Les systèmes de test de batteries fournissent la base expérimentale qui rend fiable l'estimation de l'état des batteries par EKF et UKF. Ils génèrent des données contrôlées de courant, de tension, de température et de périodes de repos dans des conditions de fonctionnement dynamiques, tandis que les flux de travail d'identification des paramètres convertissent ces mesures en un modèle de circuit équivalent adapté à l'estimation de l'état. L'EKF linéarise ensuite ce modèle localement, tandis que l'UKF propage des points sigma représentatifs à travers le modèle non linéaire sans calculer explicitement les jacobiennes.
Conclusion essentielle : les performances du filtre dépendent fortement de la qualité du modèle et des mesures. Les systèmes de test de batteries créent les données d'excitation, et l'identification des paramètres convertit ces données en modèle électrique, états initiaux, hypothèses de bruit et éléments de validation nécessaires aux algorithmes EKF et UKF.
Pourquoi les tests de batteries constituent le point de départ
Les profils dynamiques révèlent le comportement de la batterie
Les tests statiques de charge et de décharge ne suffisent pas pour estimer le comportement d'une batterie en fonctionnement réel. Les systèmes de test de batteries appliquent des profils dynamiques à impulsions complexes qui reproduisent des conditions de charge variables, telles que l'accélération, le freinage, le fonctionnement au ralenti et la charge régénérative.
Ces profils produisent des réponses de tension et de courant qui révèlent la résistance ohmique de la batterie, son comportement de polarisation, sa dynamique transitoire et ses caractéristiques de relaxation.
La précision des mesures détermine la qualité de l'estimateur
Un EKF ou un UKF ne peut être aussi fiable que les données qui y sont introduites. Les systèmes de test haute précision mesurent le courant, la tension aux bornes, la température et le temps avec une précision suffisante pour distinguer la véritable dynamique de la batterie du bruit de mesure.
Cela est particulièrement important lors des impulsions à taux élevé, où les variations rapides du courant peuvent provoquer des fluctuations brusques de la tension et rendre le suivi de l'état plus difficile.
Des conditions de fonctionnement multiples améliorent la robustesse
Les paramètres de la batterie varient en fonction du SOC, de la température, du taux de courant, du vieillissement et du sens de fonctionnement. Les tests réalisés dans ces différentes conditions permettent de déterminer si un modèle fixe unique est suffisant ou si l'estimateur nécessite des cartographies de paramètres ou des mises à jour adaptatives.
Pour le développement d'un BMS, cela réduit le risque de valider un algorithme uniquement dans des conditions de laboratoire qui ne représentent pas le fonctionnement sur le terrain.
Comment l'identification des paramètres construit le modèle du filtre
Les modèles de circuit équivalent traduisent les mesures en états
Un flux de travail courant consiste à ajuster le comportement courant-tension mesuré à un modèle de circuit équivalent, contenant souvent une relation de tension en circuit ouvert ainsi qu'une ou plusieurs branches résistance-capacité.
Le modèle représente des grandeurs internes telles que le SOC et la tension de polarisation sous forme de variables d'état. Ces états ne sont pas directement mesurables en fonctionnement normal : le filtre les estime donc à partir du courant appliqué et de la tension aux bornes mesurée.
Les réponses aux impulsions identifient les paramètres électriques
Une impulsion dynamique provoque une variation immédiate de la tension, suivie d'un comportement transitoire plus lent. La réponse immédiate aide à identifier la résistance ohmique, tandis que la réponse plus lente permet d'identifier les résistances de polarisation et les constantes de temps.
La répétition des tests à différents niveaux de SOC et de température peut produire des jeux de paramètres ou des tables de consultation qui reflètent mieux le comportement non linéaire de la batterie.
Le développement de Taylor prend en charge la formulation de l'EKF
Pour un EKF, le modèle non linéaire de la batterie est approximé localement autour de l'estimation actuelle de l'état à l'aide d'un développement en série de Taylor. Cela produit les matrices jacobiennes de transition d'état et d'observation nécessaires au filtre.
Le modèle obtenu permet à l'EKF de prédire le SOC suivant et les états dynamiques internes, de comparer la tension prédite à la tension mesurée et de corriger l'estimation à l'aide du gain de Kalman.
Le modèle doit inclure des conditions initiales appropriées
L'identification des paramètres ne se limite pas aux valeurs de résistance et de capacité. Le flux de travail aide également à établir :
- Le SOC initial et les états de polarisation
- Le comportement de la tension en circuit ouvert en fonction du SOC
- Les hypothèses relatives au bruit de processus
- Les hypothèses relatives au bruit de mesure
- Les intervalles d'échantillonnage et la discrétisation du modèle
De mauvais choix dans ces domaines peuvent provoquer une instabilité ou un biais d'estimation persistant, même lorsque les équations du filtre sont correctement implémentées.
Comment le modèle identifié prend en charge l'EKF
La prédiction utilise les équations dynamiques de la batterie
À chaque étape d'échantillonnage, l'EKF utilise le modèle d'état identifié et le courant mesuré pour prédire l'état interne suivant de la batterie.
Par exemple, il peut prédire l'évolution du SOC à partir de l'intégration du courant tout en prédisant simultanément la contribution à la tension des états de polarisation.
Le retour de mesure corrige l'erreur de prédiction
Le filtre calcule une tension aux bornes prédite et la compare à la tension mesurée. La différence, communément appelée innovation ou résidu, est utilisée avec la matrice d'observation et le gain de Kalman pour corriger l'état prédit.
Ce retour limite la dérive à long terme associée au simple comptage des coulombs.
Les jacobiennes relient les erreurs d'état aux erreurs de tension
L'EKF nécessite des dérivées décrivant comment les variations des états internes affectent la tension prédite et la transition d'état. Ces dérivées sont obtenues à partir du modèle identifié de la batterie.
Si le modèle est fortement non linéaire ou mal paramétré, l'approximation linéaire locale peut devenir imprécise, ce qui réduit la qualité de l'estimation.
Les données de test valident la convergence
Le même système de test utilisé pour identifier le modèle peut comparer le SOC estimé à une référence générée à partir de mesures de laboratoire contrôlées. La validation doit inclure des impulsions dynamiques, des périodes de repos, différentes plages de SOC et des températures pertinentes.
Cela révèle les retards de suivi, les oscillations, les biais et la sensibilité au bruit du courant ou de la tension avant le déploiement de l'algorithme dans un BMS.
Comment le modèle identifié prend en charge l'UKF
L'UKF évite le calcul explicite des jacobiennes
L'UKF utilise une transformation unscented au lieu de linéariser directement le modèle à l'aide de jacobiennes. Il sélectionne un ensemble de points sigma autour de l'estimation actuelle de l'état et propage chaque point à travers les équations non linéaires de la batterie.
Les points transformés sont ensuite recombinés afin d'estimer la moyenne et la covariance de l'état prédit.
Le comportement non linéaire est représenté plus directement
Comme chaque point sigma traverse le modèle non linéaire, l'UKF peut capturer les variations de la distribution d'état qu'une linéarisation locale de l'EKF pourrait ne pas détecter.
Cela est utile lorsque les relations tension-SOC, la dynamique de polarisation ou les dépendances des paramètres créent une non-linéarité importante.
L'UKF dépend toujours de la qualité du modèle et des données
Éviter les jacobiennes ne supprime pas la nécessité d'une identification précise des paramètres. L'UKF nécessite toujours un modèle crédible de transition d'état, un modèle d'observation, un jeu de paramètres, une covariance initiale et une caractérisation du bruit.
Un filtre sophistiqué ne peut pas compenser des valeurs de résistance incorrectes, des données tension-SOC imprécises ou des mesures de test contaminées par des erreurs systématiques.
Les tests déterminent si la complexité de l'UKF est justifiée
Les données de test de batteries peuvent être utilisées pour comparer les performances de l'EKF et de l'UKF avec les mêmes profils de fonctionnement. Si les effets non linéaires sont modestes, l'EKF peut fournir une précision suffisante avec une demande de calcul moindre.
Si la batterie présente un comportement fortement non linéaire ou si l'EKF montre une erreur de linéarisation importante, l'UKF peut justifier son coût de calcul plus élevé.
Comment s'intègre le flux de travail complet
Étape 1 : concevoir un profil de test informatif
Le profil de test doit contenir suffisamment de variations de courant pour exciter la dynamique de la batterie. Les séquences d'impulsions composées sont utiles, car elles révèlent à la fois les réponses rapides de tension et le comportement de relaxation plus lent.
Les tests à taux élevé sont utiles pour solliciter l'estimateur, mais ils doivent être réalisés dans les limites sûres de fonctionnement de la cellule.
Étape 2 : enregistrer des données électriques et thermiques synchronisées
Le système de test de batteries enregistre le courant, la tension, la température et le temps dans des conditions contrôlées. La synchronisation est importante, car même de petits décalages temporels peuvent déformer la réponse dynamique apparente utilisée pour l'identification.
Les tests réalisés dans différentes conditions environnementales et de fonctionnement favorisent un modèle plus représentatif de l'utilisation réelle du BMS.
Étape 3 : identifier et valider les paramètres du modèle
Les chercheurs ajustent la réponse mesurée au modèle de circuit équivalent sélectionné et vérifient l'ajustement par rapport à des données qui n'ont pas été utilisées pour l'estimation des paramètres.
Cette séparation aide à déterminer si le modèle capture le comportement général de la batterie plutôt que de simplement reproduire une séquence d'impulsions spécifique.
Étape 4 : implémenter l'estimateur
Le modèle identifié est discrétisé et intégré à l'EKF ou à l'UKF. L'algorithme est configuré avec des estimations initiales de l'état, des matrices de covariance, le bruit de processus et le bruit de mesure de la tension.
Pour les implémentations EKF, les jacobiennes nécessaires doivent être dérivées ou générées de manière cohérente avec le modèle. Pour les implémentations UKF, la mise à l'échelle des points sigma et la gestion de la covariance doivent être configurées de manière appropriée.
Étape 5 : comparer les estimations au comportement de référence
L'estimateur est évalué à l'aide de tensions et de courants mesurés sur des profils dynamiques. Les chercheurs examinent l'erreur de SOC, la vitesse de convergence, le suivi transitoire, la stabilité et le comportement pendant les périodes de repos.
Ce processus relie les performances de l'algorithme à des conditions physiques spécifiques plutôt que de s'appuyer uniquement sur une simulation nominale.
Améliorer le comportement de l'EKF pendant les impulsions agressives
Pourquoi les performances d'un EKF classique peuvent se dégrader
Lors d'impulsions de charge-décharge à taux élevé, les variations soudaines de tension peuvent provoquer des retards de suivi du SOC et des oscillations de l'estimation. La linéarisation locale de l'EKF et son comportement à gain fixe peuvent ne pas répondre suffisamment aux conditions qui évoluent rapidement.
Le problème peut être amplifié par les effets de polarisation, des paramètres de modèle imprécis ou des hypothèses de bruit inadéquates.
Un gain adaptatif peut accélérer la correction
Une approche rapportée consiste à mettre à l'échelle le gain de Kalman classique à l'aide d'un facteur adaptatif :
[ K'_k = \lambda K_k ]
Un gain plus élevé pendant les périodes de charge-décharge active permet à l'estimateur de réagir plus fortement aux résidus de mesure. Pendant les périodes de repos, le retour du facteur à 1 peut réduire la surcorrection provoquée par le comportement de tension lié à la polarisation.
Le gain adaptatif est un choix de conception, pas une règle universelle
Les résultats de test complémentaires décrivent des facteurs de gain compris entre 40 et 60 pour certaines expériences d'impulsions à taux élevé, avec une erreur de SOC réduite de plus de 15 % à moins de 3,5 %. Ces valeurs ne doivent pas être considérées comme des réglages universels.
Le gain approprié dépend de la cellule, du modèle, de la fréquence d'échantillonnage, du profil d'impulsions, de la qualité des capteurs et des hypothèses de bruit. Il doit être réglé et validé expérimentalement.
Comprendre les compromis
EKF : efficace, mais approximatif localement
L'EKF est généralement intéressant pour les applications BMS embarquées, car il est efficace sur le plan du calcul et s'intègre naturellement dans un processus récursif d'estimation de l'état.
Sa limite réside dans sa dépendance à la linéarisation locale. Lorsque le modèle de la batterie est fortement non linéaire ou que le point de fonctionnement évolue rapidement, l'approximation peut introduire une erreur d'estimation.
UKF : meilleure gestion des non-linéarités, mais davantage de calculs
L'UKF évite la dérivation explicite des jacobiennes et peut fournir des estimations plus précises dans des conditions fortement non linéaires.
En contrepartie, il présente une complexité de calcul et d'implémentation accrue, car plusieurs points sigma doivent être propagés à travers le modèle de la batterie à chaque mise à jour.
Les tests à taux élevé améliorent le réalisme, mais augmentent la difficulté
Les profils d'impulsions agressives révèlent des faiblesses que les tests modérés peuvent masquer. Cependant, ils augmentent également la sensibilité à la bande passante des capteurs, aux variations thermiques, aux transitoires de tension, aux variations des paramètres et aux écarts du modèle.
Les tests doivent donc trouver un équilibre entre des conditions de sollicitation réalistes, un fonctionnement sûr et une qualité de mesure suffisante.
Le surajustement peut donner une confiance trompeuse
Un modèle qui s'ajuste extrêmement bien à un profil d'impulsions peut fonctionner médiocrement à une température, une plage de SOC, une condition de vieillissement ou un taux de courant différent.
La validation sur des profils indépendants est essentielle avant de conclure à la robustesse d'un EKF ou d'un UKF.
Le filtrage ne peut pas remplacer une conception BMS solide
L'estimation de l'état ne constitue qu'une partie d'un BMS. Le système final doit également gérer le comportement thermique, l'équilibrage des cellules, les limites de charge et de décharge, le diagnostic des défauts, les communications et les limites de fonctionnement sûres.
Une estimation précise du SOC ne compense pas une logique de protection défaillante ou une surveillance insuffisante au niveau du pack.
Choisir la solution adaptée à votre objectif
Utilisez le flux de travail de test et d'identification pour sélectionner l'estimateur en fonction du comportement de la batterie et des contraintes d'implémentation du BMS.
- Si votre priorité est une implémentation embarquée efficace : commencez par un modèle de circuit équivalent correctement identifié et un EKF, puis validez la précision de sa linéarisation sur la plage de fonctionnement prévue.
- Si votre priorité est la précision de l'estimation non linéaire : utilisez le même modèle identifié de haute qualité avec un UKF et comparez son amélioration à son coût de calcul supplémentaire.
- Si votre priorité est le suivi des impulsions à taux élevé : incluez des profils dynamiques agressifs et évaluez les stratégies EKF à gain adaptatif uniquement après les avoir réglées à partir de données mesurées.
- Si votre priorité est la robustesse en production : testez différents niveaux de SOC, températures, taux de courant, périodes de repos et conditions de vieillissement au lieu de valider un seul profil nominal.
- Si votre priorité est la crédibilité du modèle : séparez les données d'identification des paramètres des données de validation et examinez à la fois les résidus de tension et l'erreur d'estimation du SOC.
Une estimation fiable de l'état des batteries par EKF et UKF commence non pas par les équations du filtre, mais par des tests représentatifs, des mesures précises et un modèle qui capture fidèlement la dynamique de la batterie.
Tableau récapitulatif :
| Aspect | EKF | UKF |
|---|---|---|
| Approximation du modèle | Linéarisation locale à l'aide d'une série de Taylor (jacobiennes) | Propagation de points sigma à travers un modèle non linéaire, sans jacobiennes |
| Charge de calcul | Plus faible | Plus élevée (plusieurs points sigma) |
| Gestion des non-linéarités | Peut se dégrader en présence de fortes non-linéarités | Capture mieux le comportement non linéaire |
| Exigences en matière de données | Identiques : nécessite un modèle de batterie précis, des états initiaux et des hypothèses de bruit | Identiques : nécessite un modèle de batterie précis, des états initiaux et des hypothèses de bruit |
| Cas d'utilisation optimal | BMS embarqué efficace avec une non-linéarité modérée | Forte non-linéarité ou erreurs de linéarisation importantes de l'EKF |
Prêt à améliorer votre estimation de l'état des batteries ? KINTEK fournit des équipements de laboratoire complets pour la R&D sur les batteries, notamment des systèmes avancés de test de batteries et des outils de précision. Nos solutions prennent en charge le profilage dynamique, l'identification des paramètres et la validation des algorithmes EKF/UKF, afin de vous aider à obtenir une estimation précise du SOC et à développer des BMS robustes. Contactez-nous aujourd'hui pour découvrir comment nos équipements peuvent accélérer vos recherches et améliorer vos algorithmes d'état de charge.