Des chercheurs forment l’IA pour prédire la dégradation des batteries de véhicules électriques


  • FrançaisFrançais



  • Les batteries lithium-ion sont devenues un élément clé de l’essor de la mobilité électrique, mais prévoir leur état de santé et leur durée de vie limite la technologie.

    Bien qu’elles aient fait leurs preuves, la capacité des batteries lithium-ion se dégrade avec le temps, et pas seulement à cause du processus de vieillissement qui se produit lors de la charge et de la décharge – connu sous le nom de “vieillissement cyclique”.

    Les piles se dégradent également lorsqu’elles ne sont pas utilisées

    Les cellules de la batterie lithium-ion subissent également une dégradation due à ce que l’on appelle le «vieillissement calendaire», qui se produit pendant le stockage ou simplement lorsque la batterie n’est pas utilisée. Elle est déterminée par trois facteurs principaux : l’état de charge au repos (SOC), la température de repos et la durée du temps de repos d’une batterie.

    Salut, nerd EV!

    Abonnez-vous maintenant pour un récapitulatif hebdomadaire de nos histoires de mobilité préférées

    Étant donné qu’un véhicule électrique passera la majeure partie de sa vie en stationnement, il est crucial de prévoir la dégradation de la capacité des cellules due au vieillissement calendaire ; cela peut prolonger la durée de vie de la batterie et ouvrir la voie à des mécanismes qui pourraient même contourner le phénomène.

    Pour cette raison, les chercheurs ont utilisé des algorithmes avancés d’apprentissage automatique pour prédire avec précision le vieillissement calendaire.

    Faire le pont entre la recherche et le marché des véhicules électriques

    Dans un récent étude financé par l’UE Programme Horizon 2020une équipe de scientifiques a poussé la recherche un peu plus loin en comparant la précision de deux algorithmes sur le large spectre des chimies commerciales des batteries lithium-ion.

    Plus précisément, ils ont tiré des données de vieillissement calendaire de six types de chimies de cellules de batterie : oxyde de lithium-cobalt (LCO), phosphate de fer-lithium (LIP), oxyde de lithium-manganèse (LMO), oxyde de lithium-titane (LTO), oxyde de nickel-cobalt et d’aluminium (NCA). , et l’oxyde de nickel-manganèse-cobalt (NMC).

    Ces cellules de batterie ont été vieillies calendairement dans des chambres de température à 50, 60 et 70 degrés Celsius, en utilisant des tensions élevées, moyennes et basses.

    Pour prédire le vieillissement, l’équipe a étudié l’efficacité de deux algorithmes d’apprentissage automatique : Extreme Gradient Boosting (XGBoost) et un réseau de neurones artificiels (ANN).

    Comment fonctionnent les algorithmes ?

    Les deux algorithmes ont été choisis pour leur capacité à produire des résultats fiables, mais ils diffèrent considérablement dans leur fonctionnement.

    XGBoost est un algorithme d’apprentissage automatique supervisé de pointe basé sur un arbre de décision, largement utilisé dans les problèmes de régression ou de classification.

    La ANN est un système adaptatif artificiel qui utilise ses éléments de base, appelés neurones et connexions, pour transformer ses entrées globales en une sortie prédite.

    Pour évaluer leurs performances, les chercheurs ont utilisé la métrique de pourcentage d’erreur absolue moyenne (MAPE), qui mesure l’ampleur moyenne des erreurs entre les valeurs prédites et mesurées. En termes simples, plus la valeur MAPE est petite, plus la précision de la prédiction est élevée.

    Qu’ont montré les résultats ?

    Les tests des algorithmes ont montré que XGBoost peut être utilisé pour prédire efficacement le vieillissement calendaire de la plupart des produits chimiques avec une erreur absolue moyenne significativement minimale. Pendant ce temps, ANN produit des résultats satisfaisants uniquement pour les chimies cellulaires LFP, LTO et NCA.

    Vous pouvez vérifier leur exactitude dans le graphique ci-dessous :

    Apprentissage automatique Dégradation de la batterie EV