Nouvelle Méthode de Tri pour Batteries Usagées
Face à l’essor mondial des véhicules électriques, la gestion du cycle de vie des batteries lithium-ion représente un défi crucial pour le développement durable. Avec des millions de batteries arrivant en fin de vie chaque année, le volume de ces équipements usagés croît à un rythme sans précédent. Si le recyclage reste une solution essentielle, le concept de « seconde vie » – qui consiste à réutiliser ces batteries pour des applications moins exigeantes comme le stockage d’énergie – gagne du terrain comme alternative économiquement viable et écologiquement responsable. Cependant, la principale difficulté réside dans l’hétérogénéité des performances des cellules usagées, dont la capacité, la résistance interne et le vieillissement varient considérablement selon leur historique d’utilisation. Pour garantir la sécurité, la longévité et l’efficacité des applications en seconde vie, il est indispensable de regrouper ces cellules en clusters homogènes – un processus appelé tri de cohérence.
Une étude novatrice publiée dans Battery Bimonthly propose une approche nouvelle et hautement efficace pour relever ce défi. Dirigée par Guangjin Zhao du State Grid Henan Electric Power Research Institute, en collaboration avec Gaojun Meng, Ruifeng Dong, Ling Su et Zheng Zhang du Nanjing Institute of Technology, l’équipe de recherche a développé une méthodologie de tri précis basée sur l’analyse des courbes de décharge et un algorithme amélioré de clustering flou. Leur travail, intitulé Recherche sur la méthode de tri cohérent des batteries usagées basée sur les courbes de décharge et un algorithme amélioré des C-moyennes floues, présente une solution évolutive, précise et efficiente qui pourrait significativement accroître la viabilité commerciale du réemploi des batteries.
L’urgence de la situation est indéniable. Comme le souligne Guangjin Zhao, « L’adoption rapide des véhicules électriques, motivée par les objectifs nationaux de double carbone, entraîne une vague imminente de mises hors service des batteries. Sans un mécanisme de tri efficient et fiable, la promesse de la seconde vie demeure largement théorique. » Les pratiques actuelles de tri reposent souvent sur des métriques simples comme la capacité résiduelle ou la résistance interne. Bien que ces méthodes à paramètre unique soient rapides et faciles à mettre en œuvre, elles ne capturent pas l’ensemble du spectre de santé et de vieillissement d’une batterie. Deux batteries ayant une capacité identique peuvent présenter des schémas de dégradation interne très différents, conduisant à des performances disparates une fois regroupées. Cette incohérence peut accélérer le vieillissement, réduire l’efficacité du système et même poser des risques de sécurité dans les déploiements de stockage d’énergie à grande échelle.
Les approches multiparamètres tentent de remédier à cette limite en intégrant plusieurs métriques – telles que la tension en circuit ouvert, l’impédance et le taux de diminution de capacité – dans le processus de tri. Bien que plus complètes, ces méthodes sont souvent longues et coûteuses, nécessitant des tests de cyclage approfondis et des équipements de diagnostic sophistiqués. Cela les rend peu pratiques pour les applications industrielles à grande échelle où des milliers de batteries doivent être traitées efficacement. De plus, de nombreuses techniques existantes négligent le comportement dynamique des batteries en fonctionnement, se concentrant plutôt sur des instantanés statiques de performance.
L’innovation de l’équipe de recherche réside dans le passage de paramètres isolés à l’analyse du profil complet de décharge – une source riche d’informations reflétant à la fois les caractéristiques statiques et dynamiques d’une batterie. La courbe de décharge, qui trace la tension en fonction du temps lors d’une décharge contrôlée, sert d’empreinte unique du comportement électrochimique de la batterie. Avec le vieillissement, la résistance interne augmente et les matériaux actifs se dégradent, provoquant des modifications subtiles mais mesurables de la forme de la courbe de décharge. Ces changements sont particulièrement visibles dans la durée du plateau de tension, la pente des phases initiale et finale de décharge, et le profil global de décroissance de la tension.
Pour transformer ces courbes complexes en données exploitables, l’équipe a conçu un processus rationalisé d’extraction de caractéristiques. Au lieu d’analyser la courbe entière – ce qui générerait des ensembles de données massifs et entraînerait des inefficacités computationnelles – ils ont identifié sept points caractéristiques clés qui représentent le mieux les caractéristiques morphologiques de la courbe. Ceux-ci incluent les points de début et de fin de décharge, le point médian à 50 % du temps, et des points d’inflexion critiques marquant les transitions entre les différentes phases de décharge. Cependant, l’identification précise des points d’inflexion par analyse tangentielle est gourmande en calculs et peu adaptée au tri à haut débit.
Pour surmonter cela, les chercheurs ont introduit une approximation simplifiée mais très efficace. Ils ont remplacé les calculs géométriques complexes par des marqueurs temporels fixes basés sur des pourcentages : 3 % pour le premier point d’inflexion, 10 % pour le début du plateau de tension, 90 % pour sa fin et 97 % pour le point de transition final. Cet ajustement pragmatique réduit considérablement le temps de traitement tout en préservant le pouvoir discriminant de la méthode originale. Comme l’explique Gaojun Meng, « Notre objectif était de concilier précision et praticité. En utilisant des points de référence temporels, nous permettons une extraction rapide et automatisée des caractéristiques sans sacrifier la capacité à distinguer les batteries avec différents trajets de vieillissement. »
Une fois les points caractéristiques extraits, ils sont introduits dans un algorithme de clustering avancé pour regrouper les batteries similaires. L’équipe a employé une version améliorée de l’algorithme Fuzzy C-Means (FCM), une technique d’apprentissage automatique qui attribue à chaque batterie un degré d’appartenance à multiple clusters plutôt que de forcer une classification binaire. Cela est particulièrement utile dans le contexte des batteries usagées, où la dégradation des performances est un processus graduel et chevauchant. Une batterie peut présenter des caractéristiques de groupes modérément et fortement vieillis, et l’approche floue permet un regroupement plus nuancé et réaliste.
Cependant, les algorithmes FCM traditionnels sont sensibles aux conditions initiales et peuvent converger vers des solutions sous-optimales, surtout face à des ensembles de données hétérogènes comme les batteries usagées. Pour résoudre ce problème, les chercheurs ont intégré une étape de prétraitement appelée Subtraction Clustering (SUB), qui analyse la distribution de densité des points de données pour identifier des centres de clusters initiaux optimaux. Cette approche hybride SUB-FCM garantit une convergence plus rapide et une précision de clustering supérieure, la rendant robuste même face à des données bruitées ou irrégulières.
L’efficacité de la méthode proposée a été validée par des expériences approfondies sur un ensemble de 96 cellules lithium-ion usagées de type 18650, toutes ayant servi dans des véhicules électriques. Les batteries ont d’abord été catégorisées en deux plages de capacité : 2,0–2,5 Ah (haute capacité) et 1,75–2,0 Ah (capacité moyenne). Au sein de chaque groupe, l’algorithme SUB-FCM a été appliqué pour effectuer le tri de cohérence basé sur les points caractéristiques simplifiés.
Les résultats sont frappants. Dans le groupe à haute capacité, les 41 batteries ont été regroupées avec succès en trois groupes distincts. L’analyse post-tri a montré une réduction significative de la dispersion de tension sur tous les points caractéristiques. Par exemple, la différence de tension maximale (ΔUmax) au point d’inflexion initial est passée de 0,132 V avant tri à moins de 0,061 V après tri. De même, l’écart-type (SDU) est passé de 0,048 V à seulement 0,005 V dans le cluster le plus performant. Ces améliorations indiquent un regroupement bien plus serré de batteries ayant un comportement électrochimique similaire, ce qui est crucial pour garantir une distribution de courant uniforme et une gestion thermique efficace dans un pack de batteries.
Dans le groupe à capacité moyenne, l’algorithme a identifié quatre clusters distincts parmi les 55 batteries. Là encore, les métriques post-tri ont démontré une amélioration marquée de la cohérence. La ΔUmax moyenne sur tous les points caractéristiques a été réduite de plus de 30 %, et les valeurs SDU ont montré une tendance à la baisse constante. Notamment, la tension moyenne (Uave) de chaque cluster variait significativement, reflétant différents niveaux de vieillissement et résistances internes. Cela a permis une différenciation claire entre les groupes, permettant aux utilisateurs d’affecter les batteries triées à des applications appropriées selon les exigences de performance.
Point peut-être le plus important, la méthode s’est avérée capable de distinguer des batteries de capacités similaires mais avec des schémas de vieillissement différents – une capacité que les techniques de tri traditionnelles manquent souvent. Par exemple, deux batteries de même capacité nominale peuvent avoir vieilli principalement à cause du vieillissement calendaire (temps et température) pour l’une, et du vieillissement cyclique (décharges profondes fréquentes) pour l’autre. Ces mécanismes de dégradation différents laissent des signatures distinctes sur la courbe de décharge, que l’approche basée sur les caractéristiques peut détecter et classer.
Les implications de cette recherche s’étendent bien au-delà du laboratoire. Pour les recycleurs de batteries et les opérateurs de seconde vie, la méthode offre une solution évolutive et rentable pour améliorer la qualité et la fiabilité des systèmes de batteries réutilisées. En garantissant une plus grande cohérence au sein de chaque groupe, le risque de défaillance prématurée est réduit, les coûts de garantie sont minimisés et la performance globale du système est améliorée. Cela, à son tour, renforce la confiance des consommateurs dans les produits de seconde vie et accélère l’adoption du marché.
D’un point de vue durable, l’impact est tout aussi significatif. Un tri efficient permet des taux d’utilisation plus élevés des batteries usagées, réduisant le volume de déchets envoyés au recyclage ou à l’enfouissement. Il diminue également la demande en nouvelles matières premières, réduisant ainsi l’empreinte environnementale de la production de batteries. Alors que la demande mondiale de stockage d’énergie continue de croître – portée par l’intégration des énergies renouvelables, la stabilisation du réseau et les besoins en alimentation de secours – la capacité à déployer des solutions de stockage fiables et à faible coût basées sur des batteries de seconde vie devient de plus en plus précieuse.
Les experts de l’industrie ont accueilli favorablement ces résultats. « Ce travail représente une avancée significative dans la gestion du cycle de vie des batteries », a déclaré un analyste indépendant du stockage d’énergie. « L’intégration de l’analyse des courbes de décharge avec des algorithmes de clustering intelligents est à la fois innovante et pratique. Elle répond à un problème réel avec une solution prête pour le déploiement industriel. »
L’équipe de recherche explore déjà des moyens de perfectionner davantage la méthode. Un domaine d’intérêt est l’impact de la température sur les caractéristiques de décharge. Comme indiqué dans l’article, toutes les expériences ont été conduites dans des conditions de température constante. Dans les applications réelles, cependant, les batteries sont exposées à des environnements thermiques variables, ce qui peut influencer les profils de tension et, par conséquent, la précision du tri. Les travaux futurs examineront des modèles de compensation de température pour améliorer la robustesse de l’algorithme across différentes conditions opérationnelles.
Une autre piste prometteuse est l’intégration de l’apprentissage automatique pour le tri en temps réel. En entraînant des réseaux de neurones profonds sur de vastes ensembles de données de courbes de décharge, il pourrait être possible d’automatiser l’ensemble du processus – de l’acquisition des données à la classification finale – sans nécessiter d’ingénierie manuelle des caractéristiques. Cela pourrait further réduire le temps de traitement et améliorer l’adaptabilité à différentes chimies de batteries, comme le lithium fer phosphate (LFP) ou le nickel manganèse cobalt (NMC).
L’étude souligne également l’importance de la standardisation dans l’industrie du réemploi des batteries. Alors que de plus en plus d’acteurs entrent sur le marché, le besoin de protocoles communs et de métriques de performance pour garantir l’interopérabilité et le contrôle qualité s’accroît. Les points caractéristiques et indices d’évaluation proposés dans cet article – tels que ΔUmax, SDU et Uave – pourraient servir d’éléments fondateurs pour de futures normes techniques.
En conclusion, le travail de Guangjin Zhao, Gaojun Meng et de leurs collègues offre une solution puissante et pratique à l’un des défis les plus pressants des secteurs du véhicule électrique et du stockage d’énergie. En combinant insight physique et analytique de données avancée, ils ont développé une méthode qui améliore non seulement la précision du tri, mais ouvre aussi la voie à une économie de la batterie plus circulaire et durable. Alors que le monde transitionne vers l’énergie propre, des innovations comme celle-ci joueront un rôle crucial pour garantir que chaque kilowatt-heure soit utilisé à son plein potentiel.
Recherche sur la méthode de tri cohérent des batteries usagées basée sur les courbes de décharge et un algorithme amélioré des C-moyennes floues par Guangjin Zhao, Gaojun Meng, Ruifeng Dong, Ling Su, Zheng Zhang, publié dans Battery Bimonthly, DOI : 10.3969/j.issn.1002-087X.2024.09.016