L’estimation de
l’état des batteries
au Lithuim-ion
Plan
Les batteries Lithuim-
01 Introduction 02 Ion
L’Etat de Charge
03 Système de gestion 04
de batteries (SoC)
L’Etat de Estimation de l’état
05 Santé 06
de batteries
(SoH)
Introduction
Les véhicules électriques sont développés rapidement ces
dernières années grâce aux progrès effectués sur les
batteries. Les batteries lithium-ion ont devenir l'une des
sources d'énergie les plus prometteuses des véhicules
électriques en raison des avantages d'une densité
d'énergie élevée, protection de l'environnement, longue
durée de vie, etc.
Les batteries Lithuim-ion
Les batteries lithium représentent une solution attractive pour les systèmes de stockage
d’énergie en termes de performances, notamment d’énergie spécifique et de densité
d’énergie.
Le principe de fonctionnement d'un accumulateur lithium-ion (Li-ion) repose sur
l'échange réversible des ions Li+ entre les électrodes positive et négative, tout au long des
cycles de charge ou de décharge.
Système de gestion de batteries BMS
Battery Mangement Systems (BMS), c’est un système a pour gérer les performances de la batteries,
de contrôler ses paramètres internes ,de gestion l’état de la santé et d’estimation de l’état de
batteries.
Parmi ces fonctions, l’estimation d’état est la tâche la plus fondamentale, de plus l’état de
charge(SoC) et l’état de santé(SoH) sont les principales informations nécessaires à calculer par le
BMS.
L’Etat de charge (SoC)
L’état de charge, en anglais State of Charge (SoC), représente le
pourcentage d’énergie emmagasinée ou de charge électrique restante
dans une batterie. Le SoC n’est pas un paramètre physique qui peut
être mesuré directement, généralement la valeur du SoC est estimée en
mesurant des paramètres ayant une forte corrélation. Il est important
d’estimer le SoC pour éviter la surcharge ou la décharge excessive, qui
peut endommager la batterie.
L’Etat de santé (SoH)
L’état de santé, en anglais State of Health (SoH),est une mesure de l’état de
dégradation de la batterie . Plus clairement, cette estimation a pour but de
quantifier la perte de la capacité énergétique due au vieillissement. Il peut
être défini comme le rapport entre la capacité totale actuelle et la capacité
maximale obtenue lorsque la batterie était neuve.
Estimation de l’état de batteries
La surveillance de l'état de charge/santé de batteries au lithium est d'une importance cruciale
pour assurer une utilisation efficace et sûre de ces batteries. les algorithmes d'apprentissage
automatique peuvent être utilisés pour modéliser la relation entre les variables d'entrée et l'état
de la batterie. Les variables d'entrée incluent notamment la tension, le courant, la température
et d'autres paramètres de la batterie. Une fois que le modèle est entraîné à partir de données de
charge et de décharge de la batterie, il est alors possible de prédire l'état de charge et de santé de
la batterie en temps réel à partir des mesures des variables.
Courant
Tension Algorithmes de SoC / SoH
Machine Learning
Température
La première étape du ML est l’acquisition des données en effectuant différents types de test de
batterie ou en collectant des données à partir d’opérations de véhicules électriques dans le
monde réel. Ensuite, les données doivent être traitées avant d’ être utilisées (Data-cleaning, Data
filtering, Data normalization..). Après, un algorithme ML approprié est sélectionné, en tenant
compte de la précision et de la complexité du modèle.[1]
Apres avoir entièrement entrainé et validé l’algorithme sélectionné nous pouvons l’utiliser pour
estimer le SoC à l’aide de nouvelles données.
RMSE
Les critères d’evalution MAE
MSE
SoC
Estimation
L'algorithme DNN
L'estimation de l'état de (Deep Neural Network)
charge (SOC) est un utilise un réseau de
problème de régression neurones artificiels
qui peut être résolu à profonds pour
l'aide de l'algorithme de apprendre à partir des
Support Vector données d'entrée et il
Regression (SVR). est capable de fournir
L’algorithme SVR est des estimations précises
une technique de de l'état de charge de la
L'algorithme de Convolutional
régression non linéaire batterie en temps réel.
qui est basée sur les Neural Network (CNN) peut être
[2]
vecteurs de supports. utilisé pour estimer l'état de charge
des batteries en se basant sur des
données de charge et de décharge
passées.
SoH Estimation
L'algorithme SVM (Support Vector Machine) est un
algorithme de classification binaire largement utilisé dans
la détection d'état de santé des batteries. L'idée générale
est de représenter les données de la batterie sous forme de
vecteurs multidimensionnels, où chaque dimension
représente une caractéristique de la batterie.[3]
L'algorithme RNN (Réseau de Neurones Récurrents) est
un type de réseau de neurones artificiels qui est souvent
utilisé pour la prédiction de séquences, notamment pour
les séries temporelles. Pour estimer l'état de santé des
batteries, un RNN peut être utilisé pour prédire les
performances futures de la batterie en se basant sur les
données historiques de la batterie.[4]
Il convient de noter que la précession de l’estimation du SoH dépend
de la qualité d’apprentissage du modèle et de la façon dont le modèle
est utilisé. Par conséquent, il est important de s’assurer que les
données sont de haute qualité et que le modèle est correctement formé
et validé avant de l’utiliser.
Références
[1] Zhong Ren, Changqing Du. A review of machine learning state-of-charge and state-of-health
estimation algorithms for lithium-ion batteries .
[Link]
[2] Zhang, D.; Zhong, C.; Xu, P.; Tian, Y. Deep Learning in the State of Charge Estimation for Li-Ion
Batteries of Electric Vehicles: A Review. Machines 2022, 10, 912. [Link]
[3] Chandran, V.; Patil, C.K.; Karthick, A.. State of Charge Estimation of Lithium-Ion Battery for Electric
Vehicles Using Machine Learning Algorithms. J. 2021, 12, 38. [Link]
[4] A review on online state of charge and state of health estimation for lithium-ion batteries in electric
vehicles. [Link]
