Une précision inédite pour l’estimation de la charge des batteries des véhicules électriques
L’avenir de la mobilité électrique ne se joue pas seulement sur la distance franchissable ou la vitesse de recharge, mais aussi, et peut-être surtout, sur l’intelligence avec laquelle les véhicules gèrent leur ressource la plus précieuse : l’énergie stockée dans leurs batteries. Un indicateur central dans cette gestion est l’état de charge (State of Charge, SOC), qui représente la quantité d’énergie restante. Une estimation inexacte du SOC peut avoir des conséquences directes, allant d’une simple indication trompeuse de l’autonomie restante, source d’anxiété pour le conducteur, jusqu’à des dommages irréversibles pour la batterie, en passant par des risques pour la sécurité. Dans ce contexte, une percée significative a été réalisée par une équipe de chercheurs de la State Grid Jingmen Power Supply Company, qui a développé un modèle d’intelligence artificielle d’une précision remarquable pour estimer le SOC des batteries de véhicules électriques.
Publié dans le numéro d’août 2024 de la revue Northeast Electric Power Technology, ce travail introduit une méthode innovante baptisée ISSA-KELM. Ce modèle combine une version améliorée de l’algorithme de recherche du moineau (Improved Sparrow Search Algorithm, ISSA) avec une machine d’apprentissage extrême à noyau (Kernel Extreme Learning Machine, KELM). Conçu par Chen Baihan, Yang Wei, Wan Wenxin et Liu Chuang, ce système ne se contente pas d’apporter une amélioration marginale ; il représente un bond qualitatif dans la manière dont les systèmes de gestion de batterie (BMS) peuvent interpréter les données opérationnelles des cellules de lithium.
L’importance d’une estimation précise du SOC est fondamentale. Pour le conducteur, cela se traduit par une confiance accrue. Connaître avec exactitude le nombre de kilomètres restants élimine l’anxiété liée à l’autonomie, un des principaux freins psychologiques à l’adoption des véhicules électriques. D’un point de vue technique, une lecture correcte du SOC permet au BMS d’optimiser les cycles de charge et de décharge, en évitant des conditions préjudiciables pour la batterie, comme des décharges profondes ou des surcharges. Par ailleurs, pour des applications avancées telles que la technologie Véhicule vers le Réseau (V2G), où les voitures restituent de l’énergie au réseau électrique, la précision du SOC est essentielle pour garantir la stabilité du système et l’intégrité de la batterie du véhicule.
Les méthodes traditionnelles d’estimation du SOC, comme l’intégration ampère-heure (Ah) ou la mesure de la tension en circuit ouvert, sont connues pour leurs limites. Elles sont sensibles aux bruits de mesure, aux variations de température, aux effets de vieillissement de la batterie et ne parviennent pas à gérer efficacement les charges dynamiques et imprévisibles du monde réel. Bien que des méthodes plus sophistiquées, comme le filtre de Kalman, offrent de meilleures performances, elles reposent sur des modèles mathématiques complexes, difficiles à calibrer et qui peuvent devenir obsolètes à mesure que la batterie vieillit.
C’est pour surmonter ces insuffisances que l’intelligence artificielle (IA) est apparue comme une solution prometteuse. Les modèles d’apprentissage machine peuvent « apprendre » directement à partir de vastes volumes de données de fonctionnement réel, en capturant des schémas complexes et non linéaires que les modèles traditionnels ne peuvent pas modéliser. Cependant, l’efficacité de ces modèles dépend crucialement de la manière dont leurs paramètres internes sont ajustés. C’est ici que le modèle ISSA-KELM se distingue, non seulement en choisissant une architecture puissante (le KELM), mais aussi en utilisant un algorithme d’optimisation hautement sophistiqué pour configurer cette architecture de la meilleure manière possible.
Le cœur de l’innovation réside dans l’ISSA, une version profondément modifiée de l’algorithme de recherche du moineau. L’algorithme d’origine simule le comportement d’une colonie de moineaux, où les individus sont divisés en « chercheurs » (qui cherchent de la nourriture), « suiveurs » (qui suivent les chercheurs) et « sentinelles » (qui alertent des dangers). C’est un algorithme efficace, mais comme beaucoup d’autres, il peut rester coincé dans des solutions sous-optimales, appelées « optima locaux », sans parvenir à trouver la solution optimale globale. Les chercheurs de Jingmen ont abordé ce point faible avec trois stratégies d’amélioration qui élèvent la performance de l’algorithme à un autre niveau.
La première stratégie est l’initialisation chaotique basée sur la fonction Logistic. Au lieu de répartir les « moineaux » (chacun représentant une configuration possible des paramètres) de façon aléatoire dans l’espace de recherche, l’équipe a utilisé une équation mathématique chaotique, connue sous le nom de cartographie Logistic. Cette méthode garantit que les individus initiaux sont répartis de manière beaucoup plus uniforme et diversifiée sur tout l’espace de solution. C’est analogue à jeter un filet de recherche non pas en des points aléatoires, mais en suivant un motif qui couvre systématiquement une vaste zone, maximisant ainsi les chances de trouver la meilleure solution dès le départ.
La deuxième amélioration est l’introduction d’un poids d’inertie décroissant de façon non linéaire. Ce concept est fondamental pour équilibrer l' »exploration » (la recherche dans de nouvelles zones de l’espace de recherche) et l' »exploitation » (le raffinement d’une solution prometteuse). Au début du processus, le poids d’inertie est élevé, permettant aux « moineaux » de faire de grands sauts et d’explorer agressivement l’environnement. À mesure que l’algorithme progresse, ce poids diminue de façon non linéaire, permettant des mouvements plus petits et plus précis. Ce réglage dynamique empêche l’algorithme de « trembler » autour d’une bonne solution, lui permettant de se stabiliser et de converger en douceur vers le résultat optimal.
La troisième et la plus ingénieuse des améliorations est l’intégration du vol de Lévy dans le comportement des « sentinelles ». Le vol de Lévy est un modèle de recherche observé dans la nature, caractérisé par une combinaison de nombreux petits pas et de sauts occasionnels très longs. Ce comportement, vu chez les oiseaux et les insectes, est hautement efficace pour trouver des ressources dans des environnements inconnus. En intégrant ce mécanisme dans l’algorithme ISSA, les « moineaux » gagnent la capacité de « s’échapper » d’une solution localement bonne, mais non idéale. C’est comme si, en percevant qu’une zone n’offre plus de nourriture, un moineau effectuait un saut long et aléatoire vers un emplacement complètement nouveau, augmentant exponentiellement ses chances de découvrir un champ beaucoup plus fertile. Cette caractéristique est cruciale pour garantir que l’algorithme ne reste pas coincé dans des minima locaux et continue sa recherche jusqu’à trouver la solution globalement optimale.
Avec l’algorithme ISSA amélioré, la prochaine étape a été de l’appliquer pour optimiser le modèle KELM. Le KELM est une évolution de la classique machine d’apprentissage extrême (ELM), connue pour sa rapidité d’apprentissage. En introduisant une fonction de noyau, le KELM parvient à gérer des problèmes hautement non linéaires avec une précision et une robustesse supérieures, ce qui le rend idéal pour modéliser la relation complexe entre la tension, le courant, la température et le SOC d’une batterie.
Le modèle a été entraîné et testé avec des données d’une cellule de batterie au phosphate de fer et de lithium (LFP), une chimie largement utilisée dans les véhicules électriques en raison de sa sécurité et de sa longue durée de vie. Les données, collectées avec un cycliseur Neware, comprenaient 400 échantillons de tension, courant, température et la valeur réelle du SOC. Sur ces 400 échantillons, 380 ont été utilisés pour entraîner le modèle, et les 20 restants ont servi d’ensemble de test, permettant une évaluation impartiale de la précision du modèle sur des données qu’il n’avait jamais vues auparavant.
Le processus d’optimisation a été un succès remarquable. L’algorithme ISSA a réussi à ajuster les paramètres du KELM (le coefficient du noyau et le paramètre de pénalité) de manière à minimiser l’erreur quadratique moyenne (RMSE) sur l’ensemble d’entraînement. Il a atteint un RMSE de 0,0113 après seulement 57 itérations. En revanche, l’algorithme SSA d’origine a nécessité 109 itérations pour atteindre un RMSE de 0,0155. Cette différence démontre non seulement l’efficacité supérieure de l’ISSA, mais aussi sa capacité à trouver une solution de meilleure qualité en beaucoup moins de temps.
Le véritable test, cependant, est venu avec l’ensemble de test. Ici, le modèle ISSA-KELM a montré des performances exceptionnelles. L’erreur relative maximale, qui mesure la plus grande déviation à n’importe quel point de la prédiction, était de seulement 6,232 %. Cette valeur est nettement inférieure aux 8,643 % du modèle SSA-KELM et aux impressionnants 13,150 % d’un modèle PSO-LSSVM, qui a été utilisé comme référence. Une erreur maximale aussi faible est vitale pour les applications de sécurité, car elle minimise le risque qu’un BMS sous-estime gravement la capacité restante de la batterie, ce qui pourrait conduire à une décharge complète et à des dommages permanents.
L’erreur relative moyenne (MAPE), qui indique la précision moyenne des prédictions, était de 3,964 %. Ce niveau d’exactitude signifie que l’indication d’autonomie sur le tableau de bord du véhicule serait extrêmement fiable, offrant au conducteur une sensation de sécurité et de contrôle. De plus, l’erreur quadratique moyenne (RMSE) finale sur l’ensemble de test était de 0,0197, un indicateur que le modèle est non seulement précis en moyenne, mais aussi extrêmement stable et cohérent dans toutes ses prévisions. La courbe d’estimation du SOC suit la courbe de la valeur réelle avec une fidélité quasi parfaite, même lors de transitions dynamiques, comme un changement brutal de la charge à la décharge.
La pertinence de cette avancée va bien au-delà de la simple précision de l’indicateur d’autonomie. Un BMS équipé d’un modèle comme l’ISSA-KELM peut gérer la batterie de manière beaucoup plus intelligente. Il peut prévoir et éviter des cycles de charge qui accélèrent le vieillissement, optimiser la régénération d’énergie lors du freinage et garantir que la batterie fonctionne toujours dans sa fenêtre de sécurité thermique et électrique. Cela se traduit directement par une durée de vie plus longue pour la batterie, un composant qui représente une part significative du coût total du véhicule.
Un autre avantage crucial du modèle ISSA-KELM est sa faisabilité pratique. Contrairement aux réseaux neuronaux profonds, qui exigent une grande puissance de traitement, le KELM est une architecture légère et rapide. Combiné à l’efficacité de l’algorithme ISSA, cela signifie que le modèle peut être exécuté en temps réel sur les microcontrôleurs à faible consommation d’énergie qui sont le cerveau des BMS modernes. Il ne nécessite pas de matériel spécialisé, ce qui en fait une solution évolutive et économiquement viable pour l’industrie automobile.
De plus, le modèle utilise uniquement trois entrées qui sont déjà surveillées par tous les véhicules électriques : tension, courant et température. Il n’a pas besoin de capteurs supplémentaires ni de périodes de repos pour mesurer la tension en circuit ouvert, ce qui le rend adapté à une utilisation continue pendant la conduite. Cette simplicité d’implémentation est un facteur décisif pour son adoption à grande échelle.
Bien que l’étude se soit concentrée sur les batteries LFP, la méthodologie est universelle. Avec des ajustements dans les données d’entraînement et les plages de paramètres, le modèle ISSA-KELM pourrait être adapté à d’autres chimies, comme le nickel-manganèse-cobalt (NMC), courant dans les véhicules hautes performances. Les chercheurs suggèrent également que de futures recherches pourraient intégrer l’état de santé (SOH) de la batterie comme entrée supplémentaire, créant ainsi un système de gestion encore plus complet et prédictif.
En résumé, le modèle ISSA-KELM représente une étape importante dans l’ingénierie des batteries pour véhicules électriques. Il combine la puissance de l’intelligence artificielle avec une optimisation algorithmique inspirée de la nature pour résoudre un problème technique fondamental. Ce faisant, il ne fait pas que améliorer la précision d’une métrique clé ; il établit également les bases d’un avenir de la mobilité électrique plus sûr, plus efficace et plus fiable. Alors que l’industrie poursuit sa transition vers l’électrification, des innovations comme celle-ci, qui améliorent l’intelligence du système de l’intérieur, seront aussi importantes que les progrès dans la chimie même des batteries.
Chen Baihan, Yang Wei, Wan Wenxin, Liu Chuang, State Grid Jingmen Power Supply Company, Northeast Electric Power Technology, DOI: 10.12061/j.issn.1004-7913.2024.08.001