Un modèle avancé améliore la prédiction de durée de vie des batteries
Dans une avancée majeure pour améliorer la sécurité et la fiabilité des véhicules électriques, des chercheurs ont dévoilé une nouvelle architecture basée sur l’intelligence artificielle qui améliore considérablement la précision de la prédiction de la durée de vie résiduelle (RUL) des batteries lithium-ion dans des conditions réelles de conduite. Cette percée, détaillée dans une étude récente, exploite l’apprentissage par ensemble multi-tâches pour relever des défis persistants dans la surveillance de l’état de santé des batteries, particulièrement sous les contraintes mécaniques et électrochimiques complexes rencontrées durant l’utilisation des véhicules.
L’équipe de recherche, dirigée par Weiliang Wang de State Grid Jiangsu Electric Power Co., Ltd., en collaboration avec des chercheurs de l’Université de Tianjin, de l’Université de Technologie de Tianjin, de State Grid Tianjin Electric Power Company, de Pinggao Group Energy Storage Technology Co., et de State Grid Jilin Electric Power Co., a développé un modèle prédictif atteignant une précision sans précédent : erreur absolue moyenne (MAE) inférieure à 1,4%, erreur absolue moyenne en pourcentage (MAPE) inférieure à 0,06% et racine de l’erreur quadratique moyenne (RMSE) inférieure à 1,20%. Ces métriques représentent une amélioration significative par rapport aux approches existantes basées sur les données telles que la régression par vecteurs de support (SVR), les machines à apprentissage extrême (ELM), les arbres de décision avec gradient boosting (GBDT), XGBoost et même les modèles LightGBM standard.
Au cœur de cette innovation se trouve une intégration sophistiquée de diagnostics électrochimiques et d’apprentissage automatique. Contrairement aux méthodes conventionnelles qui reposent uniquement sur la diminution de capacité ou les courbes de tension – des métriques difficiles à mesurer en temps réel ou très sensibles au bruit – le nouveau modèle intègre une compréhension approfondie des mécanismes de dégradation des batteries. Plus précisément, l’équipe a quantifié trois modes principaux de vieillissement en utilisant l’analyse de capacité différentielle-tension différentielle (IC-DV) : perte de conductivité (LC), perte de matériau actif (LAM) et perte d’ions lithium (LLI). Simultanément, ils ont extrait quatre paramètres d’impédance clés de la spectroscopie d’impédance électrochimique (EIS) : résistance ohmique, résistance de transfert de charge, résistance de l’interface électrolyte solide (SEI) et impédance de diffusion de Warburg.
Ces caractéristiques fournissent une vue multidimensionnelle de l’état de santé interne des batteries, capturant à la fois les voies de dégradation électroniques et ioniques. Cependant, l’intégration de données aussi riches dans un modèle prédictif introduit une complexité et un risque de surajustement – particulièrement lorsque les données d’apprentissage sont limitées, comme c’est souvent le cas dans les études sur le vieillissement des batteries. Pour surmonter ce problème, les chercheurs ont employé l’apprentissage multi-tâches (MTL), un paradigme dans lequel plusieurs tâches de prédiction connexes sont entraînées conjointement, permettant au modèle de partager des représentations et d’améliorer la généralisation.
Dans ce contexte, chaque « tâche » correspond à la prédiction de la RUL dans une condition de vibration spécifique – à savoir, vibration statique (témoin), selon l’axe X, l’axe Y et l’axe Z – simulant les contraintes mécaniques multidirectionnelles subies par les batteries de véhicules électriques durant la conduite réelle. En analysant les corrélations entre les caractéristiques à travers ces tâches, le cadre MTL identifie des motifs communs tout en préservant les nuances spécifiques à chaque tâche. Cela améliore non seulement la précision des prédictions, mais réduit également le besoin de données expérimentales spécifiques à chaque condition, abaissant ainsi les coûts de test et accélérant le déploiement du modèle.
Le moteur prédictif central est construit sur LightGBM, un cadre de gradient boosting très efficace connu pour sa vitesse et son extensibilité. Cependant, l’équipe a considérablement amélioré sa robustesse en remplaçant la fonction de perte standard par une fonction de perte robuste adaptative (AR loss). Cette fonction de perte modifiée ajuste dynamiquement sa sensibilité aux erreurs de prédiction en fonction de l’amplitude des résidus, réduisant efficacement l’influence des valeurs aberrantes et des mesures bruyantes – des problèmes courants dans les données réelles de batteries. En conséquence, le modèle maintient sa stabilité et sa précision même face à des entrées de capteurs imparfaites ou incomplètes.
Pour valider leur approche, les chercheurs ont mené des expériences de vieillissement approfondies sur des cellules commerciales lithium nickel cobalt manganèse (NCM)/graphite d’une capacité nominale de 2 400 mAh. Les batteries ont été soumises à un profil de conduite réaliste incluant des phases de ralenti (0C), de vitesse constante (1C), d’accélération (2C) et de décélération (0,5C), tout en étant exposées simultanément à des vibrations contrôlées selon trois axes orthogonaux à l’aide d’une table vibrante à six degrés de liberté. Cette configuration imite de près les contraintes électrochimiques et mécaniques combinées rencontrées dans le fonctionnement réel des véhicules électriques.
Les résultats sont convaincants. Toutes les conditions de vibration ont accéléré la dégradation des batteries par rapport au témoin statique, la vibration selon l’axe Z causant le vieillissement le plus sévère – mis en évidence par un LAM de 36,94% et un LLI de 35,12% en fin de vie. Surtout, le modèle proposé a systématiquement surpassé tous les algorithmes de référence dans les quatre conditions, démontrant non seulement une précision supérieure mais aussi une robustesse remarquable face à différents environnements de stress.
Cette avancée a des implications profondes pour l’avenir des systèmes de gestion de batterie (BMS) des véhicules électriques. Une prédiction précise de la RUL permet une planification proactive de la maintenance, prévient les pannes imprévues, prolonge la durée de vie utile des batteries et améliore la sécurité globale des véhicules. Pour les gestionnaires de flottes et les constructeurs automobiles, cela se traduit par une réduction des temps d’arrêt, des coûts de garantie plus bas et une satisfaction client améliorée. De plus, en permettant une estimation plus précise de l’état de santé, cette technologie soutient les applications de seconde vie pour les batteries de véhicules électriques retraitées dans le stockage stationnaire d’énergie – une composante cruciale de l’économie circulaire.
D’un point de vue scientifique, l’étude comble le fossé entre l’électrochimie fondamentale et l’apprentissage automatique appliqué. Plutôt que de traiter la batterie comme une « boîte noire », le modèle exploite des connaissances spécifiques au domaine pour guider l’ingénierie des caractéristiques et l’architecture du modèle. Cette approche hybride alliant physique et données illustre la prochaine génération de systèmes de diagnostic intelligents – qui respecte la science sous-jacente tout en exploitant la puissance de l’IA moderne.
La recherche souligne également l’importance de la conception expérimentale dans le développement de l’IA pour les batteries. En variant systématiquement les conditions de stress mécanique et en les corrélant avec les signatures électrochimiques, l’équipe a créé un jeu de données riche et fidèle qui capture la véritable complexité du vieillissement des batteries en conditions réelles. De tels jeux de données sont inestimables pour entraîner des modèles qui généralisent au-delà des conditions de laboratoire vers des déploiements réels.
Pour l’avenir, les auteurs reconnaissent que des travaux supplémentaires sont nécessaires pour étendre le modèle à diverses chimies de batteries, plages de température et protocoles de charge. Ils soulignent également la nécessité d’une validation dans des scénarios de conduite encore plus dynamiques, incluant la circulation urbaine avec arrêts et départs et la conduite à haute vitesse sur autoroute. Néanmoins, le cadre actuel fournit une base solide pour les logiciels BMS de prochaine génération.
Des experts de l’industrie notent qu’avec l’adoption accélérée des véhicules électriques à l’échelle mondiale, la demande pour l’analyse intelligente des batteries ne fera que s’intensifier. Les organismes de réglementation de l’Union européenne et des États-Unis envisagent déjà des mandats pour le reporting sur la santé des batteries et la transparence concernant leur durée de vie. Les technologies comme celle décrite dans cette étude pourraient devenir des outils de conformité essentiels, offrant aux fabricants et aux consommateurs des informations fiables et interprétables sur la longévité des batteries.
De plus, la stratégie d’apprentissage multi-tâches employée ici a une applicabilité plus large au-delà des batteries. Elle pourrait être adaptée pour prédire la durée de vie résiduelle d’autres composants critiques des véhicules électriques – tels que les moteurs, les onduleurs et l’électronique de puissance – sous diverses contraintes opérationnelles. Cette approche holistique de la gestion de la santé des véhicules représente un changement de paradigme des réparations réactives vers la résilience prédictive.
En conclusion, cette recherche marque une étape cruciale vers une mobilité électrique plus intelligente, plus sûre et plus durable. En fusionnant une compréhension électrochimique approfondie avec l’apprentissage automatique de pointe, l’équipe a fourni une solution pratique et performante à l’un des défis les plus persistants de la technologie des batteries. Alors que les véhicules électriques continuent de transformer le paysage des transports, des innovations comme celle-ci seront instrumentales pour garantir que leurs sources d’énergie restent fiables, efficaces et dignes de confiance tout au long de leur vie opérationnelle.
Auteurs : Weiliang Wang¹, Huiqiao Liu²,³, Tianyu Zhang⁴, Peng Ruan⁵, Jin Xu⁶, Qian Xiao³
Affiliations :
¹ State Grid Jiangsu Electric Power Co., Ltd., Nanjing 210024, Chine
² Zhonghuan Information College, Tianjin University of Technology, Tianjin 300380, Chine
³ Key Laboratory of Smart Grid of Ministry of Education (Tianjin University), Tianjin 300072, Chine
⁴ State Grid Tianjin Electric Power Company Economic and Technological Research Institute, Tianjin 300171, Chine
⁵ Pinggao Group Energy Storage Technology Co., Ltd., Tianjin 300300, Chine
⁶ Changchun Power Supply Company of State Grid Jilin Electric Power Co., Ltd., Changchun 130021, Chine
Publié dans : Electric Power Construction, Vol. 45, No. 11, novembre 2024
DOI : 10.12204/j.issn.1000-7229.2024.11.003