Nouvelle méthode d’estimation d’état des batteries pour véhicules électriques
Dans le paysage en constante évolution des véhicules électriques, où la performance, la sécurité et la longévité sont primordiales, une avancée majeure vient de voir le jour dans l’estimation des états critiques des batteries lithium-ion. Une équipe de chercheurs de l’Université Tiangong, dirigée par la professeure Liu Fang, a développé une méthode innovante qui promet d’améliorer considérablement la précision et la fiabilité des systèmes de gestion de batterie (BMS), particulièrement dans des conditions exigeantes de températures extrêmes et de conduite variable.
Cette recherche, intitulée « Méthode d’estimation conjointe en ligne des états clés des batteries lithium basée sur un nouveau modèle de couplage électro-thermique », a été récemment publiée dans la prestigieuse revue Proceedings of the CSEE. Elle répond à un défi fondamental de l’industrie des véhicules électriques : l’interaction complexe entre les états électrique, thermique et de santé d’une batterie, que les modèles traditionnels peinent à saisir avec une précision suffisante.
Les batteries des véhicules électriques subissent d’importantes fluctuations thermiques lorsqu’elles sont utilisées dans divers climats, des hivers glaciaux des régions nordiques aux étés torrides des zones désertiques. Ces variations de température affectent profondément la chimie interne de la batterie, influençant son niveau de charge (State of Charge, SOC), sa capacité résiduelle (State of Health, SOH) et sa température actuelle (State of Temperature, SOT). Ignorer ces couplages dynamiques peut entraîner des lectures inexactes, une utilisation inefficace de l’énergie, une réduction de la durée de vie de la batterie et des risques potentiels pour la sécurité.
Les techniques actuelles de gestion de batterie se concentrent généralement sur l’estimation de seulement deux de ces états, le plus souvent SOC et SOH. Bien qu’elles soient efficaces dans des environnements stables, cette approche devient inadéquate lorsque la température devient une variable significative. Une batterie trop froide ne peut pas délivrer sa pleine puissance, tandis qu’une batterie trop chaude risque un emballement thermique.
Les modèles électro-thermiques existants, qui tentent de relier le comportement électrique et thermique, reposent souvent sur des tables de données statiques préprogrammées. Ces tables, dérivées de tests en laboratoire sur quelques échantillons de batteries, supposent que toutes les batteries du même type se comportent de manière identique. Cependant, dans la réalité, les variations de fabrication font qu’aucune batterie n’est exactement semblable à une autre. Ce « problème de cohérence » peut introduire des erreurs significatives lorsqu’un modèle conçu pour une batterie est appliqué à une autre, même provenant du même lot de production. De plus, avec le vieillissement de la batterie, sa résistance interne et ses caractéristiques de génération de chaleur changent, rendant les modèles statiques de plus en plus imprécis avec le temps.
Conscients de ces limitations, l’équipe du Tianjin Key Laboratory of Autonomous Intelligence Technology and Systems a développé une approche révolutionnaire. Leur solution est un nouveau modèle de couplage électro-thermique qu’ils ont nommé ARST (Autoregression-Single State Thermal). Ce modèle n’est pas un ensemble statique de règles mais un système dynamique et auto-correcteur conçu pour s’adapter aux conditions uniques et changeantes d’une batterie réelle.
Le cœur du modèle ARST réside dans la fusion innovante de deux composants distincts. Le premier est un modèle électrique avancé appelé Autoregressive Equivalent Circuit Model (AR-ECM). Contrairement aux modèles RC traditionnels couramment utilisés dans les BMS, qui peinent à simuler avec précision la réponse d’une batterie aux changements rapides de courant typiques d’une conduite sportive ou du freinage régénératif, l’AR-ECM excelle dans le suivi de ces caractéristiques électriques dynamiques complexes.
Le deuxième composant est un Single State Lumped Thermal Model (SSTM), qui se concentre sur la température de la batterie. Compte tenu de la taille compacte des cellules cylindriques 18650 courantes, les chercheurs ont déterminé qu’un modèle thermique simplifié, traitant la cellule entière comme ayant une température moyenne unique, offre le parfait équilibre entre efficacité computationnelle et précision. Ceci est crucial pour un BMS de véhicule électrique, qui doit effectuer des milliers de calculs par seconde sans surcharger la puissance de traitement du véhicule.
Le véritable génie du modèle ARST réside cependant non seulement dans sa structure mais dans sa façon d’apprendre et de s’adapter. Les chercheurs ont mis en œuvre une stratégie sophistiquée d' »initialisation par information a priori – correction en ligne ». Cela signifie que le modèle ne part pas de zéro. Il est d’abord initialisé avec une richesse d' »informations a priori » – une base de données complète sur l’évolution des paramètres clés de la batterie, tels que sa résistance interne et sa capacité thermique, en fonction de la température, du niveau de charge et de l’âge.
Une fois déployé dans un véhicule réel, le modèle entre dans un cycle continu d’apprentissage en ligne et d’auto-correction. Ceci est réalisé grâce à un algorithme à double filtre, un cadre computationnel puissant qui opère en arrière-plan. Un filtre est dédié à l’estimation des états actuels de la batterie – SOC, SOH et SOT. L’autre filtre est chargé d’affiner continuellement les paramètres internes du modèle. Ces deux filtres communiquent constamment, partageant des informations. Les estimations d’état du premier filtre sont utilisées pour améliorer les estimations de paramètres du second, et les paramètres améliorés du second filtre sont utilisés pour rendre les estimations d’état du premier encore plus précises.
Cette capacité de correction en ligne change la donne. Elle permet au modèle de s’adapter dynamiquement à la « personnalité » unique de chaque batterie, garantissant que ses prévisions restent précises tout au long du cycle de vie complet du véhicule. Par exemple, si une cellule de batterie particulière chauffe légèrement plus que prévu pendant une conduite à haute vitesse, le modèle ARST détectera cette divergence, ajustera ses paramètres thermiques internes et utilisera cette nouvelle connaissance pour faire des prévisions plus précises pour la prochaine conduite.
Pour valider leurs affirmations, l’équipe de recherche a mené des expériences rigoureuses utilisant des ensembles de données de batteries accessibles au public provenant de deux fabricants bien connus : A123 et Panasonic NCR. Ils ont testé le modèle ARST selon deux cycles de conduite dynamique exigeants : le Dynamic Stress Test (DST), qui simule une conduite urbaine aggressive avec des arrêts et départs fréquents, et le Highway Fuel Economy Test (HWFET), qui imite une conduite à haute vitesse. Ces tests ont été réalisés sur une large plage de températures, de 0°C à 50°C, pour simuler des conditions extrêmes réelles.
Les résultats sont convaincants. Comparé à un modèle reposant uniquement sur l' »information a priori » initiale sans correction en ligne, le modèle ARST complet a démontré une amélioration substantielle de la précision. Son erreur de prédiction de tension a été réduite de 4,3 millivolts en moyenne, et son erreur de prédiction de température a été diminuée de 0,016°C dans toutes les conditions de test.
La comparaison avec un modèle électro-thermique de pointe d’une étude leader de 2023, utilisant un circuit RC traditionnel pour sa composante électrique et des paramètres thermiques fixes, est encore plus impressionnante. Lors de tests directs, le modèle ARST a surpassé cette référence dans toutes les catégories. Ses prédictions de tension étaient significativement plus précises, particulièrement pendant les changements rapides de courant du cycle DST. Ses prédictions de température étaient également plus stables, spécialement pendant la décharge prolongée à courant élevé du cycle HWFET.
L’impact de ce modèle amélioré sur les estimations d’état finales est profond. Pour l’estimation du SOC, l’algorithme basé sur l’ARST a atteint une erreur quadratique moyenne (RMSE) de seulement 0,81%. Pour l’estimation du SOH, la RMSE moyenne était de 1,33%. Plus notable encore, l’estimation du SOT était exceptionnellement précise, avec une erreur moyenne de seulement 0,114°C.
Ces chiffres se traduisent par des bénéfices concrets pour les conducteurs et fabricants de véhicules électriques. Une estimation plus précise du SOC signifie que les conducteurs peuvent faire confiance à l’affichage de l’autonomie, réduisant « l’anxiété de l’autonomie » et permettant une planification de trajet plus efficace. Une estimation plus précise du SOH permet un meilleur suivi à long terme de la santé de la batterie, facilitant la maintenance prédictive et donnant une image plus exacte de la valeur résiduelle du véhicule. Avec une estimation hautement précise du SOT, le BMS peut prendre des décisions plus intelligentes concernant la délivrance de puissance et la gestion thermique.
Les implications de cette recherche vont au-delà de l’amélioration d’une simple métrique. En réussissant l’estimation conjointe en ligne de trois états critiques, le modèle ARST représente un bond en avant significatif dans la technologie des BMS. Il fournit une vision plus holistique et intégrée de l’état de la batterie, essentielle pour la prochaine génération de véhicules électriques.
De plus, cette méthodologie a le potentiel de réduire les coûts et de soutenir la tendance à l’allègement des véhicules. Parce que le modèle ARST est si précis, il pourrait permettre aux ingénieurs de concevoir des packs batterie avec des marges de sécurité plus réduites. Un modèle plus précis pourrait déverrouiller en toute sécurité plus d’énergie disponible de la batterie, augmentant effectivement l’autonomie du véhicule sans ajouter de poids physique ou de coût.
Bien que l’implémentation actuelle du modèle ARST soit optimisée pour la cellule cylindrique 18650 courante, l’équipe de recherche reconnaît que différents formats de batterie, tels que les grandes cellules pouch utilisées dans de nombreux véhicules électriques modernes, présentent des défis thermiques différents. L’équipe, incluant la professeure associée Wang Wanru, a déjà planifié des travaux futurs pour explorer des modèles thermiques distribués plus complexes qui pourraient être fusionnés avec l’AR-ECM pour ces applications.
Liu Fang, Liu Xinhui, Su Weixing, Wang Wanru, Bu Fantao. Online Joint Estimation Method for Key States of Lithium Battery Based on a New Electro-thermal Coupling Model. Proceedings of the CSEE. DOI: 10.13334/j.0258-8013.pcsee.232858