Percée dans le suivi en temps réel de la santé des batteries pour véhicules électriques
Alors que l’industrie des véhicules électriques (VE) accélère vers son adoption massive, l’un des défis les plus pressants reste l’évaluation précise et en temps réel de l’état de santé des batteries. Le pack batterie lithium-ion constitue le cœur de tout véhicule électrique, et ses performances influencent directement l’autonomie, la sécurité et la longévité. Pourtant, le suivi de l’état de santé (SOH) de ces batteries pendant leur utilisation quotidienne demeure un obstacle technique de taille – particulièrement lorsqu’il repose sur des données de charge incomplètes ou fragmentaires. Un nouvel algorithme développé par des chercheurs de l’Université de sciences et technologies de Harbin est sur le point de transformer radicalement l’estimation de la santé des batteries dans des conditions réelles.
Dans une étude publiée dans les Transactions of China Electrotechnical Society, le Dr Xianhua Song et son étudiant diplômé Quanzheng Yao ont présenté une méthode novatrice capable d’estimer le SOH des batteries avec une précision inédite en utilisant uniquement des cycles de charge partiels – des données couramment enregistrées durant l’usage quotidien des VE. Cette avancée pourrait significativement améliorer les systèmes de gestion de batterie (BMS), permettant des prévisions d’autonomie plus fiables, des stratégies de charge optimisées et une prolongation de la durée de vie des batteries.
Cette recherche répond à une limitation critique des diagnostics de batterie actuels : la plupart des techniques d’estimation du SOH nécessitent des cycles complets de charge-décharge pour générer des données fiables. En pratique, cependant, les propriétaires de VE épuisent rarement complètement leurs batteries ou ne les rechargent pas de vide à plein. Ils pratiquent plutôt la « charge segmentée » – complétant de 30% à 80%, ou de 50% à 100%, selon leurs besoins quotidiens. Ce comportement crée un déficit en données utilisables, rendant les modèles traditionnels de SOH moins efficaces en applications temps réel.
Pour surmonter ce défi, Song et Yao ont développé une architecture hybride combinant apprentissage automatique et filtrage, nommée DEKF-WNN-WLSTM. Cet acronyme désigne le Double Filtre de Kalman Étendu – Réseau Neuronal en Ondelettes – Réseau Neuronal à Mémoire à Long Terme en Ondelettes. Bien que le nom puisse sembler complexe, le principe sous-jacent est élégamment conçu pour extraire un maximum d’informations à partir de données minimales.
Fondamentalement, le modèle tire parti des forces de multiples techniques computationnelles avancées. Il commence avec le Filtre de Kalman Étendu (EKF), un algorithme bien établi utilisé dans l’estimation de systèmes non linéaires. L’EKF est particulièrement efficace pour suivre les systèmes dynamiques comme les batteries, où les états internes évoluent dans le temps en raison du vieillissement, de la température et des patterns d’utilisation. Cependant, les méthodes traditionnelles basées sur l’EKF souffrent souvent d’accumulation d’erreurs et nécessitent des recalibrations fréquentes utilisant des données de cycle complet.
L’innovation de Song et Yao réside dans l’amélioration de l’EKF avec deux réseaux neuronaux spécialisés : un Réseau Neuronal en Ondelettes (WNN) et un Réseau à Mémoire à Long Terme en Ondelettes (WLSTM). Ces réseaux ne sont pas des modèles standards d’apprentissage profond ; ils sont conçus pour gérer les caractéristiques uniques des données batterie, qui contiennent souvent du bruit, des non-linéarités et des patterns de dégradation dépendants du temps.
Le WNN apporte robustesse et extraction de caractéristiques haute résolution. En remplaçant les fonctions d’activation conventionnelles par des fonctions ondelettes – des outils mathématiques adeptes de l’analyse de signaux à différentes échelles – le réseau peut détecter des changements subtils dans les profils de tension et de courant qui indiquent le vieillissement de la batterie. Ceci est particulièrement utile pendant la charge partielle, où de petites variations dans la courbe de charge peuvent révéler des informations significatives sur la perte de capacité.
Le composant WLSTM, quant à lui, excelle dans la capture des dépendances à long terme dans les données séquentielles. Contrairement aux réseaux neuronaux standards qui peuvent « oublier » les entrées précédentes, le WLSTM conserve les informations historiques critiques, lui permettant de modéliser la dégradation graduelle d’une batterie sur des centaines de cycles. En intégrant des fonctions ondelettes dans les portes du LSTM, le modèle acquiert une compréhension plus fine de la dynamique temporelle, améliorant sa précision prédictive.
Ce qui distingue cette recherche est son architecture à double filtre. Le premier EKF estime le temps de charge complet sur la base de données fragmentaires, tandis que le second EKF corrige continuellement l’erreur d’estimation en apprenant des écarts passés. Ce mécanisme d’auto-correction prévient la dérive qui affecte typiquement les prédictions à long terme. En entraînant les réseaux WNN-WLSTM sur un cycle de charge complet et trois cycles partiels, le modèle apprend à généraliser across différents patterns d’utilisation sans exiger de charges complètes répétées.
L’équipe a testé son algorithme en utilisant des données réelles de batteries lithium-ion ternaires fournies par Shenzhen Neware Electronic Co., Ltd. Le jeu de données incluait plus de 180 cycles charge-décharge dans des conditions de courant constant, simulant l’usage typique des VE. Les résultats furent frappants : l’erreur relative moyenne dans l’estimation du temps de charge complet était seulement de 1,01%, significativement plus basse que les 1,76% atteints par une méthode EKF-GPR précédemment publiée. Plus important encore, l’erreur demeura stable dans le temps, démontrant la capacité du modèle à résister aux inexactitudes cumulatives.
Pour les constructeurs de VE et les opérateurs de flottes, une telle précision a des implications considérables. Une estimation précise du SOH permet une meilleure gestion des garanties batteries, des applications plus efficaces en seconde vie pour les batteries de VE retraitées, et de meilleures évaluations de la valeur de revente. Elle renforce également la confiance des conducteurs en fournissant des estimations d’autonomie réalistes qui tiennent compte de la dégradation réelle de la batterie, et non de modèles idéalisés.
D’un point de vue technologique, le modèle DEKF-WNN-WLSTM représente un virage vers des diagnostics de batterie adaptatifs et pilotés par les données. Contrairement aux modèles basés sur la physique qui reposent sur des paramètres électrochimiques détaillés – souvent difficiles à mesurer et sujets à variations – la nouvelle méthode apprend directement à partir des données opérationnelles. Cela la rend plus scalable et plus facile à déployer across différentes chimies de batteries et plateformes véhicules.
De plus, la dépendance du modèle aux fragments de charge quotidiens lui permet d’opérer continuellement en arrière-plan, mettant à jour les estimations du SOH à chaque charge. Cette capacité temps réel est essentielle pour les fonctionnalités avancées des BMS comme la charge adaptative, où le système ajuste la vitesse et la tension de charge en fonction de la santé actuelle de la batterie pour minimiser le stress et prolonger la durée de vie.
Les implications s’étendent au-delà des véhicules individuels. Alors que les smart grids et les technologies vehicle-to-grid (V2G) gagnent du terrain, des données précises sur la santé des batteries deviennent cruciales pour la stabilité du réseau et la participation au marché de l’énergie. Les utilities et agrégateurs ont besoin d’informations fiables sur la capacité disponible et l’état de dégradation des batteries de VE avant de les inscrire dans des programmes de réponse à la demande. Un modèle comme DEKF-WNN-WLSTM pourrait fournir cette transparence, permettant une intégration plus sûre et plus efficace des VE dans l’écosystème énergétique.
Un autre avantage de la méthode est son efficacité computationnelle. Malgré sa sophistication, le modèle est conçu pour fonctionner sur des systèmes embarqués avec une puissance de traitement limitée. Les chercheurs ont utilisé MATLAB et Python avec TensorFlow/Keras pour implémenter les réseaux neuronaux, les interfacant avec les routines de filtre de Kalman. Cette approche modulaire permet une intégration dans les architectures BMS existantes sans nécessiter de refonte matérielle complète.
La sécurité et la fiabilité sont également améliorées. En réduisant le besoin de cycles complets de décharge périodiques – qui peuvent accélérer l’usure de la batterie – le modèle promeut une opération plus sûre et durable. Il minimise également l’intervention utilisateur ; les conducteurs n’ont plus besoin d’effectuer des routines d’étalonnage spéciales pour maintenir des lectures précises du SOH.
Perspectivement, la recherche ouvre plusieurs avenues pour le développement futur. Une direction est l’extension du modèle à d’autres types de batteries, comme le lithium fer phosphate (LFP) ou les batteries à l’état solide, qui présentent des caractéristiques de dégradation différentes. Une autre est l’incorporation de données de capteurs supplémentaires, comme la température et la résistance interne, pour affiner davantage les estimations.
Il existe également un potentiel de déploiement cloud, où des données batterie anonymisées provenant de milliers de véhicules pourraient être agrégées pour entraîner des modèles encore plus robustes. Un tel système pourrait détecter les signes précoces de défauts de fabrication ou de facteurs de stress environnementaux, permettant des rappels proactifs ou des campagnes de service.
D’un point de vue politique, un suivi précis du SOH soutient la transition vers une économie circulaire dans le secteur automobile. Alors que les gouvernements poussent pour une adoption accrue des VE et des régulations d’émissions plus strictes, assurer la longévité et la recyclabilité des batteries devient primordial. Le suivi transparent de la santé autonomise les consommateurs, facilite les modèles de location de batteries et renforce les arguments économiques en faveur des infrastructures d’échange de batteries.
Le travail de Song et Yao souligne également l’importance croissante de la recherche interdisciplinaire dans l’avancement de la technologie des VE. Leur approche combine le traitement du signal, la théorie du contrôle et l’apprentissage profond – des domaines qui convergent de plus en plus pour résoudre des problèmes d’ingénierie complexes. Cela souligne le rôle des institutions académiques dans la conduite d’innovations qui complètent le développement mené par l’industrie.
Pour l’Université de sciences et technologies de Harbin, cette étude renforce sa position de leader dans les applications de monitoring intelligent et d’apprentissage automatique. L’expertise du Dr Song en calcul quantique et sécurité d’image peut sembler éloignée du diagnostic batterie, mais son background en modélisation de systèmes complexes fournit une perspective unique qui fait le pont entre les domaines.
Dans le contexte plus large de la décarbonation globale, chaque amélioration de l’efficacité et de la durée de vie des batteries contribue à réduire l’empreinte environnementale des transports. En prolongeant la vie utile des batteries et en optimisant leurs performances, des technologies comme DEKF-WNN-WLSTM aident à maximiser le retour sur l’énergie et les ressources investies dans leur production.
Alors que les VE s’intègrent davantage dans la vie quotidienne, la demande pour des systèmes batterie plus intelligents et réactifs ne fera que croître. La capacité à comprendre la santé d’une batterie non seulement en laboratoire, mais dans le monde réel, sous des conditions de conduite réelles, n’est plus un luxe – c’est une nécessité. La recherche de Song et Yao fournit un outil puissant pour atteindre cet objectif, établissant une nouvelle référence pour les diagnostics de batterie en temps réel.
L’industrie automobile se trouve à un carrefour, où le logiciel et l’intelligence artificielle deviennent aussi critiques que l’ingénierie mécanique. La gestion batterie ne se limite plus à prévenir la surcharge ou l’emballement thermique ; il s’agit d’intelligence prédictive, de contrôle adaptatif et d’optimisation tout au long de la vie. Le modèle DEKF-WNN-WLSTM illustre ce changement, transformant des données brutes de charge en informations actionnables qui bénéficient aux conducteurs, aux manufacturiers et à la planète.
En conclusion, la percée de Xianhua Song et Quanzheng Yao offre une solution pratique, précise et scalable à l’un des défis les plus persistants de la mobilité électrique. En exploitant la puissance de l’apprentissage automatique hybride et du filtrage avancé, leur méthode permet l’estimation en temps réel du SOH en utilisant uniquement les données de charge partielles générées durant l’usage quotidien. Cela élimine le besoin de tests perturbateurs à cycle complet et réduit la dépendance aux modèles électrochimiques complexes. Le résultat est une approche plus fiable, conviviale et durable du suivi de la santé des batteries – une approche qui pourrait bientôt devenir standard dans les véhicules électriques de nouvelle génération.
Publié dans Transactions of China Electrotechnical Society
DOI : 10.19595/j.cnki.1000-6753.tces.222241
Dr Xianhua Song et Quanzheng Yao
Université de sciences et technologies de Harbin