Résumé technique : Extraction de caractéristiques de santé à partir de données de pannes sur le terrain de systèmes de stockage d'énergie par batterie

Énoncé du problème

La surveillance de l'état de santé des modules de batteries lithium-ion dans les systèmes de stockage d'énergie par batterie (BESS) connectés au réseau est cruciale pour prévenir les défaillances catastrophiques. Cependant, l'évaluation de la santé des cellules sur le terrain présente des défis importants, distincts des environnements de laboratoire contrôlés :

1. Conditions de fonctionnement variables : Les systèmes réels subissent des fluctuations de taux de décharge (C-rates), de fenêtres de tension et de températures. Ces variations confondent directement les caractéristiques de santé, rendant difficile la distinction entre les changements causés par la dégradation et ceux causés par la dynamique opérationnelle.
2. Capteurs clairsemés : Les modules commerciaux manquent généralement de capteurs pour chaque cellule individuelle. La tension et le courant sont mesurés au niveau du groupe parallèle, et les capteurs de température sont clairsemés. Cela empêche l'observation directe de l'état des cellules individuelles, occultant les signatures de pannes subtiles.
3. Mécanismes de panne inconnus : Contrairement aux études en laboratoire où des conditions d'abus sont induites, les pannes sur le terrain ont des causes profondes inconnues, ce qui complique l'identification d'indicateurs de pannes spécifiques.
4. Rareté des données : Les données de panne sont rares, et les ensembles de données publics existants manquent souvent de configurations de cellules connectées en parallèle ou reposent exclusivement sur la résistance interne comme indicateur de santé.

Méthodologie

Les auteurs présentent un cadre pour extraire et calibrer les caractéristiques de santé à partir de données opérationnelles afin d'identifier les caractéristiques discriminantes pour les groupes de cellules en parallèle défectueux. La méthodologie se compose de trois étapes :

1. Traitement des données et extraction de caractéristiques

En utilisant des données opérationnelles à 1 Hz de 25 modules BESS commerciaux (chacun contenant 14 groupes parallèles connectés en série), les auteurs ont extrait trois catégories de caractéristiques de santé pour chaque groupe parallèle :

• Capacité ($\hat{C}$) : Estimée lors des événements de décharge à puissance constante par comptage de Coulombs. Les limites de l'état de charge (SOC) ont été déterminées en cartographiant les tensions de terminaison en régime relaxé à une courbe de tension en circuit ouvert (OCV) de cellule neuve.
• Résistance interne ($\hat{R}$) : Estimée à partir du comportement de relaxation de la tension après les événements de charge. La résistance a été calculée à différents intervalles de temps ($\tau \in \{1\text{ s}, 5, 10, 15, 20, 25 \text{ min}\}$) pour capturer les résistances ohmique, de transfert de charge et de diffusion.
• Caractéristiques d'analyse de la tension différentielle (DVA) : Extraites des courbes $dV/dQ$ lors de la décharge. Les caractéristiques comprenaient la hauteur et l'emplacement en tension des pics de haute tension (3,7–3,9 V) et de basse tension (3,45–3,65 V). Des algorithmes spécifiques (identification informée par l'OCP et filtrage de Savitzky-Golay) ont été utilisés pour atténuer le bruit des capteurs.

2. Régression par processus gaussien (GP) pour la calibration

Pour découpler les effets des conditions de fonctionnement variables de la tendance de dégradation sous-jacente, les auteurs ont employé un cadre de régression par processus gaussien.

• Structure du modèle : Chaque caractéristique de santé $y$ est modélisée comme la somme de deux processus gaussiens indépendants : $f_{op}(x)$, capturant la sensibilité aux conditions de fonctionnement (ex. : taux C, tension, courant), et $f_{deg}(t)$, capturant la trajectoire de dégradation dépendante du temps.
• Calibration : En isolant la composante $f_{deg}(t)$, la méthode produit des caractéristiques « calibrées » qui représentent la véritable tendance de vieillissement, indépendamment des conditions de fonctionnement spécifiques au moment de la mesure.
• Normalisation : Pour permettre la comparaison entre modules, les caractéristiques calibrées ont été normalisées par rapport à la moyenne et à l'écart type des 13 autres groupes au sein du même module.

3. Évaluation statistique

Les auteurs ont évalué la capacité de ces caractéristiques calibrées à distinguer le groupe unique confirmé défectueux des 13 groupes non défectueux dans chacun des 25 modules.

• Tests statistiques : Des tests de Mann–Whitney U ont été utilisés pour déterminer si les distributions des groupes défectueux et non défectueux différaient de manière significative ($p < 0,05$).
• Utilité discriminante : L'aire sous la courbe ROC (AUC) a été calculée pour quantifier la capacité de détection pratique de chaque caractéristique.

Résultats clés

L'étude a utilisé un ensemble de données comprenant 25 groupes de cellules défectueux et 325 groupes non défectueux, avec plus de 183 millions de lignes de données collectées sur une période de 1 à 6 mois avant la confirmation de la panne.

• Séparation significative :

  • Capacité : Tant les valeurs médianes de capacité que le taux de dégradation de la capacité (pente) ont montré des différences statistiquement significatives entre les groupes défectueux et non défectueux ($p < 0,05$). Les groupes défectueux présentaient une capacité plus faible et une dégradation accélérée dès 15 à 30 jours avant la panne.
  • Hauteurs de pics DVA : Les hauteurs des pics $dV/dQ$ de haute et basse tension étaient significativement plus faibles pour les groupes défectueux ($p < 0,05$).
  • Note : Les emplacements des pics DVA et les pentes de capacité à certains intervalles de temps n'ont pas toujours montré de significativité, mais les métriques primaires (capacité et hauteurs de pics) l'ont fait.

• Absence de séparation :

  • Résistance interne : Ni la résistance ohmique ($\tau=1\text{ s}$) ni les résistances de transfert de charge/diffusion ($\tau > 1\text{ s}$) n'ont montré de différences statistiquement significatives entre les groupes défectueux et non défectueux ($p > 0,05$).

• Performance de détection :

  • Malgré la significativité statistique, le pouvoir discriminant (AUC) de toutes les caractéristiques est modeste. La meilleure caractéristique, le taux de dégradation de la capacité, a atteint un AUC de 0,671. Les hauteurs de pics DVA et les valeurs médianes de capacité se situaient entre 0,614 et 0,64.
  • Les caractéristiques de résistance ont performé proche d'un choix aléatoire (AUC < 0,60).
  • Les auteurs attribuent cela à un chevauchement substantiel des distributions entre les populations défectueuses et non défectueuses, probablement dû à des mécanismes de panne hétérogènes et à l'effet de masquage des connexions en parallèle.

Mécanismes de défaillance hypothétiques

Sur la base des signatures de caractéristiques observées, les auteurs supposent que les pannes dans cet ensemble de données sont cohérentes avec :

• Déséquilibres et inhomogénéités cellule à cellule : Indiqués par la réduction des hauteurs de pics $dV/dQ$, ce qui suggère des transitions de phase plus larges et une distribution inégale du courant.
• Platage de lithium local : Indiqué par une capacité plus faible et un taux de dégradation accéléré, ce qui est cohérent avec une perte irréversible de l'inventaire de lithium (LLI).

L'absence de déviation de la résistance suggère que les pannes n'étaient pas principalement caractérisées par des augmentations de résistance significatives (ex. : corrosion de connecteur ou courts-circuits internes), ou que l'architecture parallèle a masqué l'augmentation de résistance d'une cellule défaillante.

Signification et revendications

L'article affirme les contributions et la signification suivantes :

1. Cadre pour les données de terrain : Il démontre un cadre robuste pour extraire et calibrer les caractéristiques de santé à partir de données opérationnelles de BESS réels, en réussissant à découpler les tendances de dégradation des variables de fonctionnement grâce aux processus gaussiens.
2. Remise en question de la détection centrée sur la résistance : Les résultats remettent en question le recours exclusif à la résistance interne pour la détection de pannes. L'étude montre que, dans ce jeu de données spécifique, la résistance n'était pas un indicateur primaire de panne, alors que la capacité et les caractéristiques DVA l'étaient.
3. Compréhension de la dynamique des pannes en parallèle : En analysant les groupes connectés en parallèle, ce travail comble une lacune dans la littérature existante (qui se concentre souvent sur les cellules uniquement en série) et met en évidence l'« effet de masquage » où les connexions en parallèle peuvent cacher la dégradation d'une cellule individuelle dans les mesures de résistance au niveau du groupe.
4. Attentes réalistes : Les auteurs concluent modestement que, bien que des différences statistiquement significatives existent, le chevauchement substantiel des distributions de caractéristiques souligne la difficulté intrinsèque d'utiliser des caractéristiques électrochimiques individuelles pour une détection de panne robuste sur le terrain sans induire de taux élevés de faux positifs. Le travail fait progresser la compréhension du comportement des pannes mais ne prétend pas avoir résolu entièrement le problème de la détection.