Trois avancées majeures dans les batteries : l’algorithme UKF réduit l’autonomie des véhicules électriques
Une percée déterminante pour la fiabilité et la sécurité des véhicules électriques vient d’être réalisée par des chercheurs de l’Université de Xi’an Jiaotong. Ceux-ci ont mis au point une nouvelle méthode d’estimation de l’état des batteries qui améliore considérablement la précision des systèmes de surveillance. En associant le filtre de Kalman non bruité (UKF) à un modèle de circuit équivalent de Thevenin du premier ordre, l’équipe est parvenue à maintenir les erreurs d’estimation de l’état de charge (SOC) et de l’état de santé (SOH) en dessous de 0,01, y compris dans des conditions de conduite simulées exigeantes. Pour une industrie aux prises avec l’autonomie limitée, les risques d’emballement thermique et les affirmations contradictoires sur la longévité des batteries, cette innovation ouvre la voie à une gestion plus intelligente, plus sûre et plus transparente.
Les enjeux sont considérables. Alors que les ventes mondiales de véhicules électriques ont dépassé les 14 millions d’unités en 2024 — soit une hausse de 35 % par rapport à 2023 —, la confiance des consommateurs dépend de plus en plus de la capacité des constructeurs à prédire et communiquer les performances réelles des batteries. Les méthodes traditionnelles, comme l’intégration ampère-heure, encore utilisées dans de nombreux modèles d’entrée de gamme, présentent une accumulation d’erreurs dans le temps, conduisant à des estimations d’autonomie trompeuses et à des arrêts intempestifs. Les techniques fondées sur l’apprentissage automatique exigent quant à elles d’importants volumes de données et peinent à généraliser leurs résultats selon les températures, les stades de vieillissement ou les compositions chimiques des cellules.
L’estimateur UKF permet de contourner ces deux écueils. Contrairement au filtre de Kalman étendu (EKF) — une alternative courante qui linearise la dynamique non linéaire des batteries et introduit des erreurs d’approximation —, l’UKF préserve la non-linéarité inhérente au système grâce à un échantillonnage par points sigma. Il peut ainsi suivre avec une bien meilleure fidélité les fluctuations rapides de tension lors de conduites urbaines saccadées ou d’accélérations sur autoroute.
L’équipe de recherche, dirigée par le professeur associé Zhou Jun de l’École d’ingénierie électrique, a validé son approche à l’aide de données provenant de cellules lithium-ion 21700 de Tesla, dotées de cathodes NMC riches en nickel — une composition chimique largement adoptée par des constructeurs comme Tesla, BMW et Rivian. Ils ont d’abord construit un modèle de circuit équivalent, calibré grâce à des tests de caractérisation par impulsions de puissance hybrides (HPPC), pour des niveaux de SOC compris entre 20 % et 90 %. L’identification des paramètres par moindres carrés a produit un ajustement de modèle de 0,992, offrant un équilibre optimal entre efficacité computationnelle et précision, sans surapprentissage.
Fait notable, l’équipe ne s’est pas arrêtée à une modélisation statique. Elle a intégré un mécanisme de dégradation de la capacité pour simuler un vieillissement réaliste, soumettant la batterie virtuelle à des cycles répétés de charge à courant constant de 0,5C et à des profils de décharge aléatoires reproduisant le cycle de conduite urbaine UDDS. Celui-ci reflète les variations erratiques de charge typiques de la conduite en ville — freinages fréquents, ralenti, accélérations brèves —, là où les estimateurs traditionnels sont souvent mis en défaut.
Les résultats sont frappants. Lorsque l’algorithme était initialisé avec des valeurs de SCI délibérément inexactes (par exemple, 1,0 au lieu de 0,9), l’UKF convergeait vers l’état correct en quelques minutes et maintenait une erreur quadratique moyenne (RMSE) inférieure à 0,005 sur 25 cycles. En revanche, l’intégration ampère-heure déviait progressivement, atteignant une RMSE de 0,062 au 25e cycle — ce qui équivaut à une erreur de 6 % sur une batterie de 100 kWh, soit environ 32 km d’autonomie fantôme sur une berline longue autonomie. Pour l’estimation du SOH, qui suit la dégradation de la batterie tout au long de sa vie, l’UKF n’a affiché qu’une RMSE de 0,0023 après seulement deux cycles, démontrant une adaptabilité rapide au vieillissement sans nécessiter de recalibration hors ligne.
Ces indicateurs sont cruciaux pour les consommateurs comme pour les constructeurs. Un SOC précis évite les coupures de puissance intempestives lors des insertions sur autoroute ou des montées. Un SOH fiable permet des ajustements dynamiques des garanties, une transparence sur la valeur de revente et des alertes de maintenance prédictive — des fonctionnalités de plus en plus demandées par les gestionnaires de flottes et les acheteurs de véhicules d’occasion. Par ailleurs, une estimation plus fine de l’état réduit le besoin de tampons de sécurité conservateurs (comme réserver 10 % de la capacité en tampon « caché »), libérant ainsi davantage d’autonomie utile pour une même batterie.
D’un point de vue système, la faible charge computationnelle de l’algorithme le rend compatible avec les matériels de BMS existants. Le modèle de Thevenin du premier ordre ne requiert que quatre paramètres — tension en circuit ouvert, résistance interne, résistance de polarisation et capacitance —, tous actualisables en temps réel à l’aide des capteurs embarqués. Aucune connectivité cloud, aucun accélérateur de réseau neuronal, aucun matériel exotique : simplement des mathématiques plus intelligentes exécutées sur les microcontrôleurs standards déjà déployés dans des millions de véhicules électriques.
Les experts industriels soulignent que ces travaux interviennent à un moment charnière. Alors que l’Inflation Reduction Act aux États-Unis et le Règlement européen sur les batteries imposent une plus grande traçabilité, un étiquetage de la durabilité et un recyclage en fin de vie, les constructeurs sont sous pression pour prouver que leurs batteries tiennent leurs promesses sur 10 ans ou plus. « On ne peut certifier ce que l’on ne peut mesurer », relève un ingénieur senior d’un constructeur de véhicules électriques basé à Détroit. « Si votre SOC affiche ne serait-ce que 3 % d’erreur, soit vous laissez vos clients en panne, soit vous surdimensionnez les batteries — et dans les deux cas, vos marges en pâtissent. »
La Chine, premier marché mondial du véhicule électrique, durcit elle aussi ses normes. Le ministère de l’Industrie et des Technologies de l’Information a récemment proposé de rendre obligatoire le reporting du SOH pour tous les nouveaux véhicules électriques vendus après 2026. Des solutions comme l’estimateur UKF pourraient aider les marques locales comme BYD, NIO et Li Auto à se conformer sans devoir reconcevoir coûteusement leurs matériels.
Des défis subsistent cependant. L’étude actuelle s’est concentrée sur la validation sur une cellule unique. Les batteries réelles comportent des centaines ou milliers de cellules montées en série et en parallèle, introduisant des variabilités intercellulaires, des gradients thermiques et des complexités d’équilibrage non capturés par ce modèle. Les travaux futurs devront s’attaquer à l’estimation de l’état au niveau du pack, peut-être en fusionnant l’UKF avec des techniques de détection distribuée ou de clustering adaptatif.
Il n’en reste pas moins que les implications sont claires : une intelligence précise de la batterie n’est plus un luxe — c’est une exigence de base pour les véhicules électriques de nouvelle génération. Alors que les compositions chimiques évoluent vers les architectures tout solide, sodium-ion et lithium-soufre, le besoin d’estimateurs d’état robustes et indépendants des modèles ne fera que s’intensifier. Des algorithmes comme l’UKF offrent une base scalable, adaptable à différentes compositions tant que leur dynamique de tension peut être raisonnablement modélisée.
Pour les investisseurs, cela signale un changement dans la création de valeur. Si une large attention est portée à l’approvisionnement en matières premières ou à l’échelle de fabrication des cellules, la prochaine frontière pourrait résider dans les logiciels embarqués — en particulier les algorithmes de BMS qui transforment des cellules standard en actifs énergétiques fidèles et fiables. Les entreprises qui maîtriseront cette couche pourraient bénéficier de tarifications premium, à l’image de l’avantage concurrentiel durable qu’a créé Apple en intégrant matériel et logiciel.
Les décideurs politiques devraient également en prendre note. Des données précises de SOH permettent des applications de seconde vie dans le stockage réseau, où les batteries de véhicules électriques retraités peuvent assurer une régulation de fréquence à faible coût — si leur capacité résiduelle est connue avec confiance. À l’inverse, une estimation médiocre conduit à une mise au rebut prématurée, compromettant les objectifs d’économie circulaire.
De retour à Xi’an, l’équipe de recherche collabore déjà avec l’Institut de recherche sur l’énergie électrique du Shandong (State Grid) pour tester l’algorithme dans des projets pilotes de stockage d’énergie. Les premiers résultats suggèrent des gains similaires dans les applications stationnaires, où un SOC précis prévient la surdécharge pendant les pannes et optimise la dispatch dans les réseaux riches en énergies renouvelables.
Alors que l’adoption du véhicule électrique s’accélère mondialement, la bataille discrète pour l’intelligence des batteries s’intensifie. Elle ne se gagnera pas avec des cellules plus grosses ou un marketing plus tape-à-l’œil — mais avec des algorithmes qui voient plus loin, s’adaptent plus vite et disent la vérité sur ce qui reste dans le réservoir. Dans cette course, le filtre de Kalman non bruité vient de franchir un tour décisif.
Li Jinman, Li Ruhuan, Li Haonan, Li Cunxin, Qiu Zitong, Guo Kai, Wu Kai, Zhou Jun. École d’ingénierie électrique, Université de Xi’an Jiaotong, Xi’an, Shaanxi 710049, Chine ; Institut de recherche sur l’énergie électrique du Shandong, Jinan, Shandong 250003, Chine. Dianchi (Battery Bimonthly), vol. 54, n° 3, juin 2024, p. 340–343. DOI:10.19535/j.1001-1579.2024.03.010