Des innovations en matière d'IA pour des batteries lithium-ion plus durables

Des innovations en matière d'IA pour des batteries lithium-ion plus durables

Nous sommes ravis de présenter une avancée dans la gestion des performances des batteries lithium-ion, un élément essentiel de la transition vers une énergie durable. Notre équipe de la School of Engineering, Technology, and Design de l'Université Canterbury Christ Church, au Royaume-Uni, s'est concentrée sur l'utilisation de l'apprentissage automatique/deep learning pour améliorer l'estimation de l'état de charge (SOC) des batteries lithium-ion, en particulier celles qui sont réutilisées pour des applications de seconde vie.

Le fonctionnement efficace et sûr des batteries lithium-ion est essentiel pour réduire la dépendance aux combustibles fossiles, soutenir la prolifération des véhicules électriques et permettre aux sources d'énergie renouvelables d'alimenter les infrastructures. L'un des principaux défis dans ce domaine est l'estimation précise de l'état de charge. Une mauvaise estimation de l'état de charge peut entraîner une surcharge ou une décharge profonde, deux facteurs qui peuvent dégrader considérablement les performances et la durée de vie de la batterie.

Le défi de l'estimation du SOC

L'état de charge (SOC) sert de jauge de charge pour une batterie. Tout comme il est déconseillé de tomber en panne sèche de manière inattendue, il est essentiel d'empêcher une batterie de se décharger ou de se charger au-delà des limites de sécurité. Une estimation précise de l'état de charge est essentielle pour garantir la longévité et la sécurité des batteries, en particulier dans les véhicules électriques et les systèmes de stockage d'énergie à grande échelle.

Notre étude récente, publiée dans le Journal du stockage d'énergierelève ce défi grâce à une nouvelle approche. Nous avons développé un modèle d'apprentissage basé sur les clusters (CBLM), intégrant le clustering K-Means avec les réseaux de mémoire à long terme (LSTM). Le clustering permet de regrouper des points de données similaires, facilitant ainsi la prédiction de modèles.

En combinant le clustering avec le LSTM, qui excelle dans la gestion des séquences et des données de séries chronologiques, la précision des estimations de l'état de charge est considérablement améliorée. Une caractéristique clé de ce modèle est le mécanisme de sélection de proximité du centroïde, qui sélectionne dynamiquement le modèle de cluster le plus approprié en temps réel en fonction des données opérationnelles de la batterie.

Tests et résultats

La méthode a été testée à l'aide de données provenant d'une cellule de batterie lithium-ion Tesla modèle 32,170. Les résultats ont été remarquables, avec une erreur quadratique moyenne (RMSE) de 0,65 % et une erreur absolue moyenne (MAE) de 0,51 %. Cette méthode a surpassé les techniques existantes en réduisant les erreurs de plus de 60 %, démontrant ainsi sa robustesse et sa fiabilité pour les applications du monde réel.

Pour comprendre les implications pratiques, un examen plus approfondi de l'impact d'une meilleure estimation de l'état de charge sur la santé et les performances économiques de la batterie a été mené. Le modèle CBLM a été comparé au modèle LSTM standard à l'aide d'un modèle de dégradation de batterie de véhicule électrique de seconde vie dans une application d'arbitrage énergétique.

La méthode d'estimation améliorée de l'état de charge a démontré des améliorations significatives dans le maintien de l'état de santé de la batterie sur des périodes prolongées et dans diverses conditions de température, en particulier dans les scénarios de charge et de décharge à profondeur élevée. Sur le plan économique, cette méthode a augmenté la rentabilité sur une période de sept ans, en particulier dans les scénarios à profondeur de décharge élevée, ce qui a permis de réaliser des économies de coûts substantielles.

Une estimation précise de l'état de charge garantit la fiabilité et la sécurité des batteries des véhicules électriques, améliore l'efficacité des systèmes de stockage d'énergie et facilite la réutilisation efficace des batteries en fin de vie, prolongeant ainsi leur cycle de vie et réduisant les déchets. L'adaptabilité de cette approche permet son application à divers environnements opérationnels, ce qui en fait un outil polyvalent dans la recherche de solutions énergétiques durables.

Cette avancée marque une étape importante vers un avenir énergétique durable. Une collaboration avec des partenaires industriels est recherchée pour faire passer cette innovation du laboratoire aux applications pratiques. En conclusion, l'amélioration de l'estimation de l'état de charge contribue à rendre les batteries plus intelligentes, plus fiables et plus sûres, progressant ainsi vers un monde alimenté par une énergie propre.

Cet article fait partie de Science X Dialog, où les chercheurs peuvent présenter les résultats de leurs articles de recherche publiés. Visitez cette page pour obtenir des informations sur Science X Dialog et sur la manière de participer.