État de charge de la batterie

L'état de charge (SOC) de batterie est une quantité normalisée comprise entre 0 et 1 qui indique le niveau de charge d’une batterie à un moment donné. Un état de charge de 1 signifie que la batterie est complètement chargée, tandis qu'un état de charge de 0 signifie qu'elle est complètement déchargée.

L'état de charge des véhicules électriques est analogue à la jauge de carburant des véhicules thermiques conventionnels, fournissant aux conducteurs une indication de la quantité d'énergie restante dans la batterie ; un état de charge plus élevé signifie une plus grande autonomie. Connaître l'état de charge de batterie d'un véhicule permet à son conducteur de planifier plus efficacement ses déplacements et ses arrêts en station de recharge. L'état de charge de batterie se calcule comme suit :

\( SOC({t_1}) = SOC({t_0}) + {{\frac{1}{C_{total}}}{\int_{t_0}^{t_1}{\frac{{\eta}i(t)}{3600}}dt}} \)

où :

• \( SOC({t_1}) \) correspond à l'état de charge de batterie au moment \( t_1 \) exprimé en secondes.
• \( SOC({t_0}) \) correspond à l'état de charge de batterie au moment \( t_0 \) exprimé en secondes.
• \( i(t) \) correspond au courant de batterie en A, avec un signe négatif lorsque la batterie se décharge.
• \( η \) correspond au facteur d'efficacité coulombienne sans unité.
• \( C_{total} \) correspond à la capacité totale de batterie en Ah. Elle est définie comme la charge retirée à la batterie, entre l'état de pleine charge (SOC = 1) et l'état de pleine décharge (SOC = 0). La capacité totale de la batterie diminue au fur et à mesure que la batterie se dégrade avec le temps.

Importance d'une estimation précise de l'état de charge de batterie

Les systèmes de gestion de batterie (BMS) utilisent l'estimation de l'état de charge pour informer l'utilisateur de l’autonomie restante jusqu'à la prochaine recharge, maintenir la batterie dans la fenêtre de fonctionnement sûre, implémenter des stratégies de contrôle et, en fin de compte, améliorer la durée de vie de la batterie dans de nombreuses applications, y compris pour les véhicules électriques (EV) et les systèmes de stockage d'énergie. Par exemple, l'estimation de l'état de santé (SOH) nécessite des informations sur l'état de charge. Le BMS utilise l'état de santé estimé pour les algorithmes d'équilibrage des cellules.

Défis liés à l'estimation précise de l'état de charge de batterie

L'estimation précise de l'état de charge est cruciale pour une gestion et un fonctionnement efficaces des systèmes d'alimentation par batterie. Cependant, elle implique plusieurs défis : 

• Courbes de décharge non linéaires : les batteries présentent souvent des caractéristiques de décharge non linéaires, ce qui rend difficile l'estimation de l'état de charge en se basant uniquement sur les mesures de tension.
• Erreurs de mesure du courant : l'estimation précise de l'état de charge repose souvent sur des mesures précises du courant. Les erreurs de détection du courant peuvent conduire à des erreurs cumulatives dans l'estimation de l'état de charge, en particulier dans les méthodes telles que le comptage de Coulomb.
• Vieillissement, dégradation et dépendance à l'état de santé : l'état de charge dépend souvent de l'état de santé de la batterie. Avec le temps, les batteries se dégradent, ce qui affecte leur capacité et leur résistance interne. Cette dégradation peut entraîner des inexactitudes dans l'estimation de l'état de charge si elle n'est pas correctement prise en compte.
• Autodécharge : les batteries peuvent perdre de la charge au fil du temps, même lorsqu'elles ne sont pas utilisées. Des divergences peuvent donc apparaître dans l'estimation de l'état de charge si ce phénomène n'est pas pris en compte.
• Profils de charge dynamiques : les fluctuations de charge peuvent compliquer l'estimation de l'état de charge, car elles peuvent entraîner des changements rapides de la tension et du courant de la batterie, ce qui rend difficile le suivi de l'état de charge réel.
• Paramétrage du modèle de batterie : les modèles de batterie sont des modèles de circuits équivalents typiques. Une estimation précise de l'état de charge nécessite un ajustement précis du modèle et un réglage de la covariance si un filtre de Kalman est utilisé. Le paramétrage du modèle peut être chronophage et difficile.

Calculer l'état de charge de batterie

Les méthodes d'estimation du SOC vont de la simple intégration du courant (comptage de Coulomb) et de la surveillance de la tension, à des méthodes sophistiquées fondées sur des modèles et des données, telles que les filtres de Kalman ou les réseaux de neurones.

Des modèles de batterie précis sont essentiels au développement d'algorithmes pour une estimation du SOC basé sur un modèle, dans un système de gestion de batterie. Les approches traditionnelles d'estimation du SOC dans un système de gestion de batterie, telles que la recherche de la tension en circuit ouvert (OCV, Open Circuit Voltage) et l'intégration de l'intensité (comptage de Coulomb), sont faciles à implémenter et sont raisonnablement précises dans certains cas. Cependant, l'approche basée sur l'OCV nécessite la mesure OCV, qui doit être précédée d'une période de repos prolongée. Le comptage de Coulomb souffre d'une initialisation médiocre et de l'accumulation de bruits de mesure de l’intensité. Le filtre de Kalman étendu (EKF) et le filtre de Kalman sans parfum (UKF) sont des approches éprouvées qui offrent des résultats précis pour un effort de calcul raisonnable dans les implémentations de systèmes de gestion de batterie du monde réel.

Simscape Battery™, logiciel de modélisation pour le design et la simulation de systèmes de batteries et de stockage d'énergie, fournit plusieurs estimateurs de l'état de charge pour le développement de BMS et supporte la génération de code :

• SOC Estimator (Coulomb Counting) : estimateur de l'état de charge avec comptage de Coulomb
• SOC Estimator (Coulomb Counting, Variable Capacity) : estimateur de l'état de charge avec comptage de Coulomb et capacité variable
• SOC Estimator (Kalman Filter) : estimateur de l'état de charge avec filtre de Kalman
• SOC Estimator (Kalman Filter, Variable Capacity) : estimateur de l'état de charge avec filtre de Kalman et capacité variable
• SOC Estimator (Adaptive Kalman Filter) : estimateur de l'état de charge et de la résistance terminale avec filtre de Kalman adaptatif
• SOC Estimator (Adaptive Kalman Filter, Variable Capacity) : estimateur de l'état de charge et de la résistance terminale avec filtre de Kalman adaptatif et capacité variable

Comparé au Kalman Filter SOC Estimator classique, l'estimateur Adaptive Kalman Filter SOC Estimator présente une résistance terminale comme état supplémentaire. Ces estimateurs offrent tous deux la possibilité de sélectionner les approches EKF ou UKF pour développer un observateur permettant d'estimer le SOC. Dans un système de gestion de batterie, ces observateurs comprennent généralement un modèle du système non linéaire de la batterie, qui utilise l'intensité et la tension mesurées par le système de gestion de batterie à partir de la batterie comme entrées, ainsi qu'un algorithme récursif qui calcule les états internes du système (dont le SOC) en s'appuyant sur une procédure de prédiction et de correction en deux phases.

Estimation de l'état de charge de batterie avec un réseau de Deep Learning

Au lieu d'un filtre de Kalman, un système de gestion de batterie peut utiliser une méthode basée sur les données, telle qu'un réseau de neurones, pour estimer le SOC. Cette méthode ne nécessite pas d'informations détaillées sur la batterie ou son comportement non linéaire. À la place, le réseau est entraîné avec des données d’intensité, de tension et de température et l'état de charge en réponse. Vous pouvez compresser un réseau de neurones en utilisant la projection, ce qui permet des passages avant plus rapides lorsqu'il est exécuté sur le CPU ou déployé sur le hardware embarqué du système de gestion de batterie en utilisant la génération de code C ou C++ sans bibliothèque.