Une révolution dans l’étalonnage des batteries : de jours à minutes
Les constructeurs de véhicules électriques se heurtent à un obstacle persistant dans la gestion des batteries : l’impossibilité d’évaluer rapidement et précisément l’état de charge réel sans immobiliser le véhicule pendant des jours. Une étude novatrice de l’Université Tongji, publiée dans le Journal of Tongji University (Natural Science), démontre une méthode révolutionnaire qui réduit considérablement cette fenêtre d’étalonnage, éliminant le besoin de tests traditionnels de tension en circuit ouvert (OCV) et permettant des mises à jour en temps réel de la santé de la batterie en utilisant uniquement les données de conduite standard.
L’innovation repose sur un constat simple mais puissant : lors d’une décharge normale, la courbe OCV sous-jacente d’une cellule lithium-ion est intrinsèquement lisse. Les écarts par rapport à cette régularité – pics, vibrations ou oscillations erratiques – signalent des erreurs dans le modèle de batterie supposé, et non une réalité physique. En tirant parti de ce principe, les chercheurs Xue Jinwei, Du Xuzhi, Yang Zhigang, Zhao Lei et Xia Chao ont conçu un algorithme qui traite l’extraction de l’OCV comme un problème d’optimisation, utilisant la régularité de la courbe OCV reconstruite comme métrique de performance. Leur approche contourne l’exigence vieille de plusieurs décennies de mesure statique de tension au repos, ouvrant la porte à un diagnostic continu et in situ des batteries.
Pour les ingénieurs automobiles et les architectes de systèmes de batterie, cela représente un changement de paradigme. Les systèmes de gestion de batterie (BMS) actuels reposent largement sur des tables de consultation OCV-SoC préchargées – des courbes laborieusement générées en conditions de laboratoire à l’aide de protocoles OVCI (OCV incrémental) ou OCVB (OCV à bas courant). Ces tests exigent souvent 48 à 72 heures par cellule pour atténuer l’hystérésis et atteindre l’équilibre électrochimique. Pire encore, ces courbes voient leur précision se dégrader avec le vieillissement de la batterie. La fissuration des électrodes, la croissance de l’interphase électrolyte solide (SEI), le placage de lithium et l’épuisement de l’électrolyte remodelent subtilement la relation OCV-SoC. Une table étalonnée à 10 % de perte de capacité peut introduire des erreurs de SoC dépassant 5 % – suffisantes pour déclencher de fausses alertes de faible charge ou, plus dangereusement, masquer une imminente surdécharge.
Jusqu’à présent, l’industrie n’avait que deux choix peu satisfaisants : soit réexécuter des cycles d’étalonnage de plusieurs jours lors de la maintenance programmée (coûteux, perturbateur et déjà obsolète au prochain intervalle de service), soit déployer des estimateurs adaptatifs – tels que les moindres carrés récursifs (RLS) ou les filtres de Kalman adaptatifs – qui tentent de mettre à jour l’OCV en temps réel avec d’autres paramètres. Mais ces schémas d’estimation conjointe souffrent d’un couplage paramétrique : les erreurs dans la résistance ou les constantes de temps de polarisation se répercutent sur les estimations de l’OCV, et vice versa. De plus, parce qu’ils dépendent d’estimations initiales pour le SoC et les états du modèle, leur convergence peut être lente ou peu fiable lors de transitoires agressifs – précisément lorsque la précision du SoC est cruciale.
La méthode de l’équipe Tongji contourne ces deux problèmes. Plutôt que d’estimer simultanément l’OCV, la résistance et la polarisation, elle isole la reconstruction de l’OCV comme objectif principal. Les chercheurs ont adopté un modèle de circuit équivalent (ECM) du premier ordre – une résistance (R₀) en série avec une branche parallèle résistance-capacité (Rₚ–Cₚ) alimentant une source OCV – comme cadre suffisamment expressif mais computacionallement léger. Étant donné n’importe quel segment de données réelles de tension et de courant (par exemple, provenant d’un cycle de conduite urbaine UDDS), l’algorithme ajuste itérativement R₀, Rₚ et Cₚ jusqu’à ce que la trajectoire OCV dérivée atteigne une régularité maximale.
Crucialement, la « régularité » ici n’est pas un jugement esthétique vague. L’équipe l’a formalisée via une contrainte mathématiquement rigoureuse : sur une décharge complète de 100 à 0 % de SoC, la variation totale de la courbe OCV – la somme des pas de tension absolus entre des points temporels consécutifs – doit être égale à la différence entre les plateaux de haute et basse tension connus de la cellule, ajustée pour tout événement de freinage régénératif. Cela transforme la régularité en une cible d’optimisation quantifiable : minimiser l’écart entre la variation totale calculée et la borne théorique.
Pour résoudre ce problème non linéaire et non convexe de manière robuste, le groupe a déployé NSGA-II (Non-dominated Sorting Genetic Algorithm II), un optimiseur évolutionnaire multi-objectif connu pour naviguer dans des paysages de recherche accidentés sans rester piégé dans des minima locaux. Dans des expériences de validation utilisant l’ensemble de données de vieillissement de batteries de Stanford largement cité (cellules INR21700-M50T, 23 mois de cyclage à 23°C), l’algorithme a convergé rapidement – en moins de 100 générations – même lorsqu’il était initialisé avec des paramètres ECM très imprécis (par exemple, R₀ = 10⁻⁵ Ω, Cₚ = 1 F). Avec une initialisation informée (utilisant des paramètres d’un test antérieur), la convergence s’est produite en moins de 50 itérations.
Les courbes OCV-SoC extraites ont montré une haute fidélité. Superposées à des courbes de référence reconstruites via un comptage ampère-heure (en supposant une efficacité Coulombique de 100 % à 23°C), les courbes optimisées ont suivi le déclin monotone attendu pour des cellules NMC-graphite saines, avec seulement de faibles résidus haute fréquence – probablement attribuables au bruit des capteurs ou à une simplification du modèle, et non à une irrégularité physique. Pour affiner davantage la stabilité pour une utilisation en aval, l’équipe a appliqué un ajustement polynomial du huitième ordre aux points OCV-SoC bruts, produisant une fonction propre et différentiable prête à être intégrée dans des estimateurs de SoC standard.
Le vrai test est venu en couplant ce modèle OCV avec un filtre de Kalman étendu (EKF). Utilisant la courbe extraite comme table de consultation OCV-SoC, l’EKF a estimé le SoC sur un cycle UDDS complet. Les résultats étaient frappants : l’erreur maximale de SoC est restée inférieure à 2 % pendant toute la décharge – même lorsque l’état interne de SoC du filtre était délibérément corrompu en cours de test, le réinitialisant à 80 % alors que la valeur réelle était proche de 40 %. En approximativement 1 000 secondes (~17 minutes de conduite urbaine), l’EKF s’est auto-corrigé, ramenant l’estimation à moins de 1 % de la vérité terrain. Cette résilience souligne un avantage clé : parce que la courbe OCV est pré-optimisée pour la plausibilité physique, elle agit comme une forte contrainte a priori, guidant le filtre vers la justesse même en cas de pépins de capteurs ou d’erreurs d’initialisation.
La validation indépendante a dépassé le suivi dans le domaine temporel. L’équipe a comparé ses paramètres ECM optimisés avec des données de spectroscopie d’impédance électrochimique (EIS) acquises sur les mêmes lots vieillis. Tracer l’impédance prédite par le modèle (utilisant les R₀, Rₚ, Cₚ ajustés) contre les diagrammes de Nyquist mesurés dans la bande de fréquence 0–0,2 Hz – où réside la plupart de la dynamique de conduite – a montré un excellent accord. Cette cohérence dans le domaine fréquentiel confirme que l’optimisation pilotée par la régularité ne se contente pas de « lisser » les erreurs ; elle retrouve des paramètres de circuit qui reflètent un comportement électrochimique authentique.
D’un point de vue intégration système, la méthode est exceptionnellement légère. Elle ne demande aucun matériel spécialisé au-delà des capteurs de tension et de courant standard déjà intégrés dans chaque BMS de VE. Sur le plan computationnel, NSGA-II est plus lourd qu’une simple mise à jour RLS, mais les auteurs notent que l’optimisation n’a pas besoin de fonctionner en continu : un seul traitement par lots de 5 à 10 minutes sur des données de conduite récentes – exécuté la nuit ou pendant les périodes d’inactivité – peut actualiser le modèle OCV hebdomadairement ou même mensuellement. Une fois mise à jour, la courbe OCV-SoC statique sert de colonne vertébrale haute fidélité pour des filtres en temps réel légers (EKF, UKF, filtres à particules) pendant le fonctionnement quotidien.
Cette capacité s’aligne sur les tendances émergentes de la maintenance prédictive et des jumeaux numériques. Alors que les constructeurs automobiles s’orientent vers des diagnostics de batterie over-the-air (OTA), la capacité d’extraire des indicateurs de santé – incluant les déplacements de la courbe OCV, la croissance de la résistance et la perte de capacité – directement à partir des journaux de conduite devient inestimable. Par exemple, un déplacement vers la droite de la courbe OCV-SoC (c’est-à-dire une tension plus basse à SoC fixe) est une signature connue de la perte d’inventaire de lithium, tandis qu’une résistance de polarisation accrue corrèle avec un épaississement du SEI. Avec cette méthode, une plateforme de gestion de flotte pourrait signaler automatiquement les batteries présentant une évolution OCV anormale, programmant une maintenance préventive avant que la performance ne se dégrade notablement pour le conducteur.
Les implications vont au-delà des véhicules électriques particuliers. Les flottes commerciales – camionnettes de livraison, bus, équipements portuaires – opèrent sous des cycles de service intenses où l’immobilisation est prohibitivement coûteuse. L’étalonnage OCV traditionnel est pratiquement irréalisable pour ces véhicules. Permettre l’étalonnage via le fonctionnement normal supprime un obstacle majeur à une mise à niveau généralisée des BMS, prolongeant potentiellement la durée de vie des packs batterie de 10 à 15 % grâce à un contrôle de charge et une gestion thermique plus précis.
Cependant, des défis subsistent avant une adoption large. La validation actuelle a utilisé des données de vieillissement en laboratoire à température constante (23°C). Les batteries du monde réel subissent des variations diurnes et saisonnières ; les déplacements OCV dépendants de la température – bien que plus petits que les effets SoC – doivent être découplés dans les travaux futurs. L’étude a également supposé un format à cellule unique. Dans les modules multi-cellules, les variations entre cellules et les gradients thermiques pourraient compliquer l’hypothèse de régularité. L’équipe suggère une application hiérarchique : exécuter l’optimisation par module (ou par groupe parallèle) où la détection de tension est disponible, ou augmenter la fonction de fitness avec des pénalités de cohérence inter-cellules.
Une autre frontière est l’intégration avec l’estimation de l’état de santé (SoH). Puisque la distorsion OCV-SoC corrèle avec les mécanismes de vieillissement, la forme de la courbe extraite – pas seulement son décalage vertical – pourrait servir de biomarqueur de santé. Des modèles d’apprentissage automatique entraînés sur des bibliothèques de courbes OCV optimisées pour la régularité à travers différents stades de vieillissement pourraient prédire la durée de vie utile restante plus précisément que la seule perte de capacité.
Pour les fabricants de batteries (OEM), cette technologie offre un avantage concurrentiel. Les cellules associées à des BMS capables d’auto-étalonnage commandent des prix premium, surtout sur des marchés comme l’Europe et la Californie, où les durées de garantie dépassent maintenant couramment huit ans ou 160 000 kilomètres. Les régulateurs prennent également note : le futur amendement UN ECE R100 Rev. 3 met l’accent sur la « vérification continue des fonctions de sécurité critiques », une exigence que cette approche contribue à remplir.
Les investisseurs de la chaîne de valeur de l’électrification devraient surveiller de près les développements ultérieurs. L’Université Tongji n’a pas divulgué de plans de licence de propriété intellectuelle, mais la dépendance de la méthode à des algorithmes ouverts (NSGA-II est dans le domaine public) et à des capteurs standard abaisse les barrières à la réplication. Les startups spécialisées dans les logiciels BMS – telles que TWAICE, Voltaiq ou Accure – pourraient intégrer rapidement des techniques similaires. Inversement, les fabricants de puces BMS en place (par exemple, Analog Devices, Texas Instruments, NXP) pourraient intégrer des co-processeurs pour gérer l’optimisation à bord.
La leçon plus large transcende les batteries : parfois, les innovations les plus puissantes naissent non pas en ajoutant de la complexité, mais en réexaminant les premiers principes. Pendant des décennies, les ingénieurs ont accepté que l’OCV nécessitait du repos. L’équipe Tongji a demandé : Pourquoi devrait-il en être ainsi ? En reconnaissant la régularité comme une nécessité physique – et non un artefact de mesure – ils ont transformé une contrainte en un outil. Ce faisant, ils ont offert à l’industrie du VE un chemin plus rapide, moins cher et plus résilient vers la transparence des batteries.
— Rédigé par Xue Jinwei¹, Du Xuzhi², Yang Zhigang³, Zhao Lei¹ et Xia Chao⁴ ¹ Shanghai Automotive Wind Tunnel Center, Université Tongji, Shanghai 201804, Chine ² Département de génie mécanique et science, Université de l’Illinois à Urbana-Champaign, Urbana, IL 61801, USA ³ Institut de recherche sur la technologie des aéronefs de Pékin COMAC, Pékin 102211, Chine ⁴ École des études automobiles, Université Tongji, Shanghai 201804, Chine Publié dans Journal of Tongji University (Natural Science), Vol. 52, No. S1, Octobre 2024 DOI : 10.11908/j.issn.0253-374x.24778