Nouvel algorithme réduit de 96,7% le temps d’analyse de l’incohérence des batteries
Dans la course à l’amélioration de la fiabilité et de la longévité des véhicules électriques, un défi critique mais souvent négligé se cache sous le capot : l’incohérence des packs de batteries. Alors que les véhicules électriques prolifèrent à l’échelle mondiale, assurer la santé et l’uniformité des centaines de cellules lithium-ion au sein de chaque pack est devenu un élément central pour la sécurité, les performances et la valeur de revente. Une équipe de chercheurs de l’Université de Yanshan et de Geely Holding Group a dévoilé une méthode révolutionnaire qui réduit le temps de calcul pour évaluer l’incohérence des batteries de plus de 96 % – sans sacrifier la précision.
Cette innovation, détaillée dans une étude récente publiée dans Acta Metrologica Sinica, combine une technique d’échantillonnage adaptatif avec un algorithme de clustering avancé pour les séries temporelles afin d’évaluer les données de tension provenant des opérations réelles des véhicules électriques. Contrairement aux approches traditionnelles qui reposent sur des paramètres internes de la batterie – tels que l’état de charge (SOC) ou la résistance interne – difficiles à mesurer en temps réel, cette nouvelle méthode exploite uniquement les signaux de tension déjà capturés par les systèmes standard de gestion de batterie (BMS). Cela la rend immédiatement déployable sur les flottes existantes de véhicules électriques.
Au cœur de la solution se trouve une version raffinée de l’algorithme Largest-Triangle-Three-Buckets (LTTB), baptisée « LTTB adaptatif ». Alors que le LTTB conventionnel réduit le volume de données en préservant la forme visuelle des courbes des séries temporelles, il applique un taux de compression fixe sur tous les segments. Cela peut déformer des caractéristiques critiques – en particulier pendant les phases de charge, où les plateaux de tension et les augmentations rapides contiennent des informations diagnostiques vitales. Le LTTB adaptatif, quant à lui, alloue dynamiquement les points d’échantillonnage en fonction de la complexité locale de la courbe de tension. Il préserve une haute résolution pendant les transitions volatiles et la réduit pendant les périodes stables, tout en déterminant automatiquement le taux de compression optimal pour chaque cycle de charge-décharge.
« Nous avons observé que les méthodes d’échantillonnage existantes soit simplifient à l’excès les données, soit échouent à s’adapter aux caractéristiques uniques des différents modèles de conduite et de charge », a déclaré Fenghe Wu, auteur principal et professeur à l’École de génie mécanique de l’Université de Yanshan. « Notre approche adaptative garantit que les caractéristiques essentielles de forme des séquences de tension – en particulier pendant les deux phases distinctes de plateau lors de la charge des lithium-ion – sont conservées, même après une réduction agressive des données. »
Ces données raffinées sont ensuite introduites dans un pipeline de clustering pour séries temporelles basé sur DTW-DBA-Means, un algorithme sophistiqué qui surpasse les alternatives courantes comme k-Shape pour capturer la dynamique nuancée du comportement de la batterie. DTW (Dynamic Time Warping) mesure la similarité entre les séquences de tension en alignant les pics et les creux – même s’ils se produisent à des moments légèrement différents – tandis que DBA (DTW Barycenter Averaging) calcule un centre de cluster significatif qui reflète la structure temporelle partagée des cellules similaires.
Le résultat est une métrique d’incohérence robuste : le coefficient de silhouette. Variant de -1 à 1, cette mesure statistique quantifie à quel point les cellules individuelles de la batterie se regroupent en fonction de leurs trajectoires de tension. Un coefficient de silhouette plus élevé indique une divergence plus importante entre les comportements des cellules – c’est-à-dire une plus grande incohérence. crucialement, les chercheurs ont validé cette métrique par rapport à un proxy de vérité terrain : la dispersion des capacités de décharge réelles entre les cellules, calculée à partir des données réelles de courant et de tension pendant des événements de décharge profonde (70% de profondeur de décharge). La corrélation était forte, confirmant que le clustering basé sur la tension reflète fidèlement la divergence électrochimique sous-jacente.
Les implications pratiques sont substantielles. Lors de tests utilisant neuf mois de données opérationnelles d’un véhicule électrique réel – comprenant 48 cycles complets de charge-décharge – la nouvelle méthode a obtenu un coefficient de silhouette dans la plage normale de 0,111 à 0,292, cohérent avec un véhicule ne présentant aucun avertissement du BMS ou problème de performance. Plus impressionnant encore, l’analyse complète, qui aurait pris plus de 17 heures (62 850 secondes) en utilisant des données brutes non traitées avec DTW-DBA-Means seul, a été réalisée en juste un peu moins de 35 minutes (2 079 secondes) lorsqu’elle était couplée au LTTB adaptatif – une réduction de 96,7 % du temps d’exécution.
Ce gain d’efficacité n’est pas qu’une simple note technique. Pour les constructeurs automobiles et les gestionnaires de flottes qui gèrent des milliers de véhicules, une évaluation rapide et évolutive de la santé des batteries est essentielle pour la maintenance prédictive, la gestion des garanties et la réutilisation des batteries en seconde vie. Les logiciels BMS actuels manquent souvent de la puissance de calcul nécessaire pour exécuter des algorithmes de clustering complexes en temps réel ou même quotidiennement. En compressant intelligemment les données avant l’analyse, la méthode LTTB adaptative comble cette lacune, permettant des diagnostics haute fidélité sur le matériel embarqué standard ou sur des plateformes d’analyse basées sur le cloud sans mises à niveau coûteuses.
Geely Holding Group, partenaire de l’équipe de recherche, évalue déjà l’intégration de cette technique dans son architecture BMS de nouvelle génération. « L’incohérence de la batterie est un tueur silencieux », a déclaré Zhengzhu Zhang, ingénieur principal chez Geely et co-auteur de l’étude. « Elle ne déclenche pas de défauts immédiats, mais elle accélère la dégradation, réduit l’autonomie utilisable et augmente le risque d’emballement thermique avec le temps. La détection précoce grâce à des méthodes efficaces et basées sur les données comme celle-ci nous permet d’intervenir avant que les problèmes ne s’aggravent – que ce soit par l’équilibrage des cellules, le remplacement de modules ou des recommandations d’utilisation au conducteur. »
La méthode s’aligne également sur les tendances mondiales vers des diagnostics de véhicules électriques centrés sur les données. Alors que les véhicules deviennent de plus en plus connectés, des téraoctets de données de télémétrie proviennent quotidiennement des unités BMS. Cependant, une grande partie de ces données est jetée ou fortement moyennée en raison des contraintes de stockage et de traitement. Les techniques qui extraient un maximum d’informations à partir de données minimales – sans perdre la fidélité diagnostique – sont donc très demandées. L’approche LTTB adaptative exemplifie cette philosophie : elle ne se contente pas de réduire les données ; elle les réduit intelligemment, en préservant les signaux qui comptent le plus pour l’évaluation de la santé.
De plus, le cadre est intrinsèquement évolutif. Bien que l’étude actuelle se soit concentrée sur les données de tension d’un seul modèle de véhicule, l’algorithme est agnostique quant à la chimie de la batterie, l’architecture du pack ou les conditions de conduite. Avec un étalonnage mineur, il pourrait être appliqué aux véhicules électriques commerciaux, aux e-bus, ou même aux systèmes de stockage d’énergie à l’échelle du réseau – tous souffrant de variabilité entre les cellules au fil du temps.
Critiquement, la recherche adhère à des standards scientifiques rigoureux. L’équipe a utilisé des données opérationnelles réelles conformes à la norme chinoise GB/T 32960-2016 pour la télématique des véhicules électriques, garantissant la pertinence par rapport à des scénarios de conduite réels plutôt qu’à des conditions de laboratoire idéalisées. Ils ont également mené des études d’ablation, comparant leur pipeline complet à des variantes utilisant le LTTB standard ou dynamique, et ont évalué DTW-DBA-Means par rapport à k-Shape. Dans chaque cas, la méthode proposée a démontré une précision et une efficacité supérieures.
Pour les investisseurs et les analystes de l’industrie, ce développement souligne un changement plus large dans la technologie des véhicules électriques : le passage d’une innovation centrée sur le matériel à une intelligence définie par le logiciel. Bien que la chimie des cellules et la gestion thermique restent vitales, la capacité à comprendre et à agir sur les données de la batterie en temps réel devient un différenciateur clé. Les entreprises qui maîtrisent ce domaine amélioreront non seulement la sécurité et la longévité des véhicules, mais débloqueront également de nouveaux flux de revenus grâce à des modèles de batterie en tant que service, des contrats de maintenance prédictive et des programmes de véhicules électriques d’occasion certifiés avec des rapports de santé de batterie vérifiés.
À l’avenir, les chercheurs prévoient d’étendre la méthode pour intégrer des données de température et de courant, ce qui pourrait encore affiner la détection des incohérences – en particulier dans les climats extrêmes ou les scénarios de conduite haute performance. Ils explorent également l’intégration avec des modèles d’apprentissage automatique qui prédisent la durée de vie utile restante en fonction de l’évolution des coefficients de silhouette au fil du temps.
Dans une industrie où les millisecondes peuvent faire la différence entre un fonctionnement sûr et une défaillance catastrophique, une réduction de 96,7 % de la latence diagnostique est plus qu’un triomphe technique – c’est un changement potentiel de donne pour la fiabilité mondiale des véhicules électriques.
Auteurs : Fenghe Wu¹, Haining Chai¹, Zhengzhu Zhang¹,², Ning Zhang¹, Zhengming Wang², Zhanpeng Jiang¹, Baosu Guo¹ Affiliations : ¹ École de génie mécanique, Université de Yanshan, Qinhuangdao, Hebei 066004, Chine ² Geely Holding Group, Hangzhou, Zhejiang 310051, Chine Revue : Acta Metrologica Sinica DOI : 10.3969/j.issn.1000-1158.2024.06.0890