Une méthode innovante pour estimer la capacité des batteries LFP en conditions réelles
L’essor fulgurant des véhicules électriques (VE) a placé la batterie lithium-ion au cœur des préoccupations technologiques et commerciales de l’industrie automobile. Bien qu’offrant une alternative propre et efficace aux moteurs thermiques, la performance, la sécurité et la longévité des VE dépendent intrinsèquement de l’état de santé (SOH) de leur batterie. Parmi les indicateurs de SOH, la capacité restante, exprimée en ampères-heure (Ah), est de loin le plus significatif. Elle détermine directement l’autonomie du véhicule, et une chute de cette capacité en dessous de 80 % de sa valeur nominale est généralement considérée comme la fin de vie utile de la batterie. Cependant, la mesure directe de cette capacité en conditions de conduite réelle est impossible, car elle nécessiterait des cycles de charge et de décharge complets en laboratoire, une procédure impraticable pour un véhicule en service quotidien. Ce défi a conduit à une course aux algorithmes de diagnostic embarqués capables de fournir une estimation précise et continue de la capacité, sans perturber l’expérience utilisateur.
Dans ce contexte, une équipe de recherche internationale a fait une percée significative en développant une méthode d’estimation de la capacité spécifiquement conçue pour les batteries au phosphate de fer et lithium (LFP), une technologie de plus en plus populaire en raison de sa sécurité exceptionnelle, de sa longue durée de vie et de son coût réduit. Leur étude, publiée dans la revue scientifique Energy Storage Science and Technology, introduit une approche hybride et robuste qui surmonte les limitations inhérentes aux batteries LFP, notamment leur courbe de tension plate sur une grande partie de leur cycle de charge. Ce travail, mené par Chen Xingguang de l’Université de technologie de Shanghai, en collaboration avec des chercheurs de l’Université Tsinghua, propose non seulement un cadre algorithmique solide, mais aussi une stratégie d’optimisation « spécifique » qui améliore considérablement la précision et la fiabilité des estimations en conditions réelles.
La plupart des méthodes d’estimation de capacité existantes se heurtent à des obstacles majeurs lorsqu’elles sont appliquées à des données de véhicules réels. Les approches basées sur l’intelligence artificielle, bien que prometteuses, nécessitent des ensembles de données d’entraînement massifs avec des « étiquettes » de capacité connues. Or, ces étiquettes sont introuvables dans les données de flotte, car aucun système de gestion de batterie (BMS) ne peut mesurer directement la capacité en temps réel. Les méthodes basées sur des modèles physiques, comme le modèle de circuit équivalent (ECM), offrent une alternative plus fiable. Un ECM simule le comportement électrique de la batterie en utilisant des composants électroniques comme des résistances et des condensateurs. Ces modèles sont bien établis pour estimer l’état de charge (SOC) et l’état de puissance (SOP), mais ils ne contiennent pas directement la capacité comme paramètre à identifier.
C’est précisément ce lien que les chercheurs ont établi. Leur innovation majeure consiste à intégrer le modèle d’intégration d’ampères-heure, qui calcule le SOC en intégrant le courant de charge ou de décharge, directement dans le cadre de l’ECM. Cette intégration crée une dépendance explicite entre la capacité et la tension de circuit ouvert (OCV) prédite par le modèle. Ensuite, ils utilisent un algorithme d’optimisation par essaim de particules (PSO) pour ajuster les paramètres du modèle, dont la capacité elle-même, afin de minimiser la différence entre la tension simulée par l’ECM et la tension réellement mesurée par le BMS du véhicule. L’algorithme PSO fonctionne comme une nuée de solutions candidates qui explorent l’espace des paramètres, chacune ajustant sa trajectoire en fonction de sa propre meilleure performance et de la meilleure performance trouvée par tout le groupe, jusqu’à converger vers la solution optimale.
Bien que ce cadre PSO-ECM soit théoriquement solide, son application directe aux batteries LFP en conditions réelles, en particulier lors de la charge lente, se heurte à un problème critique. La courbe de tension des batteries LFP est caractérisée par deux plateaux distincts, avec une région de transition relativement plate. Cela rend difficile la distinction entre différents états de charge basés uniquement sur la tension. Plus problématique encore est le comportement en fin de charge. Lorsqu’une batterie LFP est presque pleine, sa tension de circuit ouvert (OCV) augmente brusquement. Cependant, lors d’une charge lente (par exemple, à 0,1C ou 0,2C), le courant est si faible que la chute de tension due à la polarisation interne est négligeable. Cela crée un paradoxe pour le modèle : la courbe OCV-SOC mesurée en laboratoire, qui sert de référence, indique que la tension à 100 % SOC est souvent bien en dessous de la tension de coupure maximale autorisée par le BMS (par exemple, 3,65 V). Par conséquent, le modèle ECM prédit une tension finale qui est significativement plus basse que la tension réellement observée, qui atteint le seuil de coupure. Cette grande divergence dans la région finale de charge génère un énorme erreur quadratique moyenne (RMSE), qui domine le processus d’optimisation et peut conduire à des estimations de capacité erronées ou instables.
Pour résoudre ce dilemme spécifique aux LFP, l’équipe de Chen Xingguang n’a pas opté pour un algorithme plus complexe, mais pour une stratégie d’optimisation « spécifique » et élégante, conçue pour le contexte de la charge lente. Cette stratégie repose sur deux piliers fondamentaux.
Le premier pilier est la segmentation intelligente des données. Au lieu de forcer l’algorithme à s’adapter à l’ensemble du cycle de charge, y compris le pic de tension final problématique, les chercheurs proposent de tronquer la courbe de tension juste avant le début de cette montée en flèche. En excluant cette « anomalie » du calcul de l’erreur, le RMSE global est réduit de manière spectaculaire. Cela permet à l’algorithme PSO de se concentrer sur l’ajustement des paramètres du modèle, en particulier la capacité, dans la région principale de charge, où son influence sur la forme de la courbe est la plus directe et la plus significative. C’est une solution pragmatique qui reconnaît que toutes les parties d’un cycle de charge ne sont pas également informatives pour l’identification de la capacité.
Le deuxième pilier est une avancée conceptuelle majeure : l’introduction d’une fonction de perte bidimensionnelle. Traditionnellement, l’optimisation se base uniquement sur la minimisation de l’erreur de tension (axe Y). Cependant, dans les régions plates de la courbe LFP, de petites erreurs de tension ont un impact négligeable sur le RMSE total, ce qui signifie que le modèle n’est pas suffisamment « puni » pour des erreurs dans la forme de la courbe. Pour remédier à cela, les chercheurs ont ajouté une deuxième dimension à l’évaluation : la charge, ou quantité d’électricité, mesurée en ampères-heure (Ah), qui correspond à l’axe X. L’idée est révolutionnaire : il ne s’agit plus seulement de vérifier si la tension du modèle correspond à la tension réelle, mais aussi si la quantité de charge nécessaire pour atteindre un certain point de tension est la même dans les deux cas.
Imaginez un graphique de la tension en fonction de la charge accumulée. Même si deux courbes ont une forme globale similaire, si l’une nécessite plus de charge pour passer de 3,30 V à 3,35 V que l’autre, cela indique une différence fondamentale, très probablement dans la capacité totale. Le nouvel algorithme calcule donc un RMSE séparé dans cette dimension de charge. La fonction de perte finale est une combinaison pondérée de ces deux erreurs : le RMSE de tension et le RMSE de charge. Cette approche bidimensionnelle oblige le modèle à s’aligner non seulement sur le profil de tension, mais aussi sur la « signature » dynamique de la batterie, ce qui est particulièrement efficace pour capturer les points de transition subtils entre les deux plateaux de tension caractéristiques des batteries LFP.
La validation de cette méthode a été un défi en soi, en raison de l’absence de données de « vérité terrain » sur la capacité dans les véhicules réels. Les chercheurs ont adopté une approche en deux temps. Premièrement, ils ont identifié un petit nombre de cycles de charge où le véhicule était resté immobile pendant plus d’une heure avant et après la charge. Cette période d’inactivité permet aux tensions de polarisation de se dissiper complètement, de sorte que la tension mesurée au repos est essentiellement égale à la OCV. En utilisant la relation connue entre OCV et SOC, ils ont pu calculer avec une grande précision le changement de SOC. En combinant cela avec la charge intégrée, ils ont pu déterminer la capacité réelle pour ces segments spécifiques, créant ainsi un ensemble de données de référence de haute qualité, appelé « Label-1 ».
Cependant, en raison de la rareté de ces conditions idéales dans les schémas de conduite réels, seuls trois segments de ce type ont été trouvés pour l’un des deux modèles de véhicules testés. Pour élargir leur jeu de données de validation, ils ont introduit une deuxième stratégie : en supposant que les véhicules avec moins de 5 000 kilomètres au compteur ont une capacité très proche de leur valeur nominale. Cette hypothèse, fondée sur des observations empiriques de la dégradation précoce des batteries, a permis d’utiliser la capacité nominale comme étiquette de remplacement pour les véhicules à faible kilométrage, désignée « Label-2 ».
La méthode a été testée sur des données provenant de deux modèles de véhicules électriques différents équipés de batteries LFP. Les résultats ont été impressionnants. Pour le premier modèle, l’erreur absolue moyenne en pourcentage (MAPE) était de seulement 2,33 %. Cela signifie que, en moyenne, l’estimation du modèle s’écartait de moins de 2,5 % de la valeur de référence. Les erreurs individuelles variaient d’un minimum de 0,2 % à un maximum de 6,9 %. Pour le deuxième modèle, le MAPE était légèrement plus élevé à 3,38 %, avec un pic d’erreur inférieur à 6,1 %. Ces chiffres représentent une amélioration significative par rapport aux méthodes conventionnelles, surtout compte tenu du bruit et de la variabilité inhérents aux données de conduite réelle.
Au-delà de la précision numérique, l’étude a révélé des informations cruciales sur la dynamique du vieillissement des batteries. Les valeurs d’estimation de la capacité ont montré une tendance claire à la baisse avec l’augmentation du kilométrage du véhicule, conforme aux schémas de dégradation attendus. Par exemple, le premier modèle a perdu environ 15 Ah sur 60 000 kilomètres, tandis que le deuxième a perdu environ 8 Ah sur 20 000 kilomètres. Ces tendances s’alignent sur les benchmarks de l’industrie et valident la capacité de la méthode à suivre la dégradation à long terme.
Il est intéressant de noter que les estimations de capacité n’étaient pas parfaitement lisses ; des fluctuations et des valeurs aberrantes ont été observées. Les chercheurs attribuent ces variations à plusieurs facteurs, notamment des imprécisions des capteurs, des erreurs de transmission de données et la nature stochastique de l’algorithme PSO lui-même. Puisque le PSO repose sur une initialisation aléatoire et une recherche itérative, des exécutions répétées sur le même segment de données peuvent produire des résultats légèrement différents. Bien que cette variabilité introduise une incertitude, elle se comporte de manière similaire à un bruit gaussien et peut être atténuée par des techniques de lissage statistique, comme les moyennes mobiles ou le filtrage de Kalman, dans les systèmes de production.
L’un des aspects les plus convaincants de cette recherche est son applicabilité pratique. Contrairement à de nombreuses études académiques qui s’appuient sur des données de laboratoire idéalisées, ce travail a été mené entièrement sur des données de télémétrie de véhicules réels. Le fait que la méthode fonctionne bien dans des conditions désordonnées et non contrôlées témoigne de sa robustesse et de sa préparation à être déployée dans des plateformes BMS commerciales. De plus, les exigences en matière de puissance de calcul du cadre PSO-ECM sont modérées, ce qui le rend faisable pour une implémentation dans des systèmes embarqués avec une puissance de traitement limitée.
Les auteurs ont également noté que, bien que les stratégies d’optimisation aient été spécifiquement conçues pour les batteries LFP en charge lente, la méthodologie de base est largement applicable. Par exemple, les batteries NCM, qui ont une relation tension-SOC plus prononcée et non linéaire, bénéficieraient probablement encore plus de l’approche PSO-ECM de base sans nécessiter les améliorations spécialisées. De même, les scénarios de charge rapide, bien que plus complexes en raison des interruptions fréquentes du courant et des effets thermiques, pourraient encore être traités en ajustant la fenêtre d’optimisation ou en assouplissant les contraintes d’ajustement de la tension.
Néanmoins, l’étude reconnaît certaines limites. La plus notable est que l’impact de la température sur l’estimation de la capacité n’a pas été approfondément étudié. La performance des batteries est fortement dépendante de la température, et les variations de température ambiante ou de fonctionnement peuvent influencer à la fois la OCV et la résistance interne. Des travaux futurs devront intégrer les effets thermiques dans le modèle pour assurer une précision constante dans des climats et des conditions de conduite diverses.
En conclusion, la recherche menée par Chen Xingguang et ses collègues représente une étape importante dans le domaine du diagnostic des batteries pour les véhicules électriques. En s’attaquant aux défis uniques posés par la chimie LFP et les contraintes des données réelles, ils ont développé une méthode qui est non seulement précise, mais aussi pratique et évolutible. Alors que les constructeurs automobiles continuent d’adopter les batteries LFP pour les véhicules d’entrée de gamme et les flottes, des outils comme celui-ci deviendront de plus en plus vitaux pour assurer la fiabilité, la sécurité et la satisfaction des clients.
Les implications vont au-delà des véhicules individuels. Une estimation précise de la capacité permet une intégration plus intelligente au réseau, une réutilisation plus efficace des batteries en seconde vie, et améliore les modèles de batteries interchangeables et de leasing. Dans une ère où la prise de décision basée sur les données transforme les industries, ce travail illustre comment la modélisation avancée et l’optimisation peuvent débloquer de nouveaux niveaux de compréhension à partir des données de capteurs existantes, sans nécessiter de coûteuses mises à niveau matérielles.
Avec un raffinement supplémentaire et une intégration dans les architectures BMS de nouvelle génération, cette approche pourrait devenir une fonctionnalité standard dans les VE futurs, offrant aux conducteurs et aux opérateurs des évaluations de santé en temps réel et fiables de leur composant le plus précieux : la batterie.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing. Université de technologie de Shanghai et Université Tsinghua. Energy Storage Science and Technology. doi: 10.19799/j.cnki.2095-4239.2024.0144