⚡ electrical engineering

Ageing-aware Energy Management for Residential Multi-Carrier Energy Systems

Cet article propose un contrôleur prédictif économique non linéaire tenant compte du vieillissement pour les systèmes énergétiques résidentiels multi-porteurs, qui intègre des modèles de vieillissement physique des batteries afin d'optimiser le compromis entre les coûts du réseau et la dégradation des actifs, tout en démontrant des améliorations significatives par rapport aux méthodes actuelles.

Auteurs originaux : Darío Slaifstein (Delft University of Technology), Gautham Ram Chandra Mouli (Delft University of Technology), Laura Ramirez-Elizondo (Delft University of Technology), Pavol Bauer (Delft University of

Publié 2026-04-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Darío Slaifstein (Delft University of Technology), Gautham Ram Chandra Mouli (Delft University of Technology), Laura Ramirez-Elizondo (Delft University of Technology), Pavol Bauer (Delft University of Technology)

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏠 Le Chef d'Orchestre de la Maison Intelligente : Économiser sans abîmer ses batteries

Imaginez que votre maison est une usine miniature qui produit, stocke et consomme de l'énergie. Elle a trois grands réservoirs :

L'électricité (panneaux solaires, batterie de la maison, voiture électrique).
La chaleur (pompe à chaleur, ballon d'eau chaude).
La mobilité (la voiture électrique qui part travailler).

Le problème ? Gérer tout cela est comme essayer de conduire une voiture tout en cuisinant un gâteau et en jouant aux échecs. Si vous faites des erreurs, vous payez plus cher à l'électricité ou, pire, vous abîmez vos batteries (celle de la maison et celle de la voiture) en les utilisant trop brutalement.

C'est là qu'intervient cette nouvelle recherche.

🧠 Le Problème : Le "Conducteur" qui ne voit pas l'usure

Jusqu'à présent, les systèmes de gestion de l'énergie (les "chefs d'orchestre" de la maison) agissaient comme un conducteur aveugle.

Ils regardaient uniquement le prix de l'électricité.
Ils disaient : "Ah, l'électricité est moins chère à 3h du matin ? Charge tout de suite !"
Ils ne se souciaient pas de savoir si cette charge rapide abîmait la batterie à l'intérieur. C'est comme si vous forciez un coureur de marathon à courir à toute vitesse juste pour gagner 10 centimes, sans vous soucier de ses genoux qui vont s'abîmer.

Les anciens modèles utilisaient des règles simplistes (des "règles empiriques") qui ne comprenaient pas la chimie réelle de la batterie. Résultat : on économisait un peu sur la facture, mais on tuait la batterie beaucoup plus vite.

💡 La Solution : Un "Mécanicien-Physicien" dans la maison

Les auteurs de cette étude (Darío, Gautham, Laura et Pavol) ont créé un nouveau système intelligent. Imaginez que vous remplacez le conducteur aveugle par un mécanicien expert qui a un scanner médical connecté à chaque batterie.

Ce nouveau système, appelé MPC "conscient du vieillissement", fait trois choses magiques :

Il comprend la "chimie" de la batterie :
Il sait qu'une batterie de voiture (LFP) est comme un tank robuste qui aime courir vite et fort, tandis qu'une batterie classique (NMC) est comme un sprinter fragile qui doit être ménagé. Le système adapte sa stratégie selon le type de batterie qu'il a sous le capot.
- Résultat : Avec les batteries LFP, on peut aller chercher plus d'énergie pas chère, ce qui réduit la facture de 10 % et abîme moins la batterie.
Il voit le futur (et le passé) :
Au lieu de juste regarder le prix d'aujourd'hui, il simule l'avenir. Il se dit : "Si je charge la batterie maintenant, elle va durer 5 ans de plus, mais si je la vide trop vite pour économiser 2 euros, elle sera morte dans 2 ans."
Il trouve le juste milieu : économiser sur la facture sans sacrifier la durée de vie. C'est comme choisir de marcher un peu plus vite pour arriver à l'heure, mais sans courir pour ne pas avoir mal aux pieds le lendemain.
Il gère la "vieillissement" de la batterie :
Une batterie n'est pas la même quand elle est neuve et quand elle a 5 ans. Les anciens systèmes continuaient de traiter une vieille batterie comme si elle était neuve, ce qui la détruisait.
Le nouveau système dit : "Ah, ta batterie a 90 % de santé ? Ok, je vais être plus doux avec toi." Il ajuste sa stratégie en temps réel. Résultat : même avec une vieille batterie, le système continue d'économiser de l'argent, là où les anciens systèmes échouaient.

🎭 Les Analogies Clés

Le réservoir d'eau (Thermal Energy Storage) :
Imaginez un grand ballon d'eau chaude. Il est lent à chauffer et lent à refroidir. Les anciens systèmes essayaient de le remplir et de le vider trop vite, comme essayer de remplir un seau avec un tuyau d'arrosage géant. Le nouveau système le traite avec patience, en sachant qu'il faut du temps pour qu'il soit utile.
Le compromis (Trade-off) :
C'est comme un jeu de balance. D'un côté, vous avez l'argent de la facture (le "coût du réseau"). De l'autre, vous avez la santé de la batterie (le "vieillissement").
- Les anciens systèmes penchaient tout du côté de l'argent, cassant la balance.
- Le nouveau système trouve l'équilibre parfait : il accepte de payer un tout petit peu plus cher ici et là, pour que la batterie vive plusieurs années de plus. Au final, c'est beaucoup plus rentable (c'est ce qu'on appelle le "Coût Total de Possession").

🚀 Pourquoi c'est important pour vous ?

Si vous avez des panneaux solaires, une voiture électrique ou une batterie de maison :

Économies réelles : En choisissant la bonne chimie de batterie (LFP) et en utilisant ce type de gestion intelligente, vous pouvez réduire votre facture d'électricité de 10 % en été.
Durée de vie : Vous pouvez réduire l'usure de votre batterie de 20 %. C'est comme si vous allongiez la vie de votre voiture de plusieurs années sans rien faire d'autre.
Adaptabilité : Que votre batterie soit neuve ou vieille, le système s'adapte. Il ne vous laissera pas tomber quand vos équipements vieilliront.

En résumé

Cette recherche nous dit qu'il ne faut plus traiter nos batteries comme de simples réservoirs d'eau. Ce sont des organes vivants qui ont besoin de soins. En utilisant un "mécanicien" numérique qui comprend la physique réelle de la batterie, on peut transformer notre maison en une machine à économiser de l'argent, tout en préservant nos équipements pour les années à venir.

C'est passer d'une logique de "Maximiser le profit immédiat" (qui tue la batterie) à une logique de "Maximiser la valeur sur le long terme" (qui garde la maison et la voiture en bonne santé).

1. Problématique

La décarbonation de l'économie nécessite une transformation des secteurs de l'énergie et des transports, souvent intégrés au niveau du logement résidentiel (électricité, mobilité, chauffage). La gestion de ces systèmes énergétiques multi-porteurs (MCES) pose des défis majeurs en raison de la dynamique non linéaire des appareils, des incertitudes (solaire, charge EV) et, surtout, de la dégradation des batteries.

Les systèmes de gestion de l'énergie (EMS) actuels souffrent de deux limitations principales :

Modèles de vieillissement empiriques : Ils sont souvent utilisés en dehors de leurs conditions d'étalonnage, sont spécifiques à une chimie de batterie, ne permettent pas d'extrapolation et ignorent les mécanismes physiques réels.
Oversimplification des interactions : Ils négligent souvent les couplages entre les porteurs électriques et thermiques, ou traitent les batteries de manière linéaire, ce qui conduit à des décisions sous-optimales, une dégradation accélérée et des coûts énergétiques plus élevés à long terme.

L'objectif de ce travail est de développer un contrôleur prédictif économique non linéaire (eMPC) qui intègre des modèles de vieillissement basés sur la physique (PBROM) pour optimiser le compromis entre le coût du réseau et la durée de vie des batteries, tout en gérant les interactions avec le stockage thermique et la mobilité électrique.

2. Méthodologie

L'approche proposée repose sur un cadre de contrôle optimal basé sur la Commande Prédictive Économique Non Linéaire (eMPC) avec une stratégie de « regard vers l'avenir » (Direct Lookahead).

Modélisation Multi-Porteurs : Le système inclut des panneaux photovoltaïques (SPV), un stockage stationnaire (BESS), un véhicule électrique (EV), une pompe à chaleur (HP), un collecteur solaire thermique, un stockage thermique (TESS) et le réseau.
Modèles de Batterie Avancés :
- Performance : Utilisation d'un modèle de circuit équivalent d'ordre 1 (ECM) pour capturer la dynamique de tension et de courant, plutôt qu'un simple comptage de Coulomb.
- Vieillissement (PBROM) : Intégration d'un modèle réduit basé sur la physique (PBROM) qui distingue explicitement deux mécanismes de dégradation :
  1. La croissance de la couche de SEI (Solid Electrolyte Interphase), dépendante du temps et du potentiel.
  2. La perte de matériau actif (AM) due aux contraintes mécaniques, dépendante du courant et de l'état de charge (SoC).
- Ce modèle permet de simuler l'évolution de la capacité ( $Q$ ) et de la résistance interne ( $R_0$ ) en fonction de l'histoire de charge/décharge.
Stratégie de Contrôle :
- L'algorithme résout un problème d'optimisation non convexe (NLP) sur un horizon glissant.
- Il utilise des ensembles terminaux flexibles : conditions périodiques pour le BESS, suivi souple pour l'EV (SoC à la sortie), et aucune condition terminale stricte pour le TESS pour permettre une flexibilité à long terme.
- Une boucle de simulation haute fidélité (utilisant LiiBRA.jl et PyBaMM) valide les décisions du contrôleur en temps réel, fournissant un retour d'état précis (SoH, SoC) pour corriger les biais du modèle de planification.

3. Contributions Clés

Intégration des PBROM dans un EMS résidentiel : C'est l'une des premières applications de modèles de vieillissement physiques complexes dans un EMS couplant électricité, chaleur et mobilité, dépassant les modèles empiriques traditionnels.
Discrimination des chimies de batteries : Le modèle distingue les effets des cathodes NMC (Nickel-Manganèse-Cobalt) et LFP (Lithium-Fer-Phosphate), permettant d'adapter la stratégie de charge à la chimie spécifique.
Gestion du vieillissement en temps réel : Le contrôleur s'adapte à l'état de santé (SoH) de la batterie. Il identifie le mécanisme de dégradation dominant (SEI vs AM) qui change au fur et à mesure que la batterie vieillit, ajustant ainsi la stratégie de dispatch.
Optimisation du compromis Coût/Dégradation : L'algorithme permet aux utilisateurs de choisir explicitement entre la minimisation des coûts de réseau (à court terme) et l'extension de la durée de vie de la batterie (à long terme).

4. Résultats Principaux

Les études de cas (été et hiver) comparent trois stratégies :

BNoDeg : Modèle sans vieillissement (optimisation purement économique).
CEmpDeg : Modèle avec vieillissement empirique.
CPBDeg : Modèle proposé avec vieillissement physique (PBROM).

Comparaison des performances :

Réduction de la dégradation : Le contrôleur CPBDeg réduit la dégradation de capacité de 10 % par rapport au contrôleur sans vieillissement (BNoDeg), tout en maintenant des coûts de réseau très compétitifs.
Efficacité par cycle : Le CPBDeg présente le taux de dégradation par cycle équivalent ( $\partial Q_{loss} / \partial FEC$ ) le plus faible, indiquant une gestion plus intelligente de l'usure.
Impact de la chimie (NMC vs LFP) :
- L'utilisation de batteries LFP avec le contrôleur CPBDeg permet de réduire les coûts de réseau de 10 % en été et la dégradation de 20 % par rapport aux batteries NMC.
- Le contrôleur exploite la meilleure tolérance des LFP aux cycles profonds et à la dégradation SEI.
Gestion des batteries vieillies (SoH 90 %) :
- Contrairement aux modèles linéaires qui voient leurs performances se dégrader avec l'âge de la batterie, le CPBDeg améliore sa performance relative.
- En été, le CPBDeg réduit le coût de réseau de 6 % supplémentaire sur des batteries vieillies par rapport aux batteries neuves, car il s'adapte à la prédominance accrue de la perte de matériau actif (AM) par rapport à la croissance SEI.

Coût computationnel :
L'ajout de la complexité physique n'entraîne qu'une augmentation modeste du temps de calcul (moyenne de 1 à 5 secondes par pas de temps), rendant la méthode viable pour des applications en temps réel.

5. Signification et Conclusion

Ce travail démontre que l'intégration de modèles de vieillissement physiques dans la gestion énergétique résidentielle permet de passer d'une stratégie de « minimisation de la facture » à une approche de Coût Total de Propriété (TCO) optimisé.

Impact économique : En réduisant la dégradation par cycle, la durée de vie des batteries peut être prolongée de plusieurs années, améliorant considérablement la valeur actuelle nette (VAN) du système énergétique résidentiel.
Recommandations pratiques : L'étude suggère que l'adoption de batteries LFP couplée à des algorithmes de gestion conscients du vieillissement offre le meilleur compromis coût/durabilité.
Perspective : Bien que l'étude se limite à des conditions de température constantes et des taux de charge modérés, elle ouvre la voie à des EMS plus intelligents capables de s'adapter dynamiquement à l'état de santé des actifs, applicable aussi bien au résidentiel qu'au secteur industriel.

En résumé, cette recherche valide la faisabilité et l'efficacité supérieure des modèles de contrôle basés sur la physique pour maximiser la valeur des systèmes énergétiques multi-porteurs sur l'ensemble de leur cycle de vie.