Ρrοnοstic des batteries lithium en utilisant l'intelligence artificielle

Ρrοnοstic of lithium batteries using artificial intelligence

• Auteur / Autrice : Abdelilah Hammou
• Direction : Hamid Gualous, Demba Diallo
• Type : Thèse de doctorat
• Discipline(s) : Génie électrique
• Date : Soutenance le 14/09/2023
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale physique, sciences de l’ingénieur, matériaux, énergie (Saint-Etienne du Rouvray, Seine Maritime)
• Partenaire(s) de recherche : Laboratoire : Laboratoire universitaire des sciences appliquées de Cherbourg (1994-....)
• Partenaire(s) de recherche : établissement co-accrédité : Université de Caen Normandie (1971-....)
• Jury : Président / Présidente : Melika Hinaje
• Jury : Examinateurs / Examinatrices : Christophe Forgez, Mohamed Benbouzid, Raffaele Petrone
• Jury : Rapporteurs / Rapporteuses : Christophe Forgez, Mohamed Benbouzid

Mots clés

Mots clés contrôlés

Prévision

Diagnostic

Détérioration

Batteries lithium-ion

Transport

Mots clés libres

État de Santé

Méthodes basées sur les données

Transportation

Lithium-ion battery

Ageing

State-of-Health

Diagnosis

Prognosis

Data-driven methods

Résumé

Les batteries lithium-ion dominent le secteur du transport en raison de leurs performances supérieures en comparaison avec d’autres systèmes de stockage. Toutefois, en raison de leur vieillissement et leurs conditions de fonctionnement, les performances de ces systèmes de stockage diminuent avec le temps et le taux d’utilisation. De ce fait, le suivi de l’état de santé des batteries lithium est nécessaire pour un fonctionnent efficace et sécurisé. L’objectif de ce travail est d’établir des méthodes pour l’estimation et la prédiction de l’état de santé des batteries en se basent sur les données de vieillissement générées expérimentalement.La première partie de ce travail s’est concentrée sur l’étude expérimentale de la sensibilité des paramètres du modèle de circuit électrique équivalent, à la variation du courant de décharge. Les résultats ont montré que la résistance et la capacité de polarisation dépendent du taux du courant de décharge. En revanche, la résistance série est le paramètre le moins sensible aux variations du courant. La deuxième partie s’est focalisée sur la génération des données expérimentales du vieillissement de la batterie, afin d'évaluer le comportement de la cellule dans des conditions de fonctionnement proches de celles des véhicules. Dans ces tests, les cellules sont cyclées avec un profil de courant extrait de la procédure d'essai mondial harmonisée pour les véhicules légers (WLTC). Les résultats ont montré que la capacité et l'énergie de la batterie diminuent avec l'augmentation du nombre des cycles. L'étude de l'effet de la fenêtre de l’état de charge a montré que la réduction de la fenêtre de l’état de charge de 100 %-0 % à 80 %-20 % contribue à prolonger la durée de vie de la batterie pour les cellules NMC. En revanche, pour les cellules LFP, a un effet inverse sur leur durée de vie.Les données expérimentales de vieillissement sont également utilisées pour dériver des modèles de diagnostic et de pronostic pour les cellules. Les modèles s'appuient sur les mesures disponibles telles que le courant, la tension et la température afin d'estimer l’état de santé des batteries. Trois modèles de diagnostic sont présentés et discutés : le premier modèle est basé sur la combinaison des auto-encodeurs et des réseaux de neurones LSTM pour l’estimation de la capacité et de l'énergie des cellules. Le second modèle analyse les caractéristiques statistiques de la réponse en tension de la cellule sous un profil de courant dynamique. Les résultats ont montré que la divergence de Kullback-Leibler est fortement corrélée à l'état de santé de la batterie. Le troisième modèle de diagnostic est basé sur un modèle analytique pour estimer l'énergie et la capacité de la batterie à partir des caractéristiques basées sur l'énergie. Ces caractéristiques sont extraites lors d’un court segment de décharge, ce qui en fait le modèle le plus adapté aux applications véhiculaires.Concernant le pronostic des batteries, quatre modèles sont développés pour prédire la capacité de la cellule : LSTM, GRU, ESN et GPR. Ces modèles de pronostic sont testés et évalués dans deux scénarios. Le premier scénario utilise les capacités mesurées, tandis que le second utilise les capacités estimées comme données d'entraînement. Les modèles de pronostic sont évalués en considérant trois stades de vieillissement des batteries : prématuré, moyen et avancé. Les résultats montrent que l'ESN fournit des prédictions précises de la capacité et nécessite moins de temps d'apprentissage, ce qui le rend adapté aux applications des véhicules.

Lithium-ion batteries are dominating the EV market due to their higher performance in comparison with other energy storage systems. However, as any electrochemical system the lithium-ion batteries suffer from several side reactions that lead to the fade of their performance and increase the risks of the system failure. Therefore, the state-of-health monitoring of these energy storage systems is necessary for an efficient and safe operation of the battery system. This PhD thesis contributes to this topic: where it exploits the ageing data extracted from battery cycling tests to derive diagnostic and prognostic approaches.The first part of this study focuses on the experimental investigation of the sensitivity the equivalent circuit model’s parameters to the discharge current rate. The results show that the polarization capacitance and resistance vary with the variation of the current rate, while the series resistance is the less parameter sensitive to the current rate. The second part aims to study the ageing effect on the performances of the cells and generate experimental data of battery cycling. During these tests, the cells are cycled using a dynamic current profile extracted from the Worldwide Harmonized Light Vehicle Test Cycle (WLTC). The obtained results show that the cells’ capacity and energy decrease with the increasing of the performed cycles. The investigation on the effect of the SoC cycling window showed that reducing the SoC window from 100%-0% to 80%-20% contributes to the extension of the battery lifetime for NMC cells. In contrast, for LFP cells, the SoC window reduction has an inverse effect on their lifetime.The experimental data generated are used then to design and evaluate the diagnosis of the prognosis approaches for the lithium-ion cells. Concerning the diagnosis approaches, the derived methods aim to estimate the health indicators from the available measurements such as current, voltage and temperature. This work presented and evaluated three diagnosis methods: The first method, combines the auto-encoders with the LSTM neural networks for the estimation of the cell’s capacity and energy. The second method focuses on the investigation of the statistical features of the voltage measurement. The results show that the Kullback-Leibler Divergence is strongly correlated with the battery state of health. The third diagnosis model is based on an analytical model to estimate the battery energy and capacity from energy-based features. These features are extracted from a short segment of battery discharge, which makes it the most suitable for vehicular applications.Concerning the prognosis, four models are developed to predict battery capacity: LSTM, GRU, ESN and GPR. These prognostic models are tested and evaluated considering two scenarios: the first one uses measured capacities, while the second uses estimated capacities as training data. The prognostic models are evaluated by considering three percentages of training data corresponding to three stages of cycle ageing: premature, medium and advanced. The results showed that ESN provides accurate predictions of cell capacity and requires less training time, making it suitable for vehicular applications.