Monitoring intégré embarqué de l’état de charge et de santé des batteries de stockage

Embedded integrated monitoring of the state of charge and health of storage batteries

• Auteur / Autrice : Sudnya Vaidya
• Direction : Daniel Depernet, Daniela Chrenko
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'Ingénieur
• Date : Soutenance en 2024
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Franche Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies
• Partenaire(s) de recherche : Equipe de recherche : Département Énergie
• Partenaire(s) de recherche : établissement de préparation : Université de technologie de Belfort-Montbéliard (1999-....)
• Jury : Président / Présidente : Yann Bultel
• Jury : Examinateurs / Examinatrices : Daniel Depernet, Ali Sari, Daniela Chrenko, Salah Laghrouche, Christophe Forgez
• Jury : Rapporteur / Rapporteuse : Ali Sari, Christophe Forgez

Mots clés

Mots clés libres

Spectroscopie d'impédance électrochimique embarquée (EEIS)

Modele equivalent du circuit

Modèle de boîte grise intelligente (IGBM)

État de température (SOT)

État de charge (SOC)

État de santé (SOH)

Embedded Electrochemical Impedance Spectroscopy (EEIS)

Equivalent Circuit Model (ECM)

Intelligent gray Box Model (IGBM)

State of Temperature (SOT)

State of Charge (SOC)

State of Health (SOH)

Résumé

La demande croissante en batteries lithium-ion pour la mobilité verte nécessite une surveillance de l'état en temps réel et embarquée. Cette thèse propose un nouveau ''modèle de boîte grise intelligent'' (IGBM) pour combler ce vide. L'IGBM combine l'EEIS non invasive et les modèles de circuits équivalents multiphysiques (ECM) avec l'apprentissage automatique pour diagnostiquer l'état de charge (SOC) et l'état de température (SOT) des batteries en temps réel. Dans un premier temps, une analyse critique examine les techniques de caractérisation existantes et les limitations des systèmes embarqués. Un banc d'essai expérimental est ensuite développé pour l'acquisition de données en temps réel tenant compte des contraintes opérationnelles et d'intégration. À partir des données acquises, un modèle d'ordre fractionnaire capture la dynamique de la batterie, tandis qu'une nouvelle méthode d'optimisation hybride identifie efficacement les paramètres de l'ECM. L'IGBM exploite l'apprentissage automatique pour la détection sans capteur du SOT de cellules individuelles dans un pack et pour une meilleure estimation du SOC grâce au réseau Cross-BiLSTM amélioré. Contrairement aux modèles classiques de type ''boîte noire'', l'IGBM offre une amélioration significative des performances des modèles d'apprentissage automatique légers grâce à sa technique unique de réduction de la dimensionnalité et du bruit. Ce travail met en évidence la mise en oeuvre réussie de l'IGBM pour la détection du SOT en temps réel sur un microcontrôleur STM32 standard de l'industrie, démontrant la faisabilité d'exécuter des réseaux de neurones légers sur des appareils embarqués à ressources limitées. Cela ouvre la voie à des solutions fiables, précises et rentables de surveillance et de diagnostic de l'état des batteries embarquées.

Soaring demand for Li-ion batteries in green mobility necessitates real-time, on-board health monitoring. This thesis addresses this gap by proposing a novel ''Intelligent Gray Box Model'' (IGBM). The IGBM combines non-invasive EEIS and multi-physical ECMs with machine learning to diagnose battery State of Charge (SOC) and State of Temperature (SOT) in real-time. First, a critical review analyzes existing characterization techniques and embedded limitations. An experimental test bench is then developed for real-time data acquisition under operational and embedded constraints. Based on acquired data a fractional-order model captures battery dynamics, while the new hybrid optimization method efficiently identifies ECM parameters. The IGBM leverages machine learning for sensorless SOT detection for individual cells in a pack and improved SOC estimation using the improved Cross-BiLSTM network. IGBM offers a significant boost in the performance of lightweight ML models by its unique dimension and noise reduction technique contrary to the traditional black box models. The work highlights IGBM's successful implementation for real-time SOT detection on an industrial standard STM32 microcontroller, demonstrating the feasibility of running lightweight neural networks on resource-constrained embedded devices. This paves the way for reliable, precise, and cost-effective embedded battery health monitoring and diagnosis solutions.