Gagner en efficacité et éviter que le vieillissement des batteries endommage les appareils qu'elles alimentent en énergie. Voilà le défi qui se pose à de nombreux chercheurs et ingénieurs, qui souhaitent prédire avec précision la fin de vie des batteries électriques. A l’heure de la transition énergétique, celles-ci se multiplient. Se pose la difficile question de la gestion de leur durabilité.
Dans un article publié le 15 décembre dans la revue Joule, spécialisée dans la recherche énergétique, deux chercheurs de l’université d’Oxford relatent les résultats d’une expérience qu’ils ont menée à l’aide d’une «approche en machine learning probabiliste et évolutive» afin de diagnostiquer avec précision l’état de santé (State of Health, SoH) de batteries au plomb. Leur objectif : améliorer la fiabilité, le temps de fonctionnement et la rentabilité des batteries via des données récupérées directement sur le terrain.
Antti Aitio et David A. Howey ont commencé par «estimer le plus précisément possible la probabilité de fin de vie de 1027 batteries au plomb, connectées à l’énergie solaire». Pour ce faire, ils ont fait fonctionner les batteries entre 400 et 760 jours, connectées à des systèmes photovoltaïques en Afrique subsaharienne. Trois données en particulier les intéressaient : la tension, le courant et la température. Ces données d’exploitation ont été analysées par un algorithme de détection de défaillance en fin de vie, basé sur un classificateur des processus gaussiens. Ce dernier était chargé de prédire la probabilité de défaillance future en combinant les trajectoires de santé estimées avec des facteurs de stress également extraits des données brutes.
Joule © Joule
Une expérience aux résultats plus que satisfaisants, aux yeux des chercheurs. «Nous démontrons, à l'aide d'une validation croisée stratifiée 5 fois, que cette technique donne une précision équilibrée de 82% de la prédiction de défaillance en fin de vie au moment de la défaillance contre une référence de 66%, et une précision de 73% huit semaines avant la défaillance, contre une référence de 50%.»
Les deux chercheurs se réjouissent par ailleurs que de telles données, récupérées directement sur le terrain, puissent «être utilisées pour détecter les défaillances en fin de vie avant qu'elles ne se produisent, améliorant ainsi la maintenance, la valeur, la sécurité et l'expérience du client et donnant un aperçu de la dégradation et des performances.»
Un défi scientifique majeur
Si l’expérience menée par Antti Aitio et David A. Howey a été réalisée avec des batteries au plomb, ces chercheurs assurent que leur approche «est applicable à toute chimie qui peut être représentée par un modèle électrique d'ordre inférieur, y compris les cellules lithium-ion». Une précision loin d’être anodine, alors que ce type de batteries se multiplie dans nos objets du quotidien (téléphones portables et ordinateurs, trottinettes, vélos ou encore voitures électriques). Le développement et l’implémentation de solutions adéquates d'évaluation à l’échelle industrielle manque encore cruellement de fondements, de méthodes et d’outils. D’aucuns estiment que le développement de modèles de pronostics adaptés constitue un défi scientifique majeur.
Comme l’écrivaient en 2020 des universitaires américains, «l'amélioration du niveau d'évaluation de la santé des batteries au lithium revêt une importance considérable pour l'industrie des véhicules électriques». Et pour cause : les remplacer en temps et en heure permet d’éviter d’endommager le système de stockage d’énergie.
Plusieurs modèles déjà proposés
Ce n’est pas la première fois qu’un tel modèle de prédiction est proposé. Depuis plusieurs années, les chercheurs sont à la recherche de mécanismes afin d’améliorer la gestion des batteries. Toyota et le MIT ont notamment collaboré en 2019 à l’élaboration d’un modèle d'apprentissage permettant de quantifier la durée de vie d'une batterie lithium-ion en utilisant les données de charge en début de cycle.
En France, la start-up PowerUP a développé une brique logicielle pour connaître l’état de santé des batteries à partir de leur usage passé. Actuellement, «les utilisateurs sont obligés de remplacer leurs batteries de manière précoce, par précaution, ce qui pose un réel problème écologique», souligne la jeune pousse. C’est pourquoi la start-up établit un diagnostic et mesure l’état de santé réel de la batterie «à 2% près», garantissant ainsi son autonomie. La solution «augmente (jusqu’au double) la durée de vie de la batterie grâce à une charge dynamique, en fonction de son état de santé, de l’environnement et de son usage», poursuivent ses concepteurs. L’outil prédit par ailleurs la durée de vie des batteries selon les scénarios d’usage et permet de remplacer les batteries au bon moment.
