⚡ electrical engineering

Thermo-Relational State Inference for Lithium-Ion Battery SOC Estimation under Dynamic Thermal Excitation

Cet article propose le Thermo-Relational State Inference Network (TRSI-Net), un nouveau cadre d'apprentissage profond qui améliore significativement l'estimation de l'état de charge des batteries lithium-ion sous excitation thermique dynamique en modélisant explicitement la manière dont l'évolution thermique altère la pertinence historique des mesures terminales grâce à un recalibrage conditionné thermiquement et une attention de mémoire relationnelle.

Auteurs originaux : Yicheng Li, Hui Zeng, Jiayan Xia, Yaqing Shi, Pin Liu

Publié 2026-09-07

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yicheng Li, Hui Zeng, Jiayan Xia, Yaqing Shi, Pin Liu

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

La vie moderne repose sur l'énergie stockée. Des voitures électriques qui glissent silencieusement dans les rues des villes aux énormes parcs de batteries qui stabilisent le réseau électrique, les batteries lithium-ion sont les moteurs silencieux de notre avenir électrifié. Cependant, ces batteries ne sont pas de simples réservoirs d'énergie ; ce sont des systèmes chimiques complexes dont le comportement change en fonction de la chaleur ou du froid. Pour les utiliser de manière sûre et efficace, un système informatique à l'intérieur de l'appareil doit constamment savoir exactement quelle quantité d'énergie reste disponible. C'est ce qu'on appelle l'« état de charge ». Si le système se trompe, une voiture pourrait s'arrêter de manière inattendue, ou une batterie pourrait être endommagée par une décharge trop profonde. Le défi est que la relation entre ce que nous pouvons mesurer — comme la tension aux bornes de la batterie — et l'énergie réelle à l'intérieur n'est pas fixe. Elle se déplace et se déforme à mesure que la batterie chauffe pendant l'utilisation ou se refroidit en hiver.

Pendant des années, les ingénieurs ont tenté de construire de meilleurs moyens de suivre ce niveau d'énergie. De nombreuses approches reposent sur l'examen de l'historique de la batterie : ce qui s'est passé il y a une seconde, une minute ou une heure. Mais ces méthodes traitent souvent la température de la batterie comme un simple chiffre de fond, comme une étiquette statique sur une boîte. Elles ne réalisent pas que la température elle-même est une cible mouvante qui modifie la façon dont le comportement passé de la batterie se rapporte à son état présent. Une lecture de tension spécifique aujourd'hui peut signifier quelque chose de complètement différent qu'une même lecture de tension hier si la batterie se trouvait à une température différente. Ce décalage devient critique lorsqu'une batterie est soumise à une excitation thermique dynamique, une façon sophistiquée de dire qu'elle est chauffée et refroidie rapidement lors d'une forte charge, comme lors d'une conduite rapide ou d'une poussée de puissance soudaine.

Une équipe de chercheurs a développé une nouvelle méthode pour résoudre ce problème spécifique, créant un système qui traite l'historique thermique de la batterie comme une partie vivante et respirante du calcul. Au lieu de simplement ajouter la température actuelle à une liste d'entrées, leur nouveau système, qu'ils appellent « Thermo-Relational State Inference Network », réécrit activement la signification des mesures électriques en fonction de la façon dont la température change. Il pose deux questions pour chaque donnée : que fait la température en ce moment, et en quoi ce moment diffère-t-il des moments précédents ? En répondant à ces questions, le système peut comprendre que deux signaux électriques identiques peuvent représenter des quantités d'énergie différentes s'ils se sont produits sous des conditions thermiques différentes.

Les chercheurs ont testé cette nouvelle approche en utilisant un profil de conduite réel connu sous le nom de LA92, qui imite la nature des arrêts et départs de la conduite urbaine. Ils ont utilisé un type spécifique de cellule de batterie, la Panasonic NCR18650PF, et l'ont soumise à un environnement thermique changeant où la température de l'air ambiant variait d'environ 10 degrés Celsius à 25 degrés Celsius. Dans ce test, la température de surface de la batterie et la température de l'air ont été mesurées séparément, permettant au système de voir exactement comment la batterie réagissait au changement de chaleur. L'objectif était de voir si le nouveau système pouvait suivre le niveau d'énergie de la batterie avec plus de précision que les méthodes existantes lorsque les conditions thermiques sont en flux constant.

Les résultats ont été frappants. Le nouveau système a suivi le niveau d'énergie de la batterie avec une erreur moyenne de seulement 0,47 %. Pour mettre cela en perspective, si vous essayiez de deviner le poids d'un objet de 100 kilogrammes, ce système ne se tromperait que de moins d'un demi-kilogramme. En comparaison, la méthode existante la plus performante utilisée pour ce test commettait des erreurs plus de deux fois plus grandes, manquant la cible d'une moyenne de 1,24 %. Le nouveau système a également réduit la taille de ses plus grosses erreurs de 65 % par rapport à la meilleure approche précédente. Cela signifie que non seulement la prédiction moyenne était meilleure, mais que le système évitait aussi les sauts soudants et importants d'erreur qui peuvent survenir lorsqu'une batterie subit des changements de température rapides.

Ce qui rend cette réussite possible est un changement dans la façon dont l'ordinateur pense le temps et la chaleur. Les chercheurs ont construit un système qui ne regarde pas seulement le passé de la batterie de manière linéaire. Au lieu de cela, il crée un « champ de relation thermique », une carte mentale qui connecte chaque moment de l'histoire de la batterie à tous les autres moments en fonction de deux facteurs : le temps écoulé et la différence de température entre ces deux moments. Si la batterie était chaude il y a dix minutes et qu'elle est froide maintenant, le système comprend que les données d'il y a dix minutes sont moins pertinentes pour le moment présent que si la température était restée la même. Cela permet au système de pondérer l'importance des événements passés de manière dynamique, plutôt que de traiter toutes les données passées comme étant également utiles.

Le système comprend également un mécanisme pour ajuster les signaux électriques eux-mêmes avant qu'ils ne soient analysés. À mesure que la température change, la chimie interne de la batterie se déplace, faisant en sorte que les lectures de tension et de courant se comportent différemment. Le nouveau système utilise la température actuelle, la vitesse à laquelle la température change et la différence entre la surface de la batterie et l'air environnant pour recalibrer automatiquement ces signaux électriques. Il traduit essentiellement les chiffres bruts en un langage qui fait sens pour l'environnement thermique actuel. Cela se produit en temps réel, garantissant que le système interprète toujours les données correctement pour les conditions auxquelles il est confronté.

Pour prouver que ces caractéristiques spécifiques étaient la raison de ce succès, les chercheurs ont mené une série de tests où ils ont supprimé une partie du système à la fois. Lorsqu'ils ont supprimé la capacité de comparer les différences thermiques entre le passé et le présent, le taux d'erreur a bondi de manière significative. Lorsqu'ils ont remplacé l'ajustement complexe de la température par une méthode de mise à l'échelle unidirectionnelle plus simple, le système est devenu moins stable et a commis des erreurs plus importantes. Ces tests ont confirmé que l'amélioration ne provenait pas simplement d'un surplus de données ou d'un modèle informatique plus vaste, mais de la manière spécifique dont le système liait les changements thermiques à la pertinence historique. Le système fonctionne parce qu'il modélise explicitement le fait que la signification du signal électrique d'une batterie dépend de l'histoire thermique qui l'a précédée.

L'étude a été menée à partir de données d'un ensemble de données public collecté à l'Université du Wisconsin–Madison, garantissant que les résultats sont basés sur des mesures du monde réel plutôt que sur des simulations informatiques. Les chercheurs ont veillé à tester leur système sur un profil de conduite complètement distinct des données utilisées pour l'entraîner, prouvant que le système peut se généraliser à de nouvelles situations. Bien que l'étude ait été limitée à un type spécifique de batterie et à une plage de températures modérée, les conclusions offrent une voie claire pour l'avenir des systèmes de gestion de batterie. En reconnaissant que le passé n'est pas seulement une séquence d'événements, mais une séquence d'états thermiques changeants, cette nouvelle approche offre un moyen plus robuste et plus précis de surveiller l'énergie stockée dans nos appareils les plus critiques. Elle suggère que l'avenir de la gestion des batteries réside non pas dans l'ignorance de la chaleur, mais dans la compréhension de la façon dont cette chaleur façonne l'histoire de la vie de la batterie.

Résumé technique : Inférence d'état thermo-relationnelle pour l'estimation de l'état de charge des batteries lithium-ion sous excitation thermique dynamique

Énoncé du problème
L'estimation précise de l'état de charge (SOC) des batteries lithium-ion sous excitation thermique dynamique est complexifiée par la relation variable dans le temps entre les mesures terminales (tension, courant) et l'état de charge latent. Les approches existantes fondées sur les données traitent généralement la température ambiante comme un vecteur d'entrée statique ou un simple mécanisme de repondération de caractéristiques. Cependant, ces méthodes ne parviennent pas à modéliser explicitement comment l'évolution thermique modifie la pertinence historique par paires des observations. Sous des frontières thermiques mobiles, deux mesures ayant des caractéristiques électriques similaires peuvent correspondre à des états de batterie différents si leurs conditions thermiques diffèrent, et des observations historiques séparées par la même distance temporelle peuvent fournir des informations différentes si elles ont été enregistrées sous des états thermiques différents. Les modèles actuels basés sur l'attention reposent souvent sur une similitude temporelle ou de caractéristiques générique, laissant l'effet de l'évolution thermique sur la dépendance historique largement implicite.

Méthodologie : TRSI-Net
Les auteurs proposent le réseau d'inférence d'état thermo-relationnelle (TRSI-Net), qui formule l'estimation du SOC comme une inférence relationnelle conditionnée thermiquement. L'architecture opère sur une fenêtre historique causale de mesures électrothermiques et se compose de quatre étapes séquentielles :

Recalibrage affine conditionné thermiquement (TCAR) : Ce module adapte la représentation électrique latente de chaque pas de temps à sa condition thermique locale. Il utilise un descripteur d'état thermique compact comprenant la température ambiante ( $T_a$ ), sa variation temporelle ( $\Delta T_a$ ) et la différence entre la température de surface et la température ambiante ( $T_s - T_a$ ). Le TCAR applique un facteur d'échelle borné et un terme de translation additive aux caractéristiques électriques latentes tout en préservant les mesures originales via une projection résiduelle. Cela permet au modèle d'ajuster la sensibilité des caractéristiques et les niveaux de fonctionnement sans nécessiter de modèle électrothermique explicite.
Champ de relation thermique (TRF) : Pour modéliser la dépendance historique, le TRF définit une relation par paire entre n'importe quels deux pas de temps $i$ et $j$ dans l'historique. Cette relation est une composite de deux composantes : la séparation temporelle relative et la divergence de l'état thermique par paire (la différence entre leurs descripteurs d'état thermique). Cela garantit que des observations à la même distance temporelle reçoivent des poids relationnels différents si leurs conditions thermiques diffèrent.
Attention de mémoire thermo-relationnelle (TRMA) : Cette étape intègre le TRF dans un mécanisme d'attention par produit scalaire à tête unique (scaled dot-product attention). Le score d'attention combine la compatibilité des caractéristiques basée sur le contenu et le terme de relation par paire issu du TRF. Un masque causal garantit l'exclusion des observations futures. Le résultat est une séquence d'états de mémoire où chaque position agrège les informations de l'historique en fonction de la similitude des caractéristiques et de la comparabilité thermique.
Lecture relationnelle globale (GRR) : Au lieu de s'appuyer sur un seul état final (comme dans les RNN standards) ou sur une seconde étape d'attention basée sur une requête, la GRR effectue une agrégation par moyenne temporelle sur l'ensemble de la séquence de mémoire renforcée par la relation. Cette représentation agrégée subit une transformation de propagation résiduelle (feed-forward) pour affiner la mémoire globale avant de la projeter vers l'estimation finale du SOC via une activation sigmoïde.

Contributions clés
Le document identifie trois contributions principales :

Représentation conditionnée thermiquement : Un mécanisme (TCAR) qui ajuste continuellement les représentations électriques latentes en fonction d'un descripteur thermique compact, tenant compte du changement de signification des mesures électriques sous des frontières thermiques dynamiques sans modélisation électrothermique explicite.
Formulation thermo-relationnelle : Une approche novatrice (TRF + TRMA) qui modélise explicitement la dépendance historique comme une fonction de la séparation temporelle et de la divergence de l'état thermique, permettant à l'évolution thermique d'influencer directement la propagation de l'information temporelle.
Lecture globale légère : Une stratégie (GRR) qui agrège les informations distribuées à travers toute la fenêtre historique après la modélisation de la relation, évitant ainsi le besoin d'étapes de récupération sélectives supplémentaires tout en conservant l'information qui pourrait ne pas être concentrée à l'état terminal.

Résultats expérimentaux
Le cadre a été évalué sur le jeu de données Panasonic NCR18650PF en utilisant le profil de conduite LA92 comme trajectoire de test tenue à l'écart, avec une transition de température ambiante dynamique d'environ 10°C à 25°C.

Performance : Le TRSI-Net a atteint une erreur absolue moyenne (MAE) de 0,47 %, une erreur quadratique moyenne (RMSE) de 0,56 % et un $R^2$ de 99,94 %.
Comparaison : Par rapport à la base la plus forte (DA-GRU), le TRSI-Net a réduit la MAE de 62,1 % et la RMSE de 65,0 %. Il a également surpassé de manière significative les architectures Transformer et A-CNN-LSTM.
Étude d'ablation : La suppression du terme de divergence thermique du champ de relation a provoqué la plus grande dégradation des performances (la MAE est passée à 0,734 %), confirmant que la modélisation explicite de la divergence thermique par paire fournit des informations au-delà de la simple séparation chronologique. Le remplacement du TCAR par un simple fenêtrage multiplicatif ou le contournement de la mémoire relationnelle a également entraîné des augmentations significatives d'erreur, validant la nécessité de l'étalonnage affine et de la formation de la mémoire thermo-relationnelle.

Signification et affirmations
Les auteurs affirment que l'étude démontre qu'une modélisation explicite des relations historiques dépendantes de l'état thermique améliore le suivi du SOC sous excitation thermique dynamique. Les résultats soutiennent la prémisse selon laquelle, sous des frontières thermiques mobiles, la pertinence historique n'est pas déterminée par la seule séparation temporelle. La formulation proposée reste entièrement causale, ce qui la rend adaptée aux applications de gestion de batterie (BMS) en ligne. Les auteurs notent des limites, notamment une validation restreinte à une seule plateforme de cellule et à une plage de température spécifique, et reconnaissent la complexité quadratique du champ de relation par paire. Cependant, dans ces limites, ce travail présente une voie cohérente vers une estimation robuste du SOC en intégrant le conditionnement thermique tant dans la représentation des caractéristiques que dans la modélisation de la relation historique.

Articles similaires