Les entrées essentielles pour l’estimation du SOC d’une batterie par réseau neuronal sont la tension de la cellule, le courant, la température, les informations liées à la capacité et la résistance interne. Ces variables décrivent l’état électrique de la batterie, ses conditions de fonctionnement, son historique et son comportement lié au vieillissement. Les équipements d’essai de cellules en laboratoire améliorent la précision du modèle en mesurant ces paramètres avec précision et de manière synchronisée, tout en générant des jeux de données représentatifs de charge–décharge dans des conditions contrôlées.
Les réseaux neuronaux ne compensent pas la faiblesse des données. Une estimation précise du SOC dépend à la fois de paramètres d’entrée informatifs et de valeurs de référence du SOC de haute qualité, produites grâce à des essais en laboratoire soigneusement contrôlés.
De quels paramètres d’entrée un réseau neuronal d’estimation du SOC a-t-il besoin ?
Tension de la cellule
La tension aux bornes est l’une des entrées les plus importantes, car elle reflète l’état électrochimique de la batterie en charge.
Cependant, la tension ne constitue pas une mesure directe du SOC. Elle varie également en fonction du courant, de la température, de l’hystérésis, du comportement de relaxation et du vieillissement de la batterie. Le modèle doit donc interpréter la tension conjointement avec les autres entrées.
Courant de charge et de décharge
La valeur et le sens du courant indiquent si la cellule est en charge ou en décharge, ainsi que l’intensité de son fonctionnement.
Le courant est également nécessaire pour calculer la charge accumulée par comptage de coulombs. L’inclusion du courant aide le réseau neuronal à distinguer des valeurs de tension similaires qui apparaissent dans des conditions de charge différentes.
Température
La température de la cellule influence fortement la capacité disponible, la réponse en tension, l’efficacité de charge et la résistance interne.
Un modèle entraîné à une seule température peut présenter de mauvaises performances dans les applications réelles. La température doit donc être mesurée comme une composante du vecteur d’entrée et représentée sur toute la plage de fonctionnement prévue.
Capacité accumulée délivrée ou chargée
Le modèle bénéficie de l’historique lié à la capacité, tel que la capacité déchargée accumulée, la capacité chargée ou le courant intégré au fil du temps.
Cette variable fournit des informations sur la quantité de charge entrée dans la cellule ou sortie de celle-ci depuis un point de référence connu. Elle aide également le modèle à prendre en compte la dépendance au chemin suivi et réduit l’ambiguïté entre des états de fonctionnement présentant des valeurs instantanées de tension et de courant similaires.
Capacité de la batterie
La capacité utilisable de la cellule est un paramètre clé du modèle et peut être traitée comme une entrée, une valeur d’étalonnage ou un état mis à jour dynamiquement.
La capacité varie en fonction de la température, du régime de courant, du vieillissement et de l’historique de fonctionnement. L’utilisation uniquement de la capacité nominale indiquée sur la plaque signalétique de la cellule peut entraîner des erreurs systématiques de SOC à mesure que la batterie se dégrade.
Résistance interne ou impédance dynamique
La résistance interne caractérise la réponse de la cellule au courant et aide à expliquer l’écart de tension sous charge.
La résistance n’est pas toujours mesurée directement à chaque instant ; elle peut être estimée à partir des réponses en tension et en courant ou identifiée au moyen d’essais par impulsions et d’essais d’impédance. L’inclusion d’informations liées à la résistance peut améliorer la robustesse face au vieillissement et à l’évolution des conditions de fonctionnement.
Temps et historique de fonctionnement
Bien qu’elle ne soit pas toujours répertoriée comme une entrée physique autonome, l’information de séquence temporelle est importante pour un modèle dynamique du SOC.
Les réseaux neuronaux peuvent utiliser des échantillons récents de tension, de courant et de température plutôt que des valeurs instantanées uniquement. Cela permet au modèle d’apprendre le comportement transitoire, les effets de relaxation, le sens de charge–décharge et d’autres effets de mémoire.
Pourquoi la qualité des données détermine la précision du modèle
L’apprentissage supervisé nécessite un SOC de référence fiable
Les réseaux neuronaux apprennent généralement à partir de jeux de données contenant des entrées mesurées et les valeurs de SOC de référence correspondantes.
Si le SOC de référence est imprécis, incohérent ou mal synchronisé avec les mesures de tension et de courant, le modèle apprend des relations incorrectes et produit des erreurs d’estimation, même lorsque son architecture est appropriée.
Le SOC est un état dynamique non linéaire
Le SOC ne peut pas être déduit de manière fiable de la seule tension, car le comportement de la batterie est non linéaire et dépendant de son historique.
La même tension aux bornes peut correspondre à différentes valeurs de SOC selon le sens du courant, la température, les conditions de charge récentes, le temps de relaxation et le vieillissement de la cellule. Un jeu de données suffisamment diversifié est donc essentiel.
La couverture est aussi importante que la précision des mesures
Un jeu de données très précis reste incomplet s’il ne couvre qu’une plage de températures étroite, un seul régime de courant ou une plage de SOC limitée.
Les données d’entraînement doivent représenter les conditions de fonctionnement auxquelles l’estimateur final du SOC sera confronté, notamment les opérations de charge et de décharge, les variations thermiques, les charges transitoires et, le cas échéant, les différentes étapes du vieillissement de la cellule.
Comment les équipements d’essai en laboratoire contribuent-ils à la précision ?
Ils mesurent les entrées électriques de manière synchronisée
Les testeurs de batteries de laboratoire haute performance fournissent des mesures précises de la tension et du courant, généralement associées à des horodatages synchronisés.
Cette synchronisation est essentielle. Un léger décalage temporel entre le courant, la tension, la température et le SOC de référence peut amener le réseau neuronal à associer la mauvaise condition de fonctionnement à la mauvaise valeur de référence.
Ils contrôlent les profils de charge et de décharge
Les systèmes de laboratoire peuvent exécuter des profils répétables à courant constant, à tension constante, par impulsions et à charge dynamique.
Les profils contrôlés exposent la cellule à des conditions de fonctionnement connues, permettant aux chercheurs d’observer comment le comportement lié au SOC évolue avec l’intensité et le sens du courant, ainsi qu’avec la demande de charge transitoire.
Ils contrôlent l’environnement thermique
Les chambres environnementales et les dispositifs d’essai à température contrôlée permettent de tester les cellules dans des conditions thermiques définies.
Cela produit les données dépendant de la température nécessaires aux modèles destinés à fonctionner au-delà d’une seule température de laboratoire. Cela aide également à distinguer les effets de la température des autres causes de variation de la tension et de la résistance.
Ils établissent la capacité de référence et le SOC
Des essais de capacité précis constituent la base du calcul de la capacité utilisable et de la génération des valeurs de référence du SOC.
Des procédures contrôlées de charge–décharge complète ou partielle, associées à une intégration précise du courant et à des conditions initiales définies, contribuent à établir la référence nécessaire pour entraîner et évaluer le réseau neuronal.
Ils cartographient le comportement OCV–SOC
L’obtention d’une relation fiable entre la tension en circuit ouvert et le SOC nécessite un contrôle précis du courant et des périodes de relaxation suffisamment longues.
Les équipements de laboratoire facilitent ces essais en appliquant des étapes de charge ou de décharge contrôlées, en permettant à la cellule de se relaxer et en enregistrant la tension obtenue. La courbe OCV–SOC ainsi produite peut servir de référence pour l’étalonnage et la validation du modèle.
Ils caractérisent la résistance et le comportement dynamique
Les essais par impulsions et autres routines de caractérisation révèlent la réponse de la tension aux bornes aux variations du courant.
Ces mesures permettent d’estimer la résistance interne, l’impédance dynamique et les paramètres des circuits équivalents. Ces informations sont précieuses lorsque le réseau neuronal est associé à un modèle de circuit équivalent, à un observateur ou à un algorithme de filtrage.
Ils suivent le vieillissement et la perte de capacité
Des cycles répétés dans des conditions contrôlées montrent comment la capacité et la résistance évoluent avec l’utilisation.
L’inclusion de données liées au vieillissement aide à éviter qu’un modèle ne soit précis que pour une cellule neuve. Elle permet également aux chercheurs de déterminer si la capacité et la résistance doivent être incluses comme des entrées variables ou comme des paramètres recalibrés périodiquement.
Concevoir un jeu de données d’entraînement utile
Combiner les essais en régime stationnaire et dynamique
Les cycles de charge–décharge en régime stationnaire aident à définir la capacité et le comportement de référence du SOC.
Les profils de courant dynamiques et les essais par impulsions sont également nécessaires, car les charges réelles des batteries ne sont pas constantes. Un jeu de données solide comprend à la fois des cycles de référence contrôlés et des conditions de fonctionnement transitoires.
Couvrir l’enveloppe de fonctionnement prévue
Le jeu de données doit couvrir les plages attendues de :
- SOC
- Température
- Courant de charge et de décharge
- Tension
- Régime de courant
- Vieillissement de la cellule ou durée de vie en cycles
- Conditions de repos et de relaxation
Il ne faut pas s’attendre à ce qu’un modèle extrapole de manière fiable bien au-delà des conditions représentées pendant l’entraînement.
Maintenir la traçabilité des mesures
Chaque échantillon d’entraînement doit pouvoir être rattaché aux conditions d’essai dans lesquelles il a été généré.
Les informations importantes comprennent l’identifiant de la cellule, le SOC initial, la température d’essai, le profil de courant, les limites de tension, les périodes de repos, le numéro de cycle et la mesure de capacité. Ces métadonnées aident à identifier les résultats anormaux et à éviter de mélanger des jeux de données incompatibles.
Valider avec des conditions de fonctionnement inédites
La précision doit être évaluée à l’aide de données d’essai qui n’ont pas été utilisées pendant l’entraînement.
Une validation à différentes températures, avec différents profils de courant, dans différentes régions de SOC et à différents états de vieillissement fournit une évaluation plus réaliste qu’un test effectué sur des échantillons sélectionnés aléatoirement dans les mêmes cycles.
Comprendre les compromis
Davantage d’entrées ne produit pas automatiquement un meilleur modèle
L’ajout de la tension, du courant, de la température, de la capacité, de la résistance et d’échantillons historiques peut améliorer l’observabilité, mais il augmente également les exigences en matière de mesure et de prétraitement.
Les entrées doivent être sélectionnées en fonction de leur caractère mesurable, de leur fiabilité suffisante et de leur disponibilité dans l’application prévue.
La résistance interne peut être difficile à obtenir en ligne
La résistance est souvent déduite du comportement transitoire de la tension et du courant plutôt que mesurée directement à chaque instant.
Si l’estimation de la résistance est bruitée ou indisponible dans le système déployé, entraîner un modèle en s’appuyant sur ce paramètre peut créer un écart entre les performances en laboratoire et les performances réelles.
Le contrôle en laboratoire peut ne pas représenter le fonctionnement sur le terrain
Les essais en laboratoire offrent une bonne répétabilité, mais les batteries réelles sont exposées au bruit des capteurs, à des charges irrégulières, à des gradients thermiques, au déséquilibre des cellules du pack et à des conditions environnementales variables.
Ces effets doivent être représentés lors de la validation, ou le modèle doit être testé dans des conditions adaptées de bruit et de perturbations.
Un réseau neuronal reste dépendant de son domaine d’entraînement
Les réseaux neuronaux peuvent modéliser des relations non linéaires complexes, mais ils peuvent présenter de mauvaises performances lorsqu’ils sont appliqués en dehors de leur distribution d’entraînement.
Ils doivent donc être évalués par rapport à des méthodes plus simples telles que le comptage de coulombs, les observateurs à circuit équivalent, les approches EKF ou UKF et la régression par vecteurs de support, lorsque cela est pertinent. Le meilleur choix dépend des mesures disponibles, des limites de calcul, des exigences d’interprétabilité et de la variation attendue des conditions de fonctionnement.
Faire le bon choix selon votre objectif
Le plan de mesure et d’essai doit correspondre aux conditions dans lesquelles l’estimateur du SOC fonctionnera finalement.
- Si votre priorité est l’entraînement d’un réseau neuronal : recueillez des données synchronisées de tension, de courant, de température, d’historique de capacité et d’informations liées à la résistance sur toute la plage de fonctionnement prévue.
- Si votre priorité est l’obtention d’un SOC de référence précis : utilisez des essais de capacité contrôlés, une intégration précise du courant, des conditions initiales définies et des périodes de relaxation suffisantes afin d’établir des valeurs de référence fiables.
- Si votre priorité est la robustesse en température : effectuez des essais dans des conditions thermiques contrôlées et incluez les variations dépendant de la température concernant la capacité, la tension, le rendement et la résistance.
- Si votre priorité est la robustesse au vieillissement : répétez la caractérisation sur toute la durée de vie en cycles afin que le modèle apprenne la diminution de capacité et l’augmentation de la résistance, plutôt que le seul comportement d’une cellule neuve.
- Si votre priorité est la fiabilité du déploiement : assurez-vous que chaque entrée du modèle disponible pendant l’entraînement en laboratoire puisse également être mesurée ou estimée avec une qualité comparable dans le système de gestion de la batterie.
Une estimation précise du SOC repose sur l’association d’entrées informatives et de données d’essai de batterie contrôlées, représentatives et traçables.
Tableau récapitulatif :
| Paramètre d’entrée | Pourquoi il est important | Contribution des équipements de laboratoire |
|---|---|---|
| Tension de la cellule | Reflète l’état électrochimique, mais nécessite le contexte fourni par les autres entrées | Mesure la tension avec précision et de manière synchronisée avec le courant et la température |
| Courant | Détermine le sens de charge/décharge et permet le comptage de coulombs | Contrôle et enregistre les profils de courant avec une grande précision |
| Température | Influence la capacité, la tension, la résistance et le rendement | Utilise des chambres environnementales pour contrôler les conditions thermiques |
| Historique de capacité | Fournit la dépendance au chemin suivi et réduit l’ambiguïté | Suit la charge et la décharge accumulées grâce à une intégration précise |
| Capacité de la batterie | Essentielle pour la référence du SOC, elle varie avec le vieillissement et les conditions | Effectue des essais de capacité pour établir la capacité utilisable |
| Résistance interne | Explique l’écart de tension sous charge | Caractérise la résistance au moyen d’essais par impulsions et d’analyses d’impédance |
| Temps/Historique | Capture le comportement dynamique et les effets de mémoire | Permet l’enregistrement synchronisé des données de séries temporelles |
Prêt à améliorer la précision de votre estimation du SOC des batteries ? Chez KINTEK, nos équipements avancés d’essai de cellules fournissent des mesures précises et synchronisées, essentielles à un entraînement fiable des réseaux neuronaux. Que vous travailliez dans la recherche et le développement des batteries ou dans le domaine des matériaux avancés, notre gamme complète de produits, des mélangeurs de boues aux systèmes d’essai, accompagne chaque étape de votre flux de travail. Contactez-nous dès aujourd’hui pour discuter de vos besoins spécifiques en matière d’essais et découvrez comment KINTEK peut vous aider à atteindre une précision supérieure de vos modèles. Contactez-nous maintenant !