Les travaux de recherche menés par les membres du CR2ie continuent de contribuer à l’avancement des connaissances dans le domaine de l’intelligence énergétique. Récemment, deux articles scientifiques coécrits par nos collègues ont été publiés et portent sur l’évaluation et la classification de l’état de santé des batteries.
Estimation de l’état de santé de la batterie basée sur la distorsion temporelle dynamique
Coécrit notamment par Arafat Fousseni, chercheur au CR2ie, et Khaled Ziane, directeur du CR2ie, cet article propose une nouvelle méthode pour estimer l’état de santé (SOH) d’une batterie.
Résumé: La connaissance de l’état de santé (SOH) d’une batterie est un indicateur de son état de dégradation. Ainsi, ces dernières années, plusieurs techniques basées sur des modèles et basées sur des données ont été explorées pour estimer la SOH. Alors que les techniques basées sur des modèles physiques nécessitent des connaissances en chimie des batteries, les approches basées sur les données nécessitent beaucoup de données. Dans cet article, une nouvelle approche combinant les courbes charge/décharge de la batterie et l’algorithme de distorsion temporelle dynamique (DTW) est proposée pour estimer la SOH. Les résultats obtenus avec les batteries B0005, B0006 et B0007 dans la base de données publique de la NASA montrent une erreur absolue moyenne (MAE) de 0,0067, 0,0162 et 0,007 respectivement pour les trois batteries et sont comparables à ceux trouvés dans la littérature. L’avantage de l’approche proposée réside dans sa simplicité, car elle ne nécessite que la courbe charge/décharge pour le premier cycle.
Classification de l’état de santé de la batterie basée sur la distorsion temporelle dynamique et l’arbre fin
Également coécrit par Arafat Fousseni, cet article s’intéresse à la classification de l’état de santé des batteries et à la détection de leur niveau de dégradation.
Résumé: Les avancées récentes dans l’estimation de la santé des batteries ont attiré une attention significative dans de nombreuses études. Cet article propose une approche novatrice pour la classification de l’état de santé (SOH) en utilisant des caractéristiques dérivées de la spectroscopie électrochimique par impédance (EIS). Initialement, trois modèles de classification sont établis à l’aide de l’algorithme de distorsion temporelle dynamique (DTW) et du coefficient de corrélation de Pearson. Ces modèles indiquent efficacement la dégradation de la composition interne de la batterie, fournissant une métrique fiable pour déterminer la nécessité de remplacer la batterie. Par la suite, 29 classificateurs ont été utilisés, incorporant DTW, le coefficient de corrélation de Pearson, ainsi que des minima et maxima locaux comme entrées, pour effectuer la classification. L’impact de la validation croisée k-fold sur les résultats de classification a également été analysé avec minutie. Les principaux résultats démontrent que la méthode proposée atteint une grande précision dans la classification de l’état de santé des batteries, améliorant significativement la fiabilité des prédictions. Notamment, le classificateur Fine Tree a atteint le taux de vrai positif (TPR) le plus élevé de 99,1 % avec une validation croisée multipliée par 5.
Ces deux publications témoignent de l’expertise de nos membres en matière de batteries et d’intelligence artificielle pour développer des solutions énergétiques plus performantes.
Pour s'inscrire à l'infolettre