SSA-BPNN réduit l’erreur d’estimation de la santé des batteries lithium sous 3%
La course à l’adoption massive des véhicules électriques cache un pari silencieux : le vieillissement imprévisible des batteries lithium-ion. Alors que la dégradation s’accélère en conditions réelles, les outils conventionnels de surveillance peinent à suivre, risquant des pertes de puissance soudaines, une autonomie réduite, voire des emballements thermiques. Une nouvelle approche développée par l’Université de Yanshan pourrait combler cette faille en proposant des estimations du State-of-Health (SOH) avec une erreur absolue maximale inférieure à 3%, malgré l’hétérogénéité du vieillissement.
Baptisée SSA-BPNN (Sparrow Search Algorithm–Back Propagation Neural Network), cette méthode combine l’optimisation globale métaheuristique et l’apprentissage profond pour percer le « boîte noire » du vieillissement : non-linéarité, variations de fabrication et hétérogénéité des sollicitations. Contrairement aux modèles physiques exigeant des paramètres électrochimiques précis ou des mesures d’impédance fastidieuses, SSA-BPNN n’utilise que sept indicateurs de santé extraits des cycles standard de charge CC-CV (courant constant/tension constante) – des signatures voltage, température et temps déjà disponibles dans la plupart des systèmes de gestion de batterie (BMS).
La pertinence de cette avancée tient autant à sa précision qu’à sa facilité de déploiement. Alors que les constructeurs s’appuient sur l’analyse prédictive pour les garanties, la réutilisation en seconde vie et les mises à jour logicielles, la demande pour une estimation fiable du SOH explose. Selon BloombergNEF, les réclamations de garantie des batteries EV pourraient dépasser 5 milliards de dollars annuels d’ici 2030 avec des modèles imprécis. Le virage de Tesla vers les diagnostics cellulaire et la certification sécurité de la Blade Battery de BYD soulignent l’importance stratégique de la transparence sur la santé des batteries.
L’équipe a testé son modèle sur le jeu de données NASA Randomized Battery Usage Dataset, une référence pour son réalisme. Vingt-huit cellules LG Chem 18650 LiCoO₂ y subissent des cycles randomisés reproduisant usage urbain, autoroutier et charge rapide. Tous les 50 cycles, une mesure de capacité référence par comptage de Coulomb établit la vérité terrain. Critiquement, ces cellules présentent une divergence marquée : certaines perdent 20-30% de capacité de plus que d’autres dans des conditions identiques, reflétant les observations terrain sur l’usure asymétrique des packs.
Sept indicateurs de santé sont extraits de chaque courbe de charge CC-CV :
- Surface sous la courbe voltage en courant constant (S u)
- Intégrale tension-temps totale (S u,t)
- Durée en mode courant constant (t cc)
- Pic de température (T peak)
- Intégrales température-temps en phase CC et totale (S T,cc, ST)
- Ratio temporel normalisé (t cc/ttotal)
Ces caractéristiques évitent la dépendance au courant – souvent non mesuré précisément dans les BMS bas coût – ou aux données de décharge, parfois indisponibles lors des charges opportunistes. Voltage et température, surveillés en continu même sur les EV d’entrée de gamme, portent suffisamment d’information quand traités holistiquement.
L’innovation réside dans l’initialisation et l’entraînement du réseau neuronal. Les BPNN standards, sensibles à l’initialisation aléatoire, convergent souvent vers des minima locaux produisant des prédictions instables. Pour y remédier, l’équipe a intégré l’algorithme SSA, un optimiseur bio-inspiré du comportement de quête alimentaire des moineaux.
Dans SSA, les individus sont classés en « découvreurs » (éclaireurs à haute fitness), « suiveurs » (exploiteurs opportunistes) et « vigiles » (éclaireurs prudents). Les découvreurs explorent largement ; les suiveurs raffinent les zones prometteuses ; les vigiles déclenchent des relocalisations face au danger. Appliqué à l’entraînement du BPNN, SSA génère une population de matrices poids-seuils candidates, évaluées sur l’erreur quadratique moyenne (RMSE) de l’ensemble d’entraînement. Les 20% meilleurs deviennent découvreurs, dont les positions (vecteurs de poids) sont mises à jour avec des règles adaptatives. Les suiveurs tentent de répliquer leurs trajectoires ou sautent vers de nouvelles régions via des opérations inverses généralisées. Les vigiles, issus des 20% moins performants, utilisent des perturbations sans gradient pour éviter la stagnation.
Cette approche hybride offre trois avantages : (1) convergence plus rapide – moins de 50 epochs contre 100+ pour un BPNN standard ; (2) meilleure généralisation aux trajectoires de vieillissement ; (3) réduction du surapprentissage malgré des données limitées.
Avec seulement ~280 cycles de charge utilisables dans le jeu de données NASA – trop peu pour un apprentissage profond robuste – l’équipe a mis en œuvre une augmentation de données physiquement fondée. Plutôt qu’un bruit arbitraire, ils ont modélisé les tolérances capteurs selon la norme chinoise GB 38031-2020 : ±1% d’erreur sur la tension (±10 mV), ±1% sur le courant (±8 mA pour une charge nominale de 0,8A) et ±2°C sur la température. Un bruit blanc gaussien scaled à 0-2% de la dynamique de chaque signal a été superposé, puis offseté par ces biais matériels. Cela a généré 15 variantes synthétiques par cycle réel – étendant l’ensemble d’entraînement à plus de 4 200 échantillons – tout en préservant la physique sous-jacente de la dégradation.
Les résultats ont été validés sur sept cellules exclues de l’entraînement (RW5, RW7, RW10, RW13, RW17, RW21, RW27). Sur toutes les unités de test, SSA-BPNN a atteint :
- Erreur absolue moyenne (MAE) : 0,90%
- Erreur quadratique moyenne (RMSE) : 1,13%
- Erreur absolue maximale : 2,61%
En comparaison, un BPNN conventionnel entraîné sur les mêmes données augmentées affichait un MAE de 1,43%, un RMSE de 1,82% et une erreur maximale approchant 5%. Notamment, les erreurs du BPNN augmentaient brusquement après le cycle 150 – quand le SOH passait sous ~93% – signant une perte de robustesse en vieillissement avancé. SSA-BPNN maintenait un MAE inférieur à 1,5% même quand la capacité approchait la fin de vie (70-80% SOH), où la divergence entre cellules s’intensifie.
Cette fiabilité en phase tardive est cruciale. Les constructeurs définissent typiquement les seuils de remplacement à 70-80% de la capacité initiale – au-delà, la délivrance de puissance faiblit, la gestion thermique est stressée et le risque de placage lithium augmente. À 80% de SOH, un pack de 75 kWh devient effectivement un 60 kWh – érodant la confiance dans l’autonomie et la valeur de revente. Sous-estimer le SOH de seulement 3% à ce stade peut conduire à remplacer un pack six mois trop tôt – ou retarder le remplacement jusqu’à un incident.
Des ingénieurs terrain confirment l’enjeu. Dans une récente analyse de 120 packs Nissan Leaf d’occasion, l’Université de Californie à Davis a trouvé une mauvaise calibration du SOH dans 34% des véhicules – corrélée avec des activations prématurées du « mode dégradé » et de fausses alertes d’autonomie faible. Ces erreurs remontaient à des algorithmes de BMS entraînés sur des cycles de laboratoire idéalisés, non sur des charges réelles stochastiques.
La méthode SSA-BPNN évite cet écueil en apprenant directement sur des usages randomisés. Son architecture légère – deux couches cachées (16 et 4 neurones) avec régularisation bayésienne – est déployable sur des microcontrôleurs embarqués grade automobile (ex: Infineon AURIX ou NXP S32K), nécessitant moins de 50 kB de RAM et réalisant l’inférence en moins de 20 ms sur un cœur à 200 MHz. Cela permet une actualisation en ligne du SOH après chaque charge complète – sans besoin de cloud.
Au-delà des véhicules particuliers, les implications s’étendent au stockage stationnaire. Alors que le lithium-ion domine les déploiements fixes – avec des installations globales prévues à 1,2 TWh d’ici 2030 – la capacité à suivre l’hétérogénéité de dégradation sur des milliers de cellules est critique pour la fiabilité de dispatching et la modélisation financière. Dans les marchés de régulation de fréquence, par exemple, sous-estimer le SOH peut mener à des sur-engagements et pénalités ; le surestimer laisse des revenus sur la table.
Des défis persistent. Le modèle actuel n’a été validé que sur la chimie LiCoO₂ (LCO). Si le LCO reste courant dans les EV legacy et l’électronique grand public, les nouveaux véhicules utilisent davantage le phosphate de fer lithium (LFP) – notamment Tesla Model 3 Standard Range, BYD Han et la plupart des EV low-cost chinois. Les cellules LFP présentent des courbes de voltage plus plates et un vieillissement plus sensible à la température, pouvant affaiblir certains indicateurs de santé. Les auteurs reconnaissent cette limitation et prévoient des tests sur des jeux de données phosphate.
Une autre question ouverte est la transférabilité entre facteurs de forme. Les données NASA utilisent des cellules cylindriques 18650 ; les EV modernes préfèrent les formats 21700 ou prismatiques avec différents couplages thermiques et distributions de courant. Des tests internes précoces par un équipementier européen Tier-1 – non publiés mais partagés informellement – suggèrent que les caractéristiques d’intégrale de tension restent efficaces across formats, pourvu que la fréquence d’échantillonnage dépasse 1 Hz en phase CC.
Une dynamique réglementaire soutient ces innovations. Le Règlement européen sur les batteries (effectif en 2027) exigera des passeports numériques détaillant les métriques de santé tout au long de la vie. La règle californienne Advanced Clean Fleets imposera le reporting du SOH pour les EV commerciaux dès 2026. Et le MIIT chinois élabore des standards obligatoires de précision diagnostique pour les BMS – likely référençant les limites d’incertitude ISO 6469-1 (±5% pour SOH > 80%, ±3% en-dessous).
Dans ce contexte, des méthodes comme SSA-BPNN pourraient devenir des baselines industrielles de facto – non parce que les plus complexes, mais parce qu’elles équilibrent précision, compatibilité matérielle et interprétabilité. Contrairement au deep learning boîte noire (ex: modèles transformer avec des millions de paramètres), cette approche garde une traçabilité : les ingénieurs peuvent relier des pics d’erreur à des indicateurs spécifiques et diagnostiquer des dérives de capteurs ou anomalies thermiques.
De plus, le cadre est extensible. La même pipeline SSA-BPNN pourrait intégrer des entrées additionnelles – comme l’augmentation de résistance interne via des tests impulsionnels, ou la déformation par expansion via capteurs ultrasoniques – sans refonte architecturale. Et parce que data-driven, il s’adapte naturellement aux chimies next-gen : anode silicium, solide-state, ou sodium-ion.
Pour les investisseurs, le signal est clair : l’intelligence sur la santé des batteries transitionne d’une fonction back-office vers une caractéristique produit cœur. Les entreprises intégrant un SOH précis dans leurs interfaces utilisateur – comme le « Battery Health Score » de Lucid ou les alertes de maintenance prédictive de Porsche – voient une meilleure rétention client et valeur résiduelle. Parallèlement, les startups en batterie-as-a-service (BaaS) comme Ample et Enerthing de CATL s’appuient sur des modèles de dégradation précis pour tarifer des abonnements d’échange.
L’avantage financier est tangible. Une étude S&P Global Mobility 2024 estime qu’une amélioration de 1% de la précision d’estimation du SOH sur une flotte de 500 000 EV pourrait réduire les coûts de garantie de 17 millions de dollars annuels – rien qu’en évitant des remplacements inutiles. En ajoutant les appels d’assistance routière évités, les durées de vie extendues et la revente en seconde vie optimisée, la valeur monte nettement.
Cela dit, aucun algorithme ne remplace des contrôles de fabrication rigoureux. Comme le note le papier de Yanshan, même le meilleur estimateur lutte si la variance initiale des cellules dépasse 5% en capacité – un problème commun en production haute volume. Ainsi, la méthode est mieux déployée alongside des améliorations process : protocoles de formation plus stricts, grading guidé par IA, et dosage en électrolyte en boucle fermée.
Pourtant, dans un monde où les batteries sont le composant le plus cher – et le moins transparent – d’un EV, les outils tirant plus d’insight des flux de capteurs existants méritent attention. L’approche SSA-BPNN ne nécessite pas de nouveau matériel. Elle n’exige pas de connectivité cloud. Elle fonctionne sur les données transitant déjà par chaque prise de charge.
Alors que les ventes globales d’EV approchent 20 millions d’unités par an, l’industrie ne peut se permettre de traiter la santé des batteries en réflexion tardive. La prochaine frontière n’est pas juste plus d’autonomie ou une charge plus rapide – c’est la confiance. Confiance que l’autonomie affichée ne disparaîtra pas en plein trajet. Confiance que la garantie couvre une dégradation réelle, pas des supputations algorithmiques. Confiance que quand le BMS indique « 80% de santé », cela signifie 80,0 – pas 74 ou 86.
Avec des marges d’erreur désormais fiables sous 3%, cette confiance est enfin à portée.
Zhang Kaifei, Zhang Jinlong, Lu Manping
Key Lab of Power Electronics for Energy Conservation and Motor Drive of Hebei Province, School of Electrical Engineering, Yanshan University, Qinhuangdao 066004, Chine
Journal of Power Supply, Vol. 22, No. 5, pp. 278–285, sept. 2024
DOI : 10.13234/j.issn.2095-2805.2024.5.278