Lithium

Les progrès de la technologie des batteries lithium-ion ont conduit au développement de véhicules à énergie nouvelle, de réseaux intelligents et d’autres industries respectueuses de l’environnement. Cependant, les performances des batteries lithium-ion se détériorent au fil du temps en raison de divers facteurs, notamment la fabrication des batteries, les conditions de fonctionnement et les conditions environnementales. Cette dégradation peut conduire à des combustions incontrôlées ou à des explosions. Par conséquent, il est important d’étudier l’état de santé interne des batteries lithium-ion et de développer des méthodes précises d’estimation de l’état.

Le processus de vieillissement des batteries lithium-ion est complexe et nécessite un modèle basé sur le mécanisme de vieillissement de la batterie pour une prévision précise de sa durée de vie. Le vieillissement calendaire, c'est-à-dire le vieillissement des batteries sur une longue période dans un état flottant, est particulièrement difficile à estimer en raison du lent taux de dégradation de la batterie et de l'absence de caractéristiques de dégradation mesurables.

Pour résoudre ce problème, un algorithme basé sur le filtrage des particules est proposé dans cette étude pour l'estimation de l'état de santé (SOH) et de la durée de vie utile restante (RUL) de la batterie. L'algorithme prend en compte le processus du cycle de charge et de décharge, qui affecte le vieillissement de la batterie. La dégradation de la capacité de la batterie est largement acceptée comme indicateur du vieillissement de la batterie. Une fois que la capacité de la batterie atteint un certain seuil, elle est considérée comme ayant atteint la fin de sa durée de vie et doit être remplacée.

Il existe différentes méthodes pour prédire le SOH, notamment les méthodes de mesure directe, les méthodes basées sur un modèle et les méthodes basées sur les données. Les méthodes de mesure directe impliquent des tests simples du SOH de la batterie, comme la méthode de comptage Coulomb et les méthodes d'estimation basées sur la résistance interne. Ces méthodes présentent des limites en termes de précision et de robustesse.

Les méthodes basées sur des modèles, telles que le modèle de circuit équivalent, décrivent la relation entre la résistance interne et la capacité disponible. Ces modèles s'appuient sur des données de modélisation et de test précises. Des algorithmes d'estimation en boucle fermée, tels que le filtre de Kalman étendu et le filtre à particules, ont été introduits pour améliorer la précision des prévisions.

Des méthodes basées sur les données, notamment des algorithmes d’apprentissage automatique et d’apprentissage profond, ont également été appliquées aux tâches de prédiction SOH. Ces méthodes extraient des caractéristiques des données de charge et de décharge de la batterie pour générer un ensemble de vecteurs de caractéristiques à des fins de prédiction. Les réseaux neuronaux récurrents, tels que la mémoire à long terme et les réseaux récurrents contrôlés, ont obtenu de bons résultats dans la prédiction du SOH.

En conclusion, une estimation précise de l’état de santé des batteries lithium-ion est cruciale pour garantir leur sécurité et prolonger leur durée de vie. Diverses méthodes, notamment des algorithmes de filtrage de particules et des approches basées sur les données, sont en cours de développement pour améliorer la précision de l'estimation du SOH et prédire la durée de vie utile restante des batteries.