Une avancée majeure dans l’estimation de la capacité des batteries LFP pour véhicules électriques
L’essor des véhicules électriques (VE) a placé la batterie au cœur de la performance, de la sécurité et de la durabilité de la mobilité moderne. Alors que les constructeurs rivalisent d’innovation pour offrir plus d’autonomie et réduire les coûts, un défi technique fondamental persiste : comment évaluer avec précision la santé réelle de la batterie au fil du temps ? Parmi les indicateurs clés, la capacité résiduelle occupe une place prépondérante, car elle détermine directement la distance que le véhicule peut parcourir sur une seule charge. Toutefois, estimer cette capacité dans les conditions réelles d’utilisation, notamment pour les batteries au phosphate de fer et de lithium (LiFePO₄ ou LFP), s’est révélé être une énigme complexe pour les ingénieurs et les chercheurs.
Une étude révolutionnaire publiée dans la revue Energy Storage Science and Technology propose une solution élégante et robuste à ce problème. Conduite par Chen Xingguang, chercheur à l’Université de technologie de Shanghai (University of Shanghai for Science and Technology), en collaboration avec une équipe pluridisciplinaire incluant Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai et Han Xuebing de l’Université de Shanghai et de l’Université de Tsinghua, cette recherche introduit une méthode inédite qui fusionne la modélisation physique avec des algorithmes d’optimisation intelligents. Le résultat est une technique de haute précision, spécifiquement conçue pour l’environnement dynamique et imprévisible d’un véhicule en circulation, et qui démontre des performances exceptionnelles avec les batteries LFP, de plus en plus adoptées pour leur sécurité et leur rapport coût-performance.
Les batteries LFP sont devenues un choix privilégié pour de nombreux constructeurs automobiles. Contrairement aux batteries NCM (nickel-cobalt-manganèse), qui offrent une densité énergétique supérieure, les batteries LFP se distinguent par leur stabilité thermique et chimique remarquable, ce qui réduit considérablement les risques de surchauffe et de défaillance catastrophique. Cette sécurité accrue, cependant, s’accompagne d’un défi technique majeur : une courbe de tension extrêmement plate pendant la majeure partie du cycle de charge et de décharge. Ce phénomène, connu sous le nom de « plateau de tension », signifie que de légères variations de la tension aux bornes correspondent à de grandes variations de la charge stockée. Pour les systèmes de gestion de batterie (BMS), qui s’appuient sur les mesures de tension et de courant pour estimer l’état de charge (SOC) et, par extension, la capacité, cette caractéristique est un obstacle majeur. Les méthodes traditionnelles d’estimation, efficaces avec les batteries NCM, échouent souvent face à l’ambiguïté de la courbe LFP.
« Dans un véhicule, nous n’avons pas un laboratoire pour effectuer des tests de décharge complète chaque fois que nous avons besoin de connaître la capacité de la batterie », explique Chen Xingguang. « Nous avons besoin d’une méthode qui fonctionne avec les données que le BMS collecte déjà en continu — tension, courant, température et SOC — et qui soit capable de déduire la capacité réelle, même avec la courbe de tension quasi-invariable des batteries LFP. »
L’approche développée par l’équipe de Chen est une synthèse élégante entre la physique et l’intelligence computationnelle. Au cœur de la méthode se trouve le modèle de circuit équivalent (ECM), une représentation classique de la batterie qui simule son comportement électrique à l’aide de résistances, de condensateurs et d’une source de tension. L’ECM est largement utilisé pour sa simplicité et son efficacité computationnelle, ce qui le rend idéal pour les applications en temps réel. L’innovation cruciale de cette étude a été de traiter la capacité de la batterie elle-même comme un paramètre inconnu à l’intérieur du modèle, plutôt que comme une valeur fixe.
« L’idée est simple : nous ajustons les paramètres du modèle jusqu’à ce que la tension simulée par l’ECM corresponde exactement à la tension réelle mesurée sur le véhicule », détaille Zheng Yuejiu, professeur et auteur correspondant de l’étude. « Si nous parvenons à aligner parfaitement la courbe de tension du modèle avec la courbe réelle, alors la valeur de capacité que nous utilisons dans le modèle doit être la valeur réelle de la batterie. »
Pour effectuer cet ajustement, les chercheurs ont utilisé l’algorithme d’optimisation par essaim de particules (PSO). Inspiré par le comportement collectif des oiseaux ou des bancs de poissons, le PSO fonctionne comme un groupe de « particules » qui explorent un espace de solutions, chacune représentant une combinaison différente de valeurs pour les paramètres du modèle — SOC initial, résistance interne, capacité de polarisation et, de manière cruciale, la capacité elle-même. L’algorithme itère, déplaçant les particules vers les meilleures solutions locales et globales, jusqu’à converger vers l’ensemble de paramètres qui minimise l’erreur entre la tension prédite et la tension mesurée.
Cependant, lorsqu’il est appliqué directement à des données de charge lente de batteries LFP, le PSO rencontre deux problèmes principaux. Premièrement, à la fin du cycle de charge, la tension de la batterie augmente brusquement, bien au-dessus de la tension de circuit ouvert (OCV) réelle de la cellule à 100 % de SOC. Cela est dû à la faible intensité de courant de charge (petite polarisation) et à la limite de tension imposée par le chargeur. Le modèle ECM traditionnel ne peut pas reproduire ce pic avec précision, générant une erreur importante qui domine le processus d’optimisation. Deuxièmement, dans la région du plateau de tension, où la tension change très peu, même de grandes erreurs dans l’estimation de la capacité se traduisent par des erreurs de tension insignifiantes, ce qui fait que l’algorithme ignore cette région critique.
Pour surmonter ces défis, l’équipe a proposé une « optimisation spécifique » pour les batteries LFP en mode de charge lente. La première partie de la solution est une stratégie de « découpage de données ». Les chercheurs ont décidé d’exclure intentionnellement la phase finale du chargement du processus d’optimisation. « Nous savons que cette région est intrinsèquement difficile à modéliser avec notre ECM simple », affirme Sun Tao. « Au lieu de forcer l’algorithme à se concentrer sur cette partie problématique, nous supprimons le segment final et nous concentrons sur la région médiane du chargement, où le comportement de la batterie est plus prévisible et le modèle est plus robuste. »
La deuxième et la plus révolutionnaire partie de la solution est l’introduction d’une fonction de perte bidimensionnelle. Au lieu de minimiser uniquement l’erreur quadratique moyenne (RMSE) de la tension (axe Y), la nouvelle méthode incorpore également l’erreur sur la charge accumulée (axe X). « Nous ne comparons pas seulement les courbes de tension, mais nous comparons aussi la quantité de « charge » que le modèle accumule par rapport à la charge réelle mesurée », explique Shen Yifan. « Cette métrique supplémentaire agit comme une ancre, obligeant l’algorithme à se concentrer sur le plateau de tension. Si le modèle se trompe sur la capacité, il accumulera inévitablement une quantité erronée de charge, et cela sera pénalisé. »
Cette approche à deux dimensions est ce qui confère à la méthode sa grande précision. En exigeant que le modèle soit fidèle à la fois dans le domaine de la tension et dans celui de l’énergie, le PSO est obligé de trouver une solution qui soit physiquement cohérente, et non pas simplement mathématiquement commode.
La méthode a été testée avec des données réelles provenant de deux modèles différents de véhicules électriques équipés de batteries LFP. Les données, issues d’une plateforme de télémétrie dans le cloud, contenaient des mesures de haute fréquence de tension, de courant, de température et de SOC. La difficulté majeure était l’absence d’une « étiquette de vérité » — il est impossible de connaître la capacité exacte d’une batterie dans un véhicule en utilisation. Pour valider la méthode, les chercheurs ont créé deux ensembles de données de référence.
Le premier, appelé Label-1, a utilisé des événements rares de chargement où le véhicule est resté au repos pendant plus d’une heure avant et après le chargement. Pendant ces périodes, les effets de polarisation disparaissent, et la tension aux bornes s’égalise à la tension de circuit ouvert (OCV). En utilisant la relation connue entre OCV et SOC, les chercheurs ont pu calculer le SOC initial et final avec une grande précision et, par conséquent, déterminer la capacité réelle du cycle de chargement. Bien que extrêmement fiable, ces événements sont rares dans la vie réelle d’un véhicule.
Pour augmenter l’échantillon, un Label-2 a été créé, qui suppose que les véhicules avec un faible kilométrage (moins de 5 000 km) conservent encore leur capacité nominale, car le vieillissement initial est minimal. Cette hypothèse raisonnable a permis de valider l’algorithme sur des centaines de cycles de chargement.
Les résultats ont été impressionnants. Pour le premier modèle (Model-1), l’erreur absolue moyenne en pourcentage (MAPE) dans l’estimation de la capacité était de seulement 2,33 %, avec des erreurs individuelles variant d’un minimum de 0,2 % à un maximum de 6,9 %. Le deuxième modèle (Model-2) a montré un MAPE de 3,38 %, avec une erreur maximale de 6,10 %. Ces niveaux de précision sont remarquables, surtout compte tenu de la complexité du problème et de la nature bruyante des données du monde réel.
« Ces chiffres démontrent que la méthode n’est pas seulement théoriquement solide, mais aussi pratique et robuste », souligne Lai Xin. « La capacité de maintenir une erreur inférieure à 4 % sur deux véhicules différents est une preuve de sa viabilité pour une application industrielle. »
Les implications pour l’industrie automobile sont profondes. Une estimation précise de la capacité permet une indication d’autonomie plus fiable pour le conducteur, des stratégies de charge plus intelligentes, une gestion de garantie plus précise et une planification de la maintenance plus efficace. Pour les consommateurs, cela se traduit par une plus grande confiance dans les performances du véhicule et une évaluation plus juste de la valeur résiduelle du véhicule d’occasion.
L’étude se distingue également par sa clarté et sa transparence. Dans un domaine de plus en plus dominé par des modèles de « boîte noire » basés sur l’intelligence artificielle, qui exigent d’énormes ensembles de données étiquetées (ce qui n’existe pas pour la capacité des batteries), cette méthode basée sur la physique offre une alternative interprétable et fiable. Elle n' »apprend » pas des motifs cachés, mais résout un problème physique en utilisant des principes d’ingénierie bien établis.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing, University of Shanghai for Science and Technology and Tsinghua University, Energy Storage Science and Technology, doi:10.19799/j.cnki.2095-4239.2024.0144