A Repeated Measurements Approach to $SoH$ Battery Modelling of Cyclic Aged Data in a Laboratory Environment

Les batteries sont les moteurs silencieux du monde moderne, alimentant tout, des téléphones dans nos poches aux voitures sur nos routes. Pourtant, comme tous les êtres vivants, elles vieillissent. Avec le temps, les réactions chimiques à l'intérieur d'une cellule de batterie se dégradent, ce qui fait qu'elle contient moins d'énergie qu'à l'état neuf. Les scientifiques appellent cela l'« état de santé », une mesure de la vie qu'il reste à une batterie avant qu'elle ne tombe en panne. Comprendre exactement comment et pourquoi cela se produit est crucial pour construire des systèmes de stockage d'énergie meilleurs, plus sûrs et plus durables. Dans un cadre de laboratoire, les chercheurs peuvent observer ce processus se dérouler en soumettant les cellules de batterie à des cycles répétés de charge et de décharge, un peu comme un cœur qui bat. Cependant, observer une seule batterie vieillir ne suffit pas ; pour comprendre la véritable nature de la vie d'une batterie, les scientifiques doivent observer de nombreuses batteries à la fois, en suivant comment elles changent au fil du temps et comment elles diffèrent les unes des autres. Le défi réside dans les données elles-mêmes : il ne s'agit pas d'une simple collection de points aléatoires, mais d'une série d'histoires connectées, où chaque batterie possède son propre chemin de déclin, influencé à la fois par les conditions du test et par ses propres particularités internes.

Dans une étude récente, des chercheurs de l'Université de Loughborough et de l'Université Oxford Brookes ont abordé cette complexité en développant une nouvelle façon de modéliser le vieillissement des batteries. Ils ont travaillé avec dix cellules de batterie spécifiques, toutes composées d'une cathode de nickel-cobalt-aluminium et d'une anode de graphite-silicium, qui sont courantes dans les applications de haute performance. Ces cellules ont été placées dans un environnement contrôlé à une température constante de 25 degrés Celsius et soumises à un protocole de test rigoureux. Chaque cellule a été déchargée à un taux constant, mais le courant de charge variait, certaines cellules étant chargées à 1 ampère et d'autres à des taux plus élevés allant jusqu'à 5 ampères. Tous les cinquante cycles, les chercheurs marquaient une pause pour mesurer la capacité de la cellule, calculant précisément quelle quantité d'énergie elle avait perdue par rapport à son état initial. Ce processus s'est poursuivi jusqu'à la défaillance des cellules, générant un ensemble riche de données qui montrait non seulement quelle capacité était perdue, mais aussi comment le taux de perte changeait au fil du temps pour chaque cellule individuelle.

Les chercheurs ont découvert que le vieillissement de ces batteries suivait un schéma prévisible qui pouvait être décrit par une relation mathématique simple connue sous le nom de loi de puissance. Cela signifie que la perte de capacité ne se produit pas de manière linéaire ; au contraire, elle s'accélère ou décélère d'une manière spécifique selon la façon dont la batterie est utilisée. Cependant, un modèle simple qui examine chaque batterie de manière isolée manque une pièce essentielle du puzzle. Il ne parvient pas à rendre compte du fait que, bien que chaque batterie soit unique, elles partagent toutes une histoire commune et sont soumises aux mêmes lois physiques. L'équipe a réalisé que les données contenaient deux types distincts de variations. Le premier était le petit bruit aléatoire qui se produit lors de chaque mesure, comme un léger tremblement sur une règle. Le second était la différence réelle entre les cellules, où une batterie pourrait vieillir légèrement plus vite ou plus lentement qu'une autre même dans des conditions identiques. Pour capturer cela, ils ont construit un modèle hiérarchique, une structure qui traite les données comme un ensemble d'histoires imbriquées : l'histoire individuelle de chaque cellule nichée dans l'histoire plus large de l'ensemble du groupe.

Pour donner un sens à cette structure complexe, les chercheurs ont employé une approche statistique sophistiquée qui permettait de séparer le bruit du signal. Ils ont utilisé une méthode qui consiste essentiellement à lisser les erreurs aléatoires tout en préservant les véritables différences entre les cellules. Cette technique, qui implique un processus appelé régularisation, aide à empêcher le modèle de surréagir aux fluctuations mineures des données, garantissant que l'image finale soit claire et fiable. Ils ont également développé un moyen de repérer et de supprimer automatiquement les points de données qui étaient manifestement erronés ou des valeurs aberrantes, comme une mesure qui bondissait soudainement loin du chemin attendu, ce qui pourrait fausser les résultats. Ce faisant, ils se sont assurés que leur modèle soit construit sur la représentation la plus précise possible de la réalité.

Les résultats de cette approche furent d'une précision frappante. Le modèle a été capable de prédire l'état de santé des batteries avec une précision de 0,191 pour cent pour les données d'entraînement spécifiques présentées. Ce niveau de précision est significatif car il démontre la capacité du modèle à s'ajuster efficacement aux données de laboratoire observées. De plus, le modèle a fourni un moyen de calculer des intervalles de confiance, qui sont des plages indiquant le degré de certitude de la prédiction. Par exemple, les chercheurs pouvaient affirmer avec une grande confiance qu'une batterie restante de capacité tomberait dans une bande très étroite, offrant ainsi aux ingénieurs un outil fiable pour la planification. L'étude a également révélé que les différences entre les cellules étaient assez faibles, suggérant que lorsque ces batteries sont fabriquées dans des conditions contrôlées, elles sont remarquablement cohérentes. Cependant, le modèle a également mis en évidence que le taux de vieillissement est fortement influencé par le courant de charge, des courants plus élevés entraînant des schémas de dégradation différents.

Ce travail représente une étape importante dans notre compréhension du vieillissement des batteries. En traitant les données comme une collection de mesures répétées plutôt que comme des points isolés, les chercheurs ont créé un modèle qui reflète la véritable structure du processus de vieillissement. Il reconnaît que, bien que chaque batterie ait sa propre personnalité, elles suivent toutes les mêmes règles fondamentales. Le modèle est un outil pratique pour analyser les données de laboratoire contrôlées, mais les chercheurs notent que l'application à des scénarios du monde réel nécessite des modifications. Dans les applications réelles, telles que les véhicules électriques, la contrainte de vieillissement appliquée au pack de batteries varie selon les conditions environnementales, les pratiques de charge et l'utilisation des clients. Par conséquent, la structure du modèle doit être adaptée pour gérer ces variables dépendantes du temps. Bien que l'étude ait été menée dans un laboratoire contrôlé avec des conditions constantes, les chercheurs suggèrent que des extensions aux protocoles de covariables dépendantes du temps pourraient répondre au problème de l'analyse en service dans le monde réel. La capacité de prédire avec précision quand une batterie va tomber en panne est une capacité puissante, qui pourrait mener à des systèmes énergétiques plus sûrs, plus efficaces et plus durables pour l'avenir. L'étude confirme qu'avec les bons outils mathématiques, le voyage complexe et souvent imprévisible de la vie d'une batterie peut être cartographié avec une clarté remarquable, à condition que le modèle soit appropriément ajusté pour les conditions spécifiques de son utilisation.