge – autant de facteurs qui compromettent à la fois la sécurité et l’expérience utilisateur. Les approches actuelles telles que l’intégration ampère-heure souffrent de dérive cumulative due aux imprécisions des capteurs, tandis que les méthodes basées sur la tension en circuit ouvert (OCV) nécessitent de longues périodes de repos peu pratiques dans la conduite réelle. Les stratégies basées sur le filtre de Kalman étendu (EKF) sont devenues standard dans de nombreuses plateformes BMS car elles équilibrent efficacité computationnelle et précision raisonnable. Pourtant, leur dépendance à des covariances de bruit fixes limite leur adaptabilité lorsque les caractéristiques de la batterie évoluent pendant le fonctionnement.
Conscients de ces limitations, l’équipe d’Anhui Polytechnic s’est concentrée sur l’amélioration à la fois de la fidélité de modélisation et de l’intelligence du filtrage dans le pipeline d’estimation du SOC. Leur stratégie commence par affiner la technique des moindres carrés récursifs (RLS) – une méthode largement utilisée pour identifier les paramètres dans les modèles de circuit équivalents comme le modèle de Thevenin du premier ordre. Alors que le RLS à facteur d’oubli conventionnel (FFRLS) améliore la capacité de suivi en privilégiant les données récentes, il repose sur un facteur d’oubli prédéterminé et constant. Cette rigidité devient problématique sous des charges de travail fluctuantes, conduisant soit à une réponse lente, soit à une sensibilité excessive aux valeurs aberrantes.
Pour surmonter ce problème, les chercheurs ont introduit l’algorithme Improved Forgetting Factor Recursive Least Square (IFFRLS), doté d’une fonction de facteur d’oubli segmentée et dépendante des données. Au lieu d’utiliser une valeur fixe unique, l’algorithme ajuste dynamiquement le poids donné aux mesures historiques par rapport aux mesures courantes en fonction du volume de données entrantes. Spécifiquement, lorsque le nombre d’échantillons est faible (≤32), un facteur conservateur de 0,95 assure la stabilité et empêche le surajustement. Au-delà de ce seuil, le facteur d’oubli transitionne vers un régime continuellement adaptatif gouverné par une relation inverse avec la longueur des données, minimisant efficacement le risque de « saturation des données » – un phénomène où des informations plus anciennes mais toujours pertinentes sont prématurément rejetées.
Cette innovation permet à la méthode IFFRLS de maintenir une haute réactivité durant les événements transitoires – comme une accélération soudaine ou un freinage régénératif – tout en préservant la précision en régime permanent durant les croisières prolongées. En conséquence, les paramètres clés incluant la résistance ohmique (Ro), la résistance de polarisation (Rp) et la capacitance de polarisation (Cp) sont suivis avec une plus grande fidélité à travers divers cycles de conduite.
Mais une identification précise des paramètres seule est insuffisante sans un estimateur d’état robuste capable de fusionner cette information en une prédiction fiable du SOC. Ici, l’équipe s’est tournée vers le filtre de Kalman étendu adaptatif (AEKF), connu pour sa capacité à auto-ajuster les statistiques de bruit. Cependant, même l’AEKF présente des lacunes, particulièrement lorsque les hypothèses initiales concernant le bruit de processus et de mesure divergent des conditions réelles.
Pour résoudre ce problème, les chercheurs ont développé l’Improved Adapted Extended Kalman Filter (IAEKF), une variante novatrice qui intègre un mécanisme de pondération d’erreur dérivé de l’écart entre les estimations basées sur l’EKF et celles obtenues via le comptage de Coulomb (intégration ampère-heure). Cette différence, représentant le biais accumulé dans la sortie du filtre, sert de signal de correction qui module en temps réel la matrice de covariance du bruit de processus.
En introduisant cette boucle de rétroaction, l’IAEKF acquiert une forme de conscience de soi – son modèle d’incertitude interne évolue en réponse aux déviations observées, le rendant bien plus résilient aux imprécisions de modélisation et aux imperfections des capteurs. De plus, l’ajustement de la matrice de covariance d’erreur influence indirectement le gain de Kalman, permettant au filtre de faire confiance sélectivement à certaines entrées en fonction de leur fiabilité actuelle.
La synergie entre IFFRLS et IAEKF crée un système en boucle fermée où des paramètres de modèle améliorés alimentent un filtre plus intelligent, qui à son tour produit des estimations d’état plus propres qui affinent davantage le processus d’identification. Cette architecture co-adaptative représente une avancée significative par rapport aux approches séquentielles ou découplées couramment trouvées dans la littérature antérieure.
Pour valider leur méthodologie, l’équipe a mené des simulations extensives sous le protocole Dynamic Stress Test (DST) – un cycle de conduite rigoureux conçu pour imiter une conduite urbaine aggressive avec des arrêts, départs et variations de vitesse fréquents. Utilisant des données expérimentales collectées sur une batterie plomb-acide Leoch AGM testée dans des conditions thermiques contrôlées (25°C), les chercheurs ont comparé les performances de plusieurs algorithmes : RLS standard, FFRLS, EKF, AEKF, et leur combinaison proposée IFFRLS-IAEKF.
La précision de prédiction de tension a servi de métrique principale pour évaluer l’identification des paramètres. Les résultats ont montré que l’algorithme IFFRLS atteignait des erreurs de suivi de tension plus faibles tout au long du cycle de test, avec une erreur cumulative réduite de 24% comparé au RLS de base et de 14,8% relativement au FFRLS. Ces améliorations découlent directement de la capacité de l’algorithme à éviter une dépendance excessive aux données obsolètes tout en maintenant la stabilité numérique – un équilibre délicat que les méthodes à facteur fixe peinent à atteindre.
Plus important encore, l’objectif ultime était la précision de l’estimation du SOC. Sous conditions DST, l’IAEKF a démontré une convergence plus serrée vers la trajectoire réelle du SOC, avec un dépassement minimal et une récupération plus rapide après des perturbations. L’erreur d’estimation moyenne est restée en dessous des seuils rapportés précédemment, surpassant constamment ses contreparties EKF et AEKF. Notamment, la déviation maximale n’a jamais excédé les marges de sécurité acceptables, soulignant l’aptitude de la méthode au déploiement dans des environnements BMS commerciaux.
L’une des caractéristiques marquantes de cette recherche est son orientation pratique. Contrairement aux études purement théoriques qui reposent sur des jeux de données idéalisés ou des hypothèses simplifiées, ce travail intègre des données réelles de caractérisation de batterie obtenues via des tests de caractérisation de puissance impulsionnelle hybride (HPPC). Cette fondation empirique assure que la relation OCV-SOC identifiée reflète un comportement électrochimique authentique plutôt que des approximations synthétiques. L’ajustement polynomial du sixième ordre qui en résulte fournit une représentation hautement précise de la dépendance non linéaire entre la tension aux bornes et le niveau de charge, formant une base solide pour les opérations de filtrage ultérieures.
De plus, la complexité computationnelle de l’algorithme proposé reste compatible avec les systèmes embarqués typiquement trouvés dans les véhicules électriques modernes. Bien que certains filtres avancés comme les filtres de Kalman non bruités (UKF) offrent une précision d’ordre supérieur, ils le font au prix de demandes de traitement accrues. Le cadre IFFRLS-IAEKF conserve la structure légère des implémentations EKF classiques tout en offrant des gains de performance grâce à une adaptation intelligente – le rendant attractif pour une intégration dans les puces BMS de nouvelle génération.
D’un point de vue ingénierie, les implications de cette recherche s’étendent au-delà de simples améliorations de précision. Une estimation plus précise du SOC permet aux constructeurs automobiles d’extraire une capacité utilisable supplémentaire des batteries sans compromettre les marges de sécurité. Elle améliore également les capacités prédictives pour l’estimation de l’autonomie, réduisant l’anxiété des conducteurs et améliorant la fonctionnalité de planification d’itinéraire dans les systèmes de navigation. De plus, une meilleure connaissance de l’état supporte des fonctions avancées telles que l’optimisation de charge rapide, l’équilibrage des cellules et les diagnostics de santé – toutes des composantes cruciales d’une gestion holistique du cycle de vie des batteries.
Pour les opérateurs de flottes et les prestataires de services de mobilité, de telles avancées se traduisent par des bénéfices opérationnels tangibles. Un suivi précis du SOC réduit les temps d’arrêt imprévus, optimise les planning de recharge et étend la durée de vie des batteries via des modes d’utilisation plus raffinés. Dans les applications de mobilité partagée, où la disponibilité des véhicules impacte directement les revenus, même de petits gains en prédictibilité peuvent générer des retours substantiels.
Les organismes de régulation pourraient également trouver de la valeur dans cette technologie. Alors que les gouvernements mondiaux poussent pour des standards d’émissions plus stricts et incitent aux transports zéro émission, assurer la fiabilité et la transparence des métriques de performance des véhicules électriques devient de plus en plus important. Des méthodes standardisées d’estimation du SOC haute fidélité pourraient supporter les processus de certification et les initiatives de protection des consommateurs, favorisant une plus grande confiance dans les solutions de mobilité électrique.
Looking ahead, la recherche ouvre plusieurs avenues pour l’exploration future. Une direction prometteuse implique d’étendre le cadre IFFRLS-IAEKF pour prendre en compte les effets de vieillissement et les dépendances à la température, qui étaient maintenus constants dans l’étude actuelle. Incorporer la détection en ligne de la dégradation de capacité et la compensation thermique rendrait l’algorithme encore plus robuste à travers les saisons et les années de service.
Un autre domaine mûr pour le développement est la validation matériel-en-boucle (HIL). Bien que les résultats de simulation soient convaincants, des tests en conditions réelles sur des unités BMS prototypes fourniraient une preuve définitive de viabilité. Des collaborations avec des fournisseurs automobiles ou des équipementiers pourraient accélérer la transition du concept académique à l’application industrielle.
De plus, la nature modulaire de l’algorithme se prête bien à une intégration avec des composantes d’apprentissage automatique. Par exemple, des réseaux de neurones entraînés sur de larges jeux de données de conduite pourraient aider à prédire les profils de charge à venir, permettant des ajustements proactifs des paramètres de filtrage. De telles architectures de contrôle hybrides IA-classique représentent la frontière de la gestion intelligente de batterie.
Les considérations de cybersécurité doivent également être adressées alors que le logiciel BMS devient plus complexe. Garantir l’intégrité et l’authenticité des estimations de SOC sera essentiel, spécialement alors que les véhicules deviennent plus connectés et autonomes. Un chiffrement robuste, des mécanismes de démarrage sécurisé et des protocoles de détection d’anomalie devraient accompagner tout déploiement d’algorithmes d’estimation avancés.
En conclusion, l’algorithme IFFRLS-IAEKF développé par Yan Huihui, Zhang Yan, Zhang Peixian, Ma Wenjing et Zhou Yuan marque un pas en avant significatif dans la quête d’une estimation fiable de l’état des batteries. En combinant intelligemment une identification adaptative des paramètres avec un filtrage conscient des erreurs, la méthode offre des améliorations mesurables en précision, stabilité et réactivité sous des conditions opérationnelles réalistes. Sa publication dans le Journal de l’Université de Commerce de Harbin (Édition Sciences Naturelles) souligne la contribution croissante des institutions académiques chinoises aux technologies automobiles de pointe.
Alors que le marché des véhicules électriques continue de s’étendre, des innovations comme celle-ci joueront un rôle pivot dans la formation de l’expérience de conduite de demain. Avec des consommateurs demandant une fiabilité et une transparence toujours plus grandes, les mathématiques derrière la gestion des batteries viendront de plus en plus sous les projecteurs. Le travail de cette équipe de l’Université Polytechnique d’Anhui exemplifie comment une investigation scientifique rigoureuse, ancrée dans l’expérimentation pratique, peut produire des solutions qui sont non seulement techniquement solides mais aussi commercialement viables.
Pour les ingénieurs, les décideurs politiques et les conducteurs alike, le message est clair : le futur de la mobilité électrique dépend non seulement de batteries plus grandes ou de chargeurs plus rapides, mais de manières plus intelligentes de comprendre et gérer l’énergie que nous avons déjà. Et avec des algorithmes comme IFFRLS-IAEKF entrant dans la conversation, ce futur apparaît plus brillant – et plus prévisible – que jamais.
Yan Huihui, Zhang Yan, Zhang Peixian, Ma Wenjing, Zhou Yuan, École d’Ingénierie Électrique, Université Polytechnique d’Anhui ; Journal de l’Université de Commerce de Harbin (Édition Sciences Naturelles), DOI : 10.1672-0946(2024)06-0658-06