⚡ electrical engineering

Design of Cooperative Converter with Optimized Deep Learning based Control Mechanism of Battery Cell Balancing for Automotive Applications

Ce document propose un convertisseur de pont à double pont actif coopératif (CO-DAB) modulaire à haute densité de puissance, piloté par un réseau de l'équilibre profond (DBNet) qui intègre l'élévation de tension et l'équilibrage de cellule actif pour les applications automobiles, atteignant une efficacité de crête de 96,4 % tout en ne traitant qu'une fraction de la puissance de sortie totale.

Auteurs originaux : Hemalatha.M, Sampoornam K P

Publié 2026-07-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hemalatha.M, Sampoornam K P

Article original sous licence CC BY 4.0 (https://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

Imaginez que vous avez une équipe de quatre coureurs (les cellules de la batterie) chargés de porter une charge lourde (alimenter une voiture). Dans un monde parfait, ils courraient tous exactement à la même vitesse et s'épuiseraient en même temps. Mais en réalité, un coureur peut être légèrement plus rapide, un autre légèrement plus lent, et l'un peut se fatiguer avant les autres.

Si vous forcez toute l'équipe à courir à la vitesse du coureur le plus lent, les plus rapides sont gaspillés. Si vous laissez les plus rapides courir trop intensément, ils s'effondreront prématurément, ruinant toute la course. C'est le problème des batteries de véhicules électriques : le déséquilibre des cellules.

Ce document présente un nouveau « coach » et un nouveau « système de relais » pour résoudre ce problème, rendant les voitures électriques plus efficaces et leurs batteries plus durables. Voici comment cela fonctionne, décomposé en concepts simples :

1. Le « Coach Intelligent » (Contrôle par Apprentissage Profond)

Traditionnellement, les gestionnaires de batteries sont comme des coachs stricts qui suivent un règlement rigide. Ils pourraient ne pas remarquer les changements subtils dans la respiration d'un coureur avant qu'il ne soit trop tard.

Les auteurs proposent un Réseau d'Apprentissage Profond (DBNet). Considérez cela comme un coach super intelligent qui a regardé des milliers d'heures de séquences de courses.

Ce qu'il fait : Il surveille constamment les coureurs (mesurant la tension, la température et les niveaux de charge).
Comment il réfléchit : Au lieu de simplement suivre une règle, il apprend des données passées. Il peut prédire : « Oh, le Coureur 3 se fatigue plus vite que d'habitude aujourd'hui, je dois donc ajuster le plan avant qu'il ne trébuche. »
Le Résultat : Il prend des décisions à la fraction de seconde pour maintenir l'équilibre de chacun, empêchant toute cellule de se retrouver surmenée ou sous-utilisée.

2. Le « Bus d'Aide » (Convertisseur Coopératif)

Habituellement, pour corriger un déséquilibre, il faut déplacer l'énergie d'une batterie « pleine » vers une batterie « vide ». Les méthodes traditionnelles sont comme utiliser un énorme camion lourd pour déplacer quelques briques. C'est inefficace et cela prend beaucoup de place.

Ce document introduit un convertisseur à Pont Actif Double Coopératif (CO-DAB).

L'Analogie : Imaginez que le pack de batteries est un groupe de personnes tenant une table lourde. Le « Bus d'Aide » est un petit chariot élévateur agile qui ne soulève que la différence de poids.
Comment il fonctionne : La batterie principale effectue la majeure partie du travail lourd. Le convertisseur n'intervient que pour gérer le petit écart entre ce que la batterie a et ce dont la voiture a besoin.
Le Bénéfice : Comme le convertisseur n'a pas besoin de déplacer toute la puissance, il peut être beaucoup plus petit, plus léger et plus efficace. C'est comme utiliser un coursier à vélo plutôt qu'un semi-remorque pour livrer une seule lettre.

3. Le « Contrôleur de Trafic » (Modes d'Équilibrage)

Le système fonctionne selon trois « modes de trafic » différents selon ce que fait la voiture :

Conduite (Motorisation) : La voiture roule. Le système équilibre les cellules tout en envoyant de la puissance aux roues.
Freinage (Régénération) : La voiture ralentit et renvoie de l'énergie vers la batterie. Le système équilibre les cellules tout en captant cette énergie.
Stationnement (Arrêt Complet) : Même lorsque la voiture est éteinte, le système maintient l'équilibre des cellules pour qu'elles ne s'écartent pas pendant qu'elles sont au garage.

4. Le « Thermostat » (Gestion de la Température)

Les batteries chauffent lorsqu'elles travaillent dur, tout comme un coureur chauffe lorsqu'il sprinte. Si elles deviennent trop chaudes, elles peuvent être endommagées ou même prendre feu.

Le document inclut un modèle qui agit comme un thermostat intelligent. Il prédit la quantité de chaleur que les cellules vont générer en fonction de l'intensité de leur travail et de la température extérieure.
Cela permet au « Coach Intelligent » de ralentir les coureurs (réduire le courant) avant qu'ils ne surchauffent, maintenant ainsi la sécurité du système.

Les Résultats : Une Voiture Plus Rapide, Plus Légère et Plus Durable

Les auteurs ont construit une version à petite échelle de ce système (en utilisant quatre cellules de batterie) et l'ont testée dans une simulation informatique. Voici ce qu'ils ont trouvé :

Efficacité : Le système était incroyablement efficace, atteignant une efficacité de 96,4 %. Cela signifie que presque toute l'énergie injectée a été utilisée, avec très peu de perte sous forme de chaleur.
Vitesse : Il pouvait équilibrer les cellules de la batterie très rapidement (en environ 68 secondes lors de leur test), ramenant toutes les cellules à un état sain et égal.
Taille : Comme le « Bus d'Aide » (convertisseur) ne gère qu'une petite partie du travail, l'ensemble du système peut être physiquement plus petit et plus léger que les conceptions traditionnelles.

En Résumé

Ce document propose une nouvelle façon de gérer les batteries de voitures électriques en combinant un coach IA super intelligent avec une machine d'aide légère et spécialisée. Au lieu de forcer toute la batterie à effectuer le gros du travail, ce système laisse la batterie faire le travail principal et utilise un outil minuscule et efficace pour corriger les petits déséquilibres. Le résultat est un système de batterie plus sûr, plus durable et rend la voiture électrique plus efficace.

Résumé Technique : Conception d'un convertisseur coopératif avec un mécanisme de contrôle optimisé basé sur l'apprentissage profond pour l'équilibrage des cellules de batterie

Énoncé du problème
L'article traite des défis critiques des systèmes de gestion de batterie (BMS) pour les véhicules électriques (VE), plus précisément le problème du déséquilibre des cellules au sein des packs de batteries lithium-ion. En raison des écarts de fabrication, du vieillissement et des disparités de stress opérationnel, les cellules individuelles développent souvent des écarts d'état de charge (SOC), de tension et de résistance interne. Ces déséquilibres entraînent une réduction de la capacité effective du pack, une accélération de la dégradation de la capacité et des risques potentiels pour la sécurité tels que l'emballement thermique. Les méthodes d'équilibrage traditionnelles sont classées en approches passives et actives. L'équilibrage passif, qui dissipe l'énergie excédentaire sous forme de chaleur via des résistances, est inefficace sur le plan énergétique et inadapté aux packs de haute performance. L'équilibrage actif, utilisant l'électronique de puissance pour transférer l'énergie entre les cellules, offre une meilleure efficacité mais nécessite souvent un matériel complexe et volumineux ainsi que des boucles de commande distinctes pour la régulation de la tension et l'équilibrage des cellules, ce qui augmente le coût et la complexité du système. De plus, l'estimation traditionnelle de l'état de charge (SOC) et de l'état de santé (SOH) basée sur des modèles peine à gérer la nature non linéaire et variable dans le temps de la chimie des batteries sous des conditions environnementales dynamiques.

Méthodologie
Les auteurs proposent une nouvelle architecture de système intégrant un convertisseur à haute densité de puissance Co-operative Dual Active Bridge (CO-DAB) avec un contrôleur Deep Balancing Network (DBNet).

Topologie du convertisseur coopératif (CO-DAB) :
- Le système utilise une topologie de convertisseur multi-entrées, mono-sortie où plusieurs modules Dual Active Bridge (DAB) sont connectés à des cellules de batterie individuelles.
- Principe de partage de puissance : Contrairement aux convertisseurs élévateurs de tension conventionnels qui traitent la totalité de la puissance de sortie, le CO-DAB ne traite qu'une fraction de la puissance totale. Cette « puissance coopérative » est proportionnelle à la différence de tension entre la tension de sortie souhaitée ( $V_{out}$ ) et la tension réelle du pack de batteries ( $V_{battery}$ ).
- Mécanisme d'efficacité : En ne gérant que la différence de tension, le convertisseur fonctionne sous une contrainte de puissance réduite, permettant l'utilisation d'un dispositif physiquement plus petit et plus efficace. Le système suppose que le pack de batteries fournit la majeure partie de la puissance sans perte, tandis que le convertisseur compense la différence.
- Matériel : La conception utilise une topologie DAB isolée par transformateur multi-phases fonctionnant à 120 kHz. Elle utilise la commutation à tension nulle (ZVS) et/ou la commutation à courant nul (ZCS) pour minimiser les pertes de commutation. L'architecture exploite l'inductance de fuite du transformateur, éliminant potentiellement les inductances discrètes pour réduire le volume et le poids.
Mécanisme de contrôle (DBNet) :
- Un contrôleur unique, le Deep Balancing Network (DBNet), gère simultanément l'élévation de tension et l'équilibrage des cellules, remplaçant ainsi le besoin de contrôleurs distincts.
- Architecture d'apprentissage profond : Le DBNet utilise une structure de réseau de neurones à fonctions de base radiale (RBF). Il traite des entrées en temps réel (tension de cellule, courant, température) et des données historiques pour prendre des décisions d'équilibrage dynamiques.
- Stratégie d'entraînement : Le réseau subit un processus d'entraînement en deux étapes : d'abord l'optimisation des paramètres des couches cachées via la rétropropagation parallèle et l'approximation stochastique, puis le regroupement (clustering) pour déterminer les centres des récepteurs et les paramètres de dispersion.
- Logique d'équilibrage : Le système surveille les différences de SOC entre les cellules. Lorsque la différence dépasse un seuil (0,55 %), le DBNet déclenche des impulsions de commutation spécifiques pour transférer l'énergie des cellules à SOC élevé vers les cellules à SOC faible. Il prend en charge l'équilibrage actif pendant les modes de traction, de freinage régénératif et de charge, ainsi que l'équilibrage passif lors de l'arrêt.
Estimation de l'état :
- Le système utilise un filtre de Kalman combiné au comptage de Coulomb pour estimer le SOC, répondant ainsi à la difficulté de la mesure directe. Cette approche prend en compte le bruit et les changements dynamiques du comportement de la batterie.

Principales contributions

Topologie intégrée : L'article introduit une topologie CO-DAB unifiée qui combine l'élévation de tension et l'équilibrage actif des cellules en une seule étape de conversion, réduisant la redondance matérielle.
Traitement de puissance optimisé : En traitant uniquement le différentiel de tension plutôt que la pleine puissance de la charge, le système permet l'utilisation de composants plus petits, moins coûteux et dotés d'une meilleure gestion thermique et d'une fiabilité accrue.
Contrôle par apprentissage profond : L'implémentation du DBNet permet des stratégies d'équilibrage adaptatives et basées sur les données qui surpassent les algorithmes statiques en apprenant des données opérationnelles historiques et en temps réel.
Contrôle unifié : L'utilisation d'un contrôleur unique pour la régulation de la tension et l'équilibrage des cellules simplifie l'architecture de contrôle et améliore la synchronisation.

Résultats
Le système proposé a été validé par des simulations MATLAB/Simulink et des expériences en laboratoire utilisant un banc d'essai avec quatre cellules au plomb connectées en série (6,2 V, 12 Ah chacune) pour simuler un système de 24-48 V, 250 W.

Efficacité : Le convertisseur CO-DAB a atteint une efficacité de pointe de 96,4 %. Le système a démontré que le convertisseur n'avait besoin d'extraire qu'environ 64 % de la puissance de sortie pour maintenir la régulation et l'équilibrage, confirmant l'hypothèse de partage de puissance.
Performance : Le système a réussi à maintenir une tension de sortie stable de 48 V tout en gérant l'équilibrage des cellules à travers différents modes de fonctionnement (traction, freinage régénératif, charge et arrêt).
Vitesse d'équilibrage : Dans un scénario de simulation spécifique où des paires de cellules présentaient des différences de SOC (54,5 % contre 79,5 %), le contrôleur DBNet a équilibré l'ensemble du pack à un SOC de 83,5 % en 68 secondes.
Gestion thermique : La surveillance de la température a montré que les cellules se stabilisaient entre 26 °C et 34 °C, le système atteignant un état d'équilibre thermique où la génération de chaleur équilibre la dissipation.
Qualité des formes d'onde : La tension de sortie est restée lisse et régulée, et les courants du côté primaire ont montré un partage de puissance égal entre les phases, indiquant une distribution de charge efficace et une réduction des contraintes de courant.

Signification
L'article affirme que cette approche intégrée représente une avancée significative pour les applications d'électromobilité en abordant simultanément les doubles défis de la régulation de tension et de l'équilibrage des cellules. En réduissant la charge de traitement de puissance sur le convertisseur, le système permet l'utilisation de composants plus petits, plus rentables, avec une gestion thermique et une fiabilité améliorées. L'utilisation de l'apprentissage profond pour le contrôle permet un équilibrage proactif qui atténue la dégradation avant qu'elle n'impacte les performances, prolongeant ainsi la durée de vie de la batterie et l'autonomie du véhicule. L'étude conclut que l'architecture CO-DAB-DBNet offre une solution plus efficace, compacte et fiable pour la gestion de l'énergie des VE par rapport aux systèmes traditionnels d'équilibrage passif ou multi-étages.