La technique d’apprentissage automatique améliore l’analyse et la prédiction de la durée de vie de la batterie lithium-ion

Une technique d’apprentissage automatique pour améliorer l’analyse et la prédiction de la durée de vie des batteries lithium-ion a été développée par des chercheurs en Écosse. Gonçalo dos Reis et ses collègues de l’Université d’Édimbourg et de l’Université Heriot-Watt, Édimbourg, Royaume-Uni, rapportent le développement et l’application de leur procédure dans un article de la revue en libre accès Énergie et IA. La capacité de prédire le cours du déclin d’une batterie au début de son cycle de vie pourrait améliorer la gestion, les tests et la conception de la batterie.

Les batteries au lithium-ion sont les sources d’alimentation les plus courantes pour une variété d’appareils électroniques personnels, y compris les téléphones portables et les ordinateurs portables. Leur capacité électrique se dégrade dans le temps, mais pas de manière linéaire. Au lieu de cela, après une longue période de déclin lent et presque linéaire, la capacité a tendance à commencer à chuter dans une détérioration croissante et non linéaire. Lorsqu’il est tracé sous forme de graphique de la capacité par rapport aux cycles d’utilisation, le virage le plus évident de la courbe de déclin est appelé le coude.

L’équipe d’Edimbourg a défini une procédure pour prédire la courbe de dégradation et le coude à un stade précoce, sans avoir à surveiller la chute de capacité sur l’ensemble du cycle de vie. Cela pourrait aider au développement de nouvelles batteries et à la surveillance de la santé d’une batterie.

Un aspect clé de la nouvelle méthode est l’identification d’un point antérieur dans la courbe de capacité, que les chercheurs appellent le point d’apparition du genou. Il s’agit d’une phase initiale de déclin nouvellement identifiée vers la pointe du genou. L’algorithme des chercheurs, développé à l’aide de l’apprentissage automatique, peut utiliser le point d’apparition du genou pour prédire le point du genou ainsi que la fin de la durée de vie effective de la batterie. L’algorithme permet à chacune de ces caractéristiques d’identifier la synchronisation des autres.

Une meilleure gestion de la batterie, assistée par cette nouvelle méthode, pourrait inclure la hiérarchisation et l’optimisation de l’énergie disponible pour les applications clés et l’optimisation des cycles de recharge.