Nouvel algorithme pour le mapping OCV-SoC des batteries de véhicules électriques
Une avancée majeure dans la gestion des batteries de véhicules électriques vient d’être réalisée avec le développement d’une méthode innovante permettant d’extraire rapidement et précisément la relation entre la tension en circuit ouvert (OCV) et l’état de charge (SoC) – un paramètre essentiel pour la surveillance précise des batteries – sans recourir aux procédures de test traditionnelles longues et fastidieuses. Cette percée technologique, détaillée dans une étude récemment publiée, promet d’améliorer la sécurité, l’efficacité et la longévité des batteries lithium-ion utilisées dans tous les types de véhicules électriques, des voitures particulières aux flottes commerciales.
L’approche conventionnelle pour déterminer la courbe OCV-SoC – une donnée fondamentale pour les systèmes de gestion de batterie (BMS) – constitue depuis longtemps un goulot d’étranglement dans les opérations réelles des véhicules électriques. Historiquement, les ingénieurs s’appuyaient sur des tests OCV incrémentiels (IO) ou à faible courant (LO) qui nécessitent que la batterie repose pendant de longues périodes entre de petites étapes de charge ou de décharge pour atteindre l’équilibre électrochimique. En raison des effets d’hystérésis inhérents aux chimies lithium-ion, ces protocoles peuvent prendre plusieurs jours pour accomplir un seul cycle complet. De plus, comme la relation OCV-SoC dérive avec le vieillissement de la batterie, cet étalonnage laborieux doit être répété périodiquement tout au long de la durée de vie de la batterie, ce qui le rend impraticable pour les véhicules en service.
La nouvelle méthode proposée contourne ces limitations en exploitant une intuition physique fondamentale : pendant une décharge normale, la véritable courbe OCV évolue de manière régulière dans le temps. Cette « hypothèse de régularité » constitue la pierre angulaire d’un cadre d’optimisation innovant capable de reconstruire le mapping OCV-SoC à partir de données arbitraires de courant-tension issues du monde réel – comme celles enregistrées pendant des cycles de conduite urbaine – sans nécessiter de périodes de repos ou de conditions de laboratoire contrôlées.
Sous la direction de Jinwei Xue du Centre de soufflerie automobile de Shanghai à l’Université de Tongji, l’équipe de recherche a combiné un modèle de circuit équivalent (ECM) du premier ordre avec un puissant algorithme évolutionnaire multi-objectif connu sous le nom de NSGA-II (Non-dominated Sorting Genetic Algorithm II). L’ECM simule la réponse dynamique de tension de la batterie sous charge, décomposant la tension terminale mesurée en contributions provenant de la résistance ohmique, des effets de polarisation et de l’OCV sous-jacente. Cependant, sans connaissance préalable des paramètres de l’ECM (tels que la résistance interne et les constantes de temps RC), le calcul direct de l’OCV produit une courbe bruyante et erratique.
C’est ici que l’hypothèse de régularité s’avère transformative. Les chercheurs ont observé que ce n’est que lorsque les paramètres de l’ECM sont correctement identifiés que la courbe OCV-t reconstruite présente le comportement monotone et régulier attendu. Des paramètres incorrects produisent des oscillations artificielles et des discontinuités. En définissant une métrique de régularité – quantifiant essentiellement la variation totale des incréments d’OCV dans le temps – ils ont transformé l’identification des paramètres en un problème d’optimisation : trouver l’ensemble de paramètres ECM qui minimise cette métrique, produisant ainsi la trajectoire OCV la plus régulière possible compatible avec les données mesurées.
Le NSGA-II, réputé pour sa robustesse dans la navigation d’espaces de recherche complexes et non convexes, a été employé pour résoudre ce problème efficacement. L’algorithme fait évoluer itérativement une population d’ensembles de paramètres candidats, utilisant des principes inspirés de la sélection naturelle – croisement, mutation et tri non dominé – pour converger vers des solutions optimales. De manière cruciale, la méthode ne nécessite aucune donnée d’étalonnage préalable ni d’hypothèses sur la chimie de la batterie au-delà de la régularité générale de l’OCV pendant la décharge.
Pour valider leur approche, l’équipe a utilisé des données réelles de vieillissement de batteries du Laboratoire de contrôle de l’énergie de l’Université de Stanford, mettant en jeu des cellules INR21700-M50T avec anodes en graphite/silicium et cathodes NMC, cyclées selon le calendrier de conduite sur dynamomètre urbain (UDDS) – un cycle d’essai standard reproduisant les patterns de conduite en ville. Malgré l’absence de vérité terrain pour l’OCV ou le SoC dans le jeu de données, les chercheurs ont utilisé le comptage de Coulomb (intégration ampère-heure) comme référence pour le SoC, ancré au point de coupure de décharge.
Les résultats ont été frappants. Les paramètres ECM optimisés ont non seulement produit une courbe OCV-t remarquablement régulière mais se sont également alignés étroitement avec des mesures indépendantes de spectroscopie d’impédance électrochimique (EIS) dans la bande de fréquence pertinente (0-0,2 Hz), confirmant la plausibilité physique des paramètres identifiés. Un affinement supplémentaire utilisant un ajustement polynomial du huitième ordre a produit une courbe OCV-SoC propre et continue, prête pour l’intégration dans les algorithmes d’estimation.
Le test ultime est venu sous la forme de l’estimation du SoC utilisant un filtre de Kalman étendu (EKF) – une technique standard dans les BMS qui fusionne les prédictions du modèle avec les mesures de tension en temps réel. Lorsqu’il est initialisé avec la courbe OCV-SoC extraite, l’EKF a atteint une erreur d’estimation maximale de seulement 2% sur un cycle de décharge UDDS complet. Plus impressionnant encore, la méthode a démontré une robustesse exceptionnelle aux erreurs d’initialisation. Dans un test de stress, les chercheurs ont artificiellement réinitialisé l’estimation interne du SoC de l’EKF à 80% au milieu de la décharge – introduisant une erreur de 40 points de pourcentage. En approximativement 1 000 secondes (moins de 17 minutes de conduite), le filtre est reconvergé vers la trajectoire réelle du SoC, démontrant la puissance auto-correctrice de la relation OCV précisément extraite.
Cette résilience change la donne pour les applications réelles. En pratique, les BMS peuvent souffrir de dérive des capteurs, de défauts de communication ou de perturbations soudaines qui corrompent l’estimation du SoC. Les systèmes traditionnels s’appuyant sur des courbes OCV-SoC obsolètes ou génériques peuvent ne jamais récupérer précisément de telles erreurs, conduisant à une anxiété d’autonomie ou même à des risques de sécurité dus à une surcharge/surdécharge. La nouvelle méthode garantit que le mapping OCV-SoC central reste précis et adaptatif, permettant une correction rapide des erreurs même dans des conditions adverses.
De plus, la technique est intrinsèquement scalable et déployable. Elle ne nécessite que de la télémétrie standard de tension et de courant – des données déjà collectées par tous les BMS modernes – et s’exécute sur des processeurs embarqués conventionnels. Aucun équipement spécialisé, période de repos ou test de laboratoire hors ligne n’est nécessaire. Cela la rend idéale pour des mises à jour over-the-air (OTA) ou un étalonnage continu dans le véhicule, permettant au BMS d’affiner autonomeument son modèle OCV-SoC au fur et à mesure que la batterie vieillit.
D’un point de vue système, une estimation précise et actualisée du SoC déverrouille de multiples avantages. Elle permet des stratégies de freinage régénératif plus agressives sans crainte de surcharge, optimise la gestion thermale en anticipant les demandes de courant élevé, et prolonge la durée de vie de la batterie en empêchant le fonctionnement dans des régions de tension à stress élevé. Pour les opérateurs de flottes et les équipementiers, cela se traduit par un coût total de possession réduit, une fiabilité améliorée des véhicules et une satisfaction client accrue.
Les implications s’étendent au-delà des véhicules électriques particuliers. Les camions et bus électriques commerciaux, et même les systèmes de stockage d’énergie à l’échelle du réseau – tous dépendants d’un suivi précis du SoC – pourraient bénéficier de cette méthodologie. Alors que l’adoption mondiale des véhicules électriques s’accélère et que les chimies de batterie continuent d’évoluer (par exemple, anode silicium, état solide), le besoin de techniques d’étalonnage flexibles et agnostiques vis-à-vis de la chimie devient de plus en plus pressant. Cette approche basée sur la régularité offre un cadre universel adaptable à divers formats de cellules et mécanismes de vieillissement.
De manière critique, la recherche aborde un défi de longue date dans la modélisation des batteries : le couplage entre l’identification de l’OCV et d’autres paramètres ECM. Les tentatives précédentes pour estimer l’OCV en ligne souffraient souvent de problèmes d’identifiabilité, où les erreurs dans les estimations de résistance ou de capacitance se propageaient en imprécisions sur l’OCV. En ancrant la solution dans un critère de régularité physiquement significatif, la nouvelle méthode découple ces incertitudes, produisant des résultats plus stables et fiables.
À plus long terme, l’équipe envisage d’intégrer cette technique d’extraction d’OCV avec des estimateurs avancés de l’état de santé (SoH). Étant donné que les courbes OCV-SoC évoluent caractéristiquement avec la perte de capacité et la croissance d’impédance, la surveillance continue de ces changements pourrait fournir des alertes précoces de dégradation. Combiné avec des modèles d’apprentissage automatique entraînés sur des jeux de données de vieillissement, un tel système pourrait prédire la durée de vie utile restante avec une précision sans précédent.
L’industrie automobile prend déjà note. Avec des pressions réglementaires croissantes pour des garanties de batterie plus longues et des normes de sécurité plus strictes, les équipementiers investissent massivement dans les capacités de BMS de nouvelle génération. Des techniques comme celle-ci – nées de la rigueur académique mais conçues pour la robustesse en conditions réelles – représentent le pont entre la science théorique des batteries et l’ingénierie pratique des véhicules.
En résumé, ce travail redéfinit ce qui est possible dans l’estimation d’état des batteries. En remplaçant des jours de tests en laboratoire par quelques minutes d’optimisation computationnelle sur des données de conduite réelles, il apporte le mapping haute fidélité OCV-SoC dans le domaine du fonctionnement en temps réel et dans le véhicule. Pour les conducteurs, cela signifie des prévisions d’autonomie plus précises et des batteries plus durables. Pour les manufacturiers, cela signifie des véhicules électriques plus intelligents, plus sûrs et plus efficaces. Et pour la transition énergétique plus large, cela supprime une barrière technique critique à l’adoption massive des véhicules électriques.
Alors que la mobilité électrique continue son ascension inexorable, des innovations comme celle-ci – opérant discrètement en arrière-plan de chaque pack batterie – seront tout aussi vitales que les avancées médiatiques en chimie des cellules ou en vitesse de charge. Après tout, la véritable mesure d’une batterie n’est pas seulement la quantité d’énergie qu’elle stocke, mais aussi la façon dont nous comprenons et gérons cette énergie à chaque instant de sa vie.
Jinwei Xue¹, Xuzhi Du², Zhigang Yang³, Lei Zhao¹, Chao Xia⁴. « Extraction of Open Circuit Voltage-State of Charge Curve for Lithium-Ion Batteries Based on Smoothness Optimization. » Journal of Tongji University (Natural Science), Vol. 52, No. S1, Oct. 2024. DOI: 10.11908/j.issn.0253-374x.24778.
¹Shanghai Automotive Wind Tunnel Center, Tongji University, Shanghai 201804, China
²Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA
³COMAC Beijing Aircraft Technology Research Institute, Beijing 102211, China
⁴School of Automotive Studies, Tongji University, Shanghai 201804, China