EP3191860A1 - Gestion de la recharge de la batterie d'un vehicule electrique - Google Patents

Gestion de la recharge de la batterie d'un vehicule electrique

Info

Publication number
EP3191860A1
EP3191860A1 EP15759770.9A EP15759770A EP3191860A1 EP 3191860 A1 EP3191860 A1 EP 3191860A1 EP 15759770 A EP15759770 A EP 15759770A EP 3191860 A1 EP3191860 A1 EP 3191860A1
Authority
EP
European Patent Office
Prior art keywords
battery
variance
total energy
charging
stored
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP15759770.9A
Other languages
German (de)
English (en)
Inventor
Boujemaa AIT EL FQUIH
Cédric GOUY-PAILLER
Sylvain GUILLEMIN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Original Assignee
Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Commissariat a lEnergie Atomique et aux Energies Alternatives CEA filed Critical Commissariat a lEnergie Atomique et aux Energies Alternatives CEA
Publication of EP3191860A1 publication Critical patent/EP3191860A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries
    • H02J7/40—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries characterised by the exchange of charge or discharge related data
    • H02J7/47—Arrangements for checking compatibility or authentication between one component, e.g. a battery or a battery charger, and another component, e.g. a power source
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors

Definitions

  • the invention generally relates to the field of signal processing and in particular the management of the charging of the battery of an electric or hybrid vehicle. State of the art
  • the link between the total stored energy and the input parameters can be represented by a linear model with white additive noise, i.e. Gaussian with a constant variance.
  • patent literature in the field of transport includes patent application US2011 / 0254505, which aims to protect (eg monitor) a battery charging system from possible acts of vandalism or theft during the charging process (eg by removing the cable transferring energy from the terminal to the vehicle by a third party for connect it to another vehicle).
  • This approach only deals with the "static" case (i.e. during the same recharge cycle) and provides no solution to the problem of detecting atypical recharges over recharges (i.e. "dynamic" case).
  • the charging of an electric vehicle is monitored and / or analyzed (eg the total energy stored during reloading an electric vehicle, detecting aberrant refills)
  • recursive estimation of the weights associated with the variances of the measurements as well as the coefficients of the model is carried out.
  • the recursive characteristic means that the estimate uses in practice only the measurement associated with the current recharge and estimate associated with the previous recharge. Using the only measurement associated with the current recharge is advantageous (in terms of efficiency and speed of calculations).
  • the method can exploit the energy measurements over the entire recharge history (thus the past and present measurements).
  • the method described is robust to the presence of any outliers among the measurements of the total energy stored.
  • the detection of outliers is automated.
  • the detection criterion can be based on the comparison of the estimated weights (thus by means of numerical values already available) with respect to a predefined threshold (set beforehand by the user). Some embodiments do not require manual adjustments.
  • the method may allow "instant" (ie real-time or quasi-real-time) or at least rapid detection (ie between the detection and the signaling of an anomaly). one or more outliers.
  • a detection of this type advantageously allows the specialists to diagnose in time the state of the battery, and to detect the type of anomaly concerned.
  • the disclosed solution can be iterated (eg recursively ), leading to an efficiency and speed of the associated calculations.
  • the solution can detect the abnormalities of the charging mechanism and not anomalies relating to the battery itself.
  • Figure 1 is an overall diagram of the process;
  • Figure 2 shows an example of a dynamic model;
  • a computer-implemented method for managing the charging of a battery of an electric vehicle comprising the steps of performing a charging cycle of the battery of the electric vehicle; measure the total energy stored by the battery; calculate the variance associated with said total energy; and determining a coefficient associated with said variance.
  • the invention can be applied to different types of batteries. For example, car batteries, but also electric bike, electric scooter or other types of vehicles.
  • the invention is also applicable to hybrid vehicles (combining engine and thus electric battery and internal combustion engine).
  • the invention aims to manage the charging of an electric battery, in the broad sense. In particular, the invention aims to detect a charging anomaly.
  • the general scope of the invention is that in which substantially complete recharging cycles are carried out.
  • the typical scenario is when charging is done at the workplace parking lot during the day, with the vehicle being loaded at the end of the day.
  • the case of incomplete or intermittent refills poses particular technical problems and, with some exceptions, this type of refill does not form part of the invention.
  • the scenario of incomplete recharges can be encountered in the recharge of mobile electronic devices (eg smartphones). With electric vehicles, refills are made at low cost and it is therefore not justified to further investigate the situation of short refills and / or incomplete.
  • a recharge cycle corresponds to a recharge according to a duration and predetermined or nominal conditions, generally provided by the manufacturer or supplier of the battery.
  • the general context of the invention is generally tripartite.
  • the battery is operated by one or more charging station operators (who may be competitors) so as to effectively recharge the battery for the customer or driver, also charging operator proper.
  • Other entities may intervene for various purposes (certification, quality control, electricity supplier, etc.).
  • a service provider may also intervene to optimize the life of the battery (eg by independently measuring battery status, analyzing the type of conduct, making correlations to provide recommendations to drivers etc).
  • Telecommunications operators or software publishers (“apps") are also likely to manage the information associated with the batteries.
  • One aspect of the invention is to observe (independently) the state of the batteries, ie without necessarily taking into account the supplier's statements as to the characteristics (for example nominal) of these batteries. This observation is done by measurement or direct calculation.
  • the history of the battery is advantageously exploited, so as to wedge more precisely the model (predictive load capacity). This consideration of history is however not essential.
  • the determination of the total energy stored can be done by different methods.
  • the charging station comprises one or more process steps and / or system means for detecting that the load is "complete” (the detection is therefore integrated to evaluate that the battery is "full” or “recharged” or “complete”).
  • the charging station can therefore stop charging automatically when the terminal detects that the charge is complete.
  • the recharging terminal can therefore provide all the data, for example relating to the end of the charge, or even to a quantity of total energy that has been transferred (for example by integration, ie by integrating the power supplied over time).
  • Losses in load can be considered negligible (in theory and in practice).
  • the application of the principle of conservation of energy leads in particular to the equality of energies delivered and received (battery and terminal function in "couple", i.e. "mirror").
  • the measurement of the total energy stored by the battery is generally carried out after the end of the recharging cycle of said battery (ie concretely as soon as the charging is complete, or "after that" ie shifted in time). Nevertheless, the temporal criterion associated with the completion of a refill must be considered in a nonlimiting manner. Indeed, there are embodiments of the invention according to which the charge may not be completely complete (ie according to thresholds, possibly configurable for example according to the type of battery and / or the charging situation - express, slow, etc. - and / or the wish of the user of the vehicle and / or the statistical confidence thresholds associated with the model of recharging).
  • the term "cycle” implicitly implies that recharge is complete or considered complete.
  • the determination of the total value stored can be done according to different temporal modalities. It can be done as soon as the charging cycle is complete (depending on the terminal and / or battery). More specifically, it can be performed at a given moment either by the charging station or by the battery itself, or by a logic module managing the battery-terminal pairing and managing any inconsistencies between the two systems. It can be done "once" the value of the total stored energy has been determined or "as soon as” the value is determined or "after” this determination, possibly within a certain time limit after the end of the cycle. The numerical value of the mathematical variance associated with this total stored value is then determined in turn.
  • a generally numerical value for example a mathematical variance associated with this total energy.
  • the term association implies that the relation can sometimes be indirect (for example certain assumptions of white noise and distribution of this noise according to a law of Student or of the same mathematical class can allow this determination).
  • the variance indicates the degree of likelihood of the measurement performed. This likelihood is taken into account for the establishment of the predictive model and the subsequent filtering of the outliers.
  • a weight (ie a weighting), also called “coefficient”, is then assigned to this variance thus determined. This coefficient makes it possible to "stall" the model.
  • the step of determining the coefficient associated with the variance is recursive.
  • the notion of recursion implies the presence of an initialization and a previous state.
  • said coefficient is determined recursively.
  • the predictive load model is "stalled" by past load values. The higher the number of values passed, the better the reliability of the model. At each iteration (ie recharge) the model becomes “better", that is to say, incorporates all the past recharge operations.
  • the model requires two values: the measurement that is performed at the end or after the recharge cycle and (at least) a previous value. This previous value may have different sources (corresponding to several different embodiments). In one embodiment, the previous value can be accessed directly from the battery itself (which therefore stores the different recharge values), either indirectly (distributed or remote storage).
  • the previous value can be a measured value (ie in reality) or a reference value, for example estimated (eg from an abacus) or calculated or accessed from a network.
  • this value can be estimated by knowing the states associated with a fleet of similar vehicles. It is indeed possible, according to one embodiment, to perform calculations without having access to the history of the battery (for example if the previous load value is not accessible or is obviously wrong, etc.) .
  • one or more of these stored total energy values can be determined statistical (eg according to the battery model, the general state of the battery bank), according to aggregated data, possibly including data from third parties, etc.
  • the two embodiments can also be combined: available statistical data can confirm or even modulate the direct measurements and / or the taking into account of the history.
  • the recursive characteristic corresponds to a determination of the weight or coefficient assigned to the variance that uses the measurement associated with the current recharge cycle and a measurement associated with the previous recharge.
  • the method further comprises a step of comparing the coefficient as determined at one or more thresholds.
  • Different threshold ranges can indeed be defined. Thresholds are usually predefined. In some embodiments, thresholds may be dynamically defined (for example based on economic and / or technical considerations, for example related to battery chemistry).
  • the predefined threshold is configurable.
  • the economic environment of the invention is complex and is likely to lead to a number of consequences (eg conflicts of interest, competition, secret or declarative or measured information) which may consequently imply technical solutions which may be very difficult. different.
  • an operator may have to revise the nominal loading values declared by the manufacturer.
  • the user or customer or driver or a service provider working for said customer
  • the battery is not the property of the driver, but for example rented, other stakeholders are likely to intervene.
  • the information associated with the battery may be of imposed format or, on the contrary, free, be accessible in the clear or be encrypted (eg the discharge profile, if analyzed, may reveal driving styles or even overspeeding).
  • the information or data can be hosted in the "cloud”("cloudcomputing") or remain local (eg portable), or even result from a distribution of data between the "cloud” and portable data.
  • the method includes a step of emitting an alarm if the measured total stored energy is greater than one or more thresholds.
  • the alarm can be sent an alarm signal informing the user or the customer or the driver or the operator of the charging station of the presence of an anomaly.
  • the alarm can be "real time” (as long as it is necessary to wait for the end of the current charging cycle to detect an anomaly).
  • the calculation of the variance is associated with a white noise distributed according to a law of distribution with heavy tail.
  • a white noise hypothesis anisotropic
  • a mathematical distribution called "heavy tail” is used to calculate the variance.
  • the measurement of the total energy stored by the battery is tainted by a white noise distributed according to a Student's law.
  • the step of determining a coefficient associated with the variance of the measurement of the total energy stored by the battery comprises a step of using a Kalman filter.
  • the method makes it possible to exploit, on the one hand, the energy measurements made during the recharge history (which includes the past measurements) and, on the other hand, the "present” or “current” or “current” measurement. “or” current ".
  • the method may comprise a step of determining a coefficient associated with the variance of the measurement of the total energy stored by the battery, said step comprising a step of using the prediction step the Kalman filter to detect a recharge anomaly, and the Kalman filter correction step to refine (ie to make the model more accurate thus “better") and update (ie to take into account slow changes in the battery which are not considered anomalies)
  • the Kalman filter makes it possible to filter (efficiently) the abnormal recharges by relying on two phases.
  • the prediction step makes it possible to compare the current measurement with the prediction made by the model under the conditions of the current load. From this comparison results an anomaly according to the threshold defined above.
  • the correction phase of the Kalman model updates the model in order to refine its precision and to take into account possible slow drift of the monitored parameters, not considered abnormal ("classical" battery life). .
  • said Kalman filter is applied to a plurality of past total energy measurements.
  • This aspect of the invention relates to the "prediction" or calibration phase of the model.
  • Access to the measurement history makes it possible to improve the predictive reliability of the model by making an accurate estimation of the different parameters of the Kalman filter, intervening in the evolution equations (eg since the model can evolve from one recharge to the next) and observation (eg to quantify the noise present in the data).
  • the method further comprises taking into account the measurement of the total energy associated with said current charging cycle.
  • the step may (optionally) include a sub-step of the Expectation-Maximization type.
  • the method further comprises a step of storing one or more stored total energy measurement values and one or more coefficients associated with the variances of said measurement values.
  • the estimated coefficients can indeed be saved or stored in order to be reused during a future recharge.
  • the data can be centralized (central server connected to the charging stations) or even distributed (for example in a memory associated with the vehicle battery and accessible to the charging station).
  • the data may be stored in part or in full on a mobile phone and / or in a remote server and / or in the car computer and / or in the charging station and / or in the battery itself or an associated device, for example. Many embodiments are possible (and can be combined with each other).
  • the manufacturer of the charging station can include the charging service in its own commercial offer, ensuring the integrity of the data so that a user can have access in "cloud" mode (“cloud computing” ) monitoring (for example the associated model as well as the different measurement data) and thus retain the customer to a terminal manufacturer (or a consortium sharing the data between them).
  • the manager of a cluster of charging stations can keep the associated data on its own system, in order to offer users the tracking / diagnostic service when they are reloading on its cluster (for example according to a proprietary model).
  • the user having a home charging socket can directly manage the charging service, in which case autonomous operation is possible with data that can for example remain stored in the charging station and / or the charging station.
  • the user's computer the ability to share or not share said data remaining open to the user, for example to access additional features or services or data processing, such as comparing similar batteries of different users, etc.
  • the method further comprises a step of receiving an initial autonomy value and an ambient temperature value.
  • the method may further include a step of receiving input parameters including an initial range value and an ambient temperature value.
  • the predicted energy mainly depends on the autonomy a (n) and the temperature t (n) as described in equation 1 described hereinafter).
  • these values are not essential, ie essential for carrying out the process according to the invention.
  • the temperature can be considered as a constant, an average, to be provided by a third party system (eg telephone, operator, etc.).
  • the autonomy value can also be estimated or calculated or provided by a third-party system or in abacuses or databases, etc.
  • the fact having real values, with a satisfactory or reasonable degree of accuracy makes it possible to refine the model advantageously.
  • the method according to the invention aims to detect outliers of the total electrical energy stored during the loading of an electric or hybrid vehicle (identified by a unique identification code).
  • a dynamic linear and robust model is implemented.
  • the model associates a weight with the variance of each measure of the total energy stored.
  • recursive steps are used to estimate the weights associated with the variances of these measurements. Aberrant measurements can therefore, if necessary, be detected in real time (using said estimated weights).
  • Alerts can inform the user or the operator recharging the battery of the presence of an anomaly (and its type). Some embodiments are described in more detail below.
  • a dynamic model links, for each recharge cycle, the total energy stored at the input parameters (known at the time of the launch of the recharge) that are the initial autonomy and the ambient temperature.
  • the user connects the electric vehicle to the charging station.
  • the identification step 120 the identification of the VE by the charging system is carried out by means of a unique identification code at each EV. If the VE has been identified, that is to say if it has been recognized as having already been connected and reloaded by this system, the latter assigns the value 1 to a binary variable # / D initially equal to 0. This step allows, in the case where the VE has been identified, to access the historical data that can be saved during past refills and to use them in the monitoring to see if the current refill is an anomaly.
  • the charging system measures, by means of a device (for example integrated), the remaining battery life of the VE and the ambient temperature.
  • the charging step 140 after the acquisition of the initial autonomy and the ambient temperature, the charging of the battery of the VE can then start. After recharging, the system measures the amount of total electrical energy stored.
  • the acquisition 130 and loading 140 steps do not depend (or not necessarily) on the result of the identification step 120): the value of the variable # / D at the output of step 120 does not intervene in steps 130 and 140. For this reason, the step 120 of identification can also be made, either simultaneously to one of steps 130 and 140, or between them (after 130 and before 140), or after step 140.
  • the estimation step is illustrated in blocks 151 and 152. The principle of the estimation step is to go back to the parameters of the model put in place (among other variables, as explained below).
  • the estimated weight is used in a detection criterion to show whether the value of the total energy stored is aberrant (or not).
  • the detection criterion is described in detail below.
  • an alarm signal is sent immediately by the system if the detecting step has revealed that the total stored energy is an outlier. This will allow the user to have the battery diagnosed in time in such a case to suffer from an anomaly (caused for example by the aging of the battery).
  • the total energy stored in the battery as well as the estimated model coefficients are saved by the recharge system to be used in the estimation step associated with the future recharge if any.
  • Figure 2 schematizes the underlying dynamic model used by the method.
  • the model chosen for the implementation of the method is a dynamic state model for which the measurements of the total energy stored are tainted by a white noise distributed according to a Student's law, which is a so-called "heavy tail” law. .
  • each stored total energy measurement can be associated with an artificially introduced variable modeling the weight of the variance associated with that same measure.
  • the selected model assigns a different weight to each of the variances of the measures to make them variable (so that the lowest weights are associated with measurements with a fixed variance). tendency to be aberrant and / or extreme).
  • recursively calculated calculations based on the use of a Kalman filter make it possible to estimate, at the end of each recharge cycle, the weight associated with the variance of the measurement of the total energy stored ( among other estimated variables).
  • the estimated weights are particularly advantageous during the detection step since using a threshold set by the user, the measurements are considered to be aberrant or not depending on whether the associated weights are below or above the set threshold.
  • the detection step currently disclosed is based only on the comparison of the weights (ie already calculated) with respect to a predefined threshold, without any other calculation or additional hypothesis.
  • the detection is done automatically and without any manual adjustment.
  • Equation 2 ensure that the noise% associated with the observation (or measurement of energy)% follows a Student's law, which we note, is a heavy-tailed law which allows the outliers of the energy to be better represented by the model.
  • the parameters "and ⁇ of the Gamma law p (w3 ⁇ 4) are supposed to be known and fixed by the user.
  • FIG. 3 schematizes examples of steps for estimating coefficient coefficients x and weight.
  • the transition parameters of the model F and Q are used in order to calculate the prediction estimate 3 ⁇ 4 n _i and its associated covariance matrix n- from the filtering associated with the previous recharge * " And its associated covariance matrix P n - i ' n -i -
  • the calculation is done iteratively.
  • the step is a correction step since the prediction estimate ⁇ ⁇ ⁇ ⁇ - ⁇ , 3 ⁇ 4 "- ⁇ ) is corrected by integrating the current measurement au into the measured measurements, which leads to the estimation of filtering ( ⁇ ⁇ ⁇ , 3 ⁇ 4 ").
  • An estimate w ni "of weight w" is also provided.
  • the prediction step disappears and only the filtering equations remain valid to calculate a estimate of ⁇ ⁇ and w i from e i; in these equations the prediction parameters are replaced by, ⁇ respectively.
  • the detection step 161 is described below.
  • the threshold value is chosen between 0 and 1 (usually very small). This criterion is based on the fact that refills with a low weight w "
  • a system for detecting an abnormality of charging a battery of an electric vehicle comprising means for implementing one or more steps of the method.
  • a computer program product comprising code instructions for performing one or more steps of the method, when said program is run on a computer.
  • a data carrier comprising code instructions for performing one or more steps of the method, when said code is executed on a computer.
  • the present invention can be implemented from hardware and / or software elements. It may be available as a computer program product on a computer readable medium.
  • the support can be electronic, magnetic, optical, electromagnetic or be an infrared type of diffusion medium.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

Il est divulgué un procédé mis en œuvre par ordinateur pour la gestion de la recharge d'une batterie d'un véhicule électrique, comprenant les étapes consistant à réaliser un cycle de recharge de la batterie du véhicule électrique mesurer l'énergie totale emmagasinée par la batterie; calculer la variance associée à ladite énergie totale; et déterminer un coefficient associé à ladite variance. Dans un développement, l'étape de détermination du coefficient associé à la variance est récursive. Différents développements sont décrits, lesquels comprennent l'utilisation de seuils prédéfinis et/ou configurables, l'émission d'alarmes, l'utilisation d'un bruit blanc distribué selon une loi à queue lourde (e.g. Student) et l'utilisation d'un filtre de Kalman. Des aspects de système et de logiciel sont décrits.

Description

GESTION DE LA RECHARGE DE LA BATTERIE D'UN VEHICULE
ELECTRIQUE
Domaine de l'invention
L'invention concerne en général le domaine du traitement du signal et en particulier la gestion de la recharge de la batterie d'un véhicule électrique ou hybride. Etat de la Technique
Lors de la recharge d'un véhicule électrique (VE), certains paramètres dits d'entrée peuvent influencer la quantité d'énergie électrique totale emmagasinée dans la batterie de ce véhicule.
Des études expérimentales publiées ont montré que les paramètres d'entrée les plus influents sont d'une part l'autonomie initiale qui représente l'énergie restante dans la batterie du véhicule à l'instant du démarrage de la recharge, et d'autre part, mais dans une moindre mesure, la température ambiante au même instant.
Il a été constaté qu'en faisant varier les paramètres d'entrée, l'énergie totale emmagasinée évolue en moyenne linéairement et avec une variance constante. En d'autres termes, le lien entre l'énergie totale emmagasinée et les paramètres d'entrée peut pertinemment être représenté par un modèle linéaire à bruit additif blanc, i.e. gaussien avec une variance constante.
Cependant, dans des situations atypiques comme par exemple en présence d'anomalies au niveau de la charge de ladite batterie, l'énergie totale emmagasinée peut atteindre des valeurs extrêmes, inadéquates avec l'hypothèse gaussienne du bruit du modèle.
Concernant ce problème technique consistant à mener une détection robuste d'anomalies de recharge d'une voiture électrique à partir des signaux issus des bornes de recharges, la littérature brevet (dans le domaine des transports) comprend la demande de brevet US2011/0254505, qui a pour objectif de protéger (e.g. surveiller) un système de recharge de batterie de possible actes de vandalisme ou de vol lors du processus du chargement (par exemple par l'enlèvement du câble transférant l'énergie de la borne au véhicule par un tiers pour le brancher à un autre véhicule). Cette approche ne traite que du cas "statique" (i.e. lors d'un même cycle de recharge) et n'apporte aucune solution au problème de détection de recharges atypiques au fil des recharges (i.e. cas "dynamique").
Les divulgations éventuelles dans des domaines techniques étrangers au domaine des transports sont peu vraisemblables et seraient difficilement exploitables sur le principe, du fait des fortes spécificités des batteries à destination des véhicules électriques.
Il existe un besoin pour des systèmes et des procédés pour l'analyse des mesures électriques effectuées lors de la recharge de la batterie d'un véhicule électrique (VE) ou hybride (VH), en vue de déceler d'éventuels comportements singuliers.
Résumé de l'invention
Il est divulgué un procédé de détection d'anomalies de recharges des véhicules électriques à partir des signaux issus des bornes de recharge. En particulier, selon un aspect de l'invention, le rechargement d'un véhicule électrique est surveillé et/ou analysé (e.g. l'énergie totale emmagasinée lors du rechargement d'un véhicule électrique, détection des recharges aberrantes)
Selon un aspect de l'invention, il est procédé à l'estimation récursive des poids associés aux variances des mesures ainsi que des coefficients du modèle. La caractéristique récursive signifie que l'estimation utilise en pratique que la mesure associée à la recharge courante et estimation associée à la recharge précédente. Le fait d'utiliser la seule mesure associée à la recharge actuelle est avantageux (en matière d'efficacité et de rapidité des calculs).
Optionnellement, le procédé peut exploiter les mesures des énergies au cours de l'ensemble de l'historique des recharges (donc les mesures passées et présentes).
Avantageusement, le procédé décrit est robuste à la présence d'éventuelles valeurs aberrantes parmi les mesures de l'énergie totale emmagasinée.
Avantageusement, la détection de valeurs aberrantes est automatisée. Le critère de détection peut être fondé sur la comparaison des poids estimés (donc au moyen de valeurs numériques déjà disponibles) par rapport à un seuil prédéfini (fixé au préalable par l'utilisateur). Certains modes de réalisation ne nécessitent pas de réglages manuels. Avantageusement, dans certains modes de réalisation, le procédé peut permettre la détection "instantanée" (i.e. en temps-réel ou quasi temps-réel), ou à tout le moins rapide (i.e. entre la détection et la signalisation d'une anomalie) d'une ou de plusieurs valeurs aberrantes. Une détection de ce type permet avantageusement aux spécialistes de diagnostiquer à temps l'état de la batterie, et de déceler le type d'anomalie concerné. Pour chaque cycle de recharge, si l'énergie totale emmagasinée à l'issue de ce cycle correspond à une valeur aberrante, une information peut être notifiée envoyé à l'utilisateur (e.g. alarme) et/ou au fournisseur de la batterie (ou à un autre tiers autorisé, par exemple) Avantageusement, la solution divulguée peut être itérée (e.g. récursivement), conduisant une efficacité et une rapidité des calculs associés.
Avantageusement, la solution peut détecter les anomalies du mécanisme de recharge et non pas des anomalies tenant à la batterie elle-même.
Description des figures
Différents aspects et avantages de l'invention vont apparaître en appui de la description d'un mode préféré d'implémentation de l'invention mais non limitatif, avec référence aux figures ci-dessous :
La figure 1 est un schéma global du procédé; La figure 2 représente un exemple de modèle dynamique;
La figure 3 illustre un exemple de mécanisme de l'estimation des coefficients xn et du poids wn associés à une recharge n>1 (dans le cas #ID=1 ).
La figure 4 illustre un exemple d'estimation de F, Q et σ2 à l'issue d'une recharge n>1 (dans le cas #ID=1 ). Description détaillée de l'invention
Il est divulgué un procédé mis en œuvre par ordinateur pour la gestion de la recharge d'une batterie d'un véhicule électrique, comprenant les étapes consistant à réaliser un cycle de recharge de la batterie du véhicule électrique; mesurer l'énergie totale emmagasinée par la batterie; calculer la variance associée à ladite énergie totale; et déterminer un coefficient associé à ladite variance. L'invention peut s'appliquer à différents types de batterie. Par exemple, les batteries de voiture, mais aussi de vélo électrique, de trottinette électrique ou encore d'autres types de véhicules. L'invention trouve également application pour les véhicules hybrides (combinant moteur et donc batterie électrique et moteur à explosion).
L'invention vise à gérer la recharge d'une batterie électrique, au sens large. En particulier, l'invention vise à détecter une anomalie de recharge.
Le cadre général de l'invention est celui dans lequel il est procédé à des cycles de recharge, substantiellement complets. Par exemple, le scénario type est celui où la recharge s'effectue sur le parking du lieu de travail durant la journée, le véhicule étant repris chargé en fin de journée. Le cas des recharges incomplètes ou intermittentes pose des problèmes techniques particuliers et, sauf exceptions, ce type de recharge ne fait pas partie de l'invention. En particulier et par exemple, le scénario de recharges incomplètes peut se rencontrer dans la recharge d'appareils électroniques mobiles (e.g. smartphones). Avec des véhicules électriques, les recharges s'effectuent à bas coût et il n'est donc pas justifié d'investiguer plus avant la situation de recharges courtes et/ou incomplètes. Un cycle de recharge correspond à une recharge selon une durée et des modalités prédéterminées ou nominales, généralement fournies par le constructeur ou fournisseur de la batterie. Le contexte général de l'invention est généralement tripartite. Mise à disposition par un fournisseur ou constructeur ou intégrateur généralement unique, la batterie est exploitée par un ou plusieurs exploitants de borne de recharge (qui peuvent être concurrents) de façon à recharger effectivement la batterie pour le client ou conducteur, également opérateur de la recharge proprement dite. D'autres entités peuvent intervenir, des fins variées (certification, contrôle qualité, fournisseur d'électricité, etc). Par exemple, un fournisseur de service peut également intervenir pour optimiser la durée de vie de la batterie (e.g. en mesurant de façon indépendante l'état de la batterie, en analysant le type de conduite, en procédant à des corrélations pour fournir des recommandations aux conducteurs etc). Des opérateurs de télécommunications ou des éditeurs de logiciels ("apps") sont aussi susceptibles de gérer les informations associées aux batteries.
Un des aspects de l'invention consiste à observer (de manière indépendante) l'état des batteries, i.e. sans nécessairement tenir compte des déclarations du fournisseur quant aux caractéristiques (par exemple nominales) de ces batteries. Cette observation se fait par mesure ou calcul direct. Selon un aspect de l'invention, l'historique de la batterie est avantageusement exploité, de manière à caler plus précisément le modèle (à capacité prédictive de charge). Cet prise en compte de l'historique n'est toutefois pas indispensable. La détermination de l'énergie totale emmagasinée peut se faire par différentes méthodes. Dans un mode de réalisation, la borne de recharge comprend une ou plusieurs étapes de procédé et/ou des moyens de système pour détecter que la charge est "complète" (la détection est donc intégrée pour évaluer que la batterie est "pleine" ou "rechargée" ou "complète"). Selon ce mode de réalisation, il peut ne pas y avoir nécessairement de "communication" (au sens de données) entre la batterie à recharger et la borne de recharge. Il est possible de détecter ou déterminer cet état de recharge "complète" selon différentes méthodes (qui peuvent notamment dépendre de la technologie de batterie). Dans un mode de réalisation de l'invention, la borne de recharge peut donc arrêter la charge automatiquement quand la borne détecte que la charge est complète. Dans un mode de réalisation, la borne de recharge peut donc fournir l'ensemble des données par exemple relatives à la fin de la charge, ou bien encore à quantité d'énergie totale ayant été transférée (par exemple par intégration, i.e. en intégrant la puissance fournie au cours du temps).
Les pertes en charge peuvent être considérées comme négligeables (en théorie et en pratique). L'application du principe de conservation de l'énergie aboutit en particulier à l'égalité des énergies délivrées et reçues (batterie et borne fonctionnent en "couple", i.e. en "miroir").
La mesure de l'énergie totale emmagasinée par la batterie s'effectue généralement après la fin du cycle de recharge de ladite batterie (c'est-à- dire concrètement dès que la charge est terminée, ou bien "après que" i.e. de manière décalée dans le temps). Néanmoins, le critère temporel associé à l'accomplissement d'une recharge doit être considérée de manière non limitative. En effet, il existe des modes de réalisation de l'invention selon lesquels la charge peut ne pas être tout à fait terminée (i.e. selon des seuils, éventuellement configurables par exemple selon le type de batterie et/ou la situation de recharge - expresse, lente, etc - et/ou le souhait de l'utilisateur du véhicule et/ou des seuils de confiance statistiques associé au modèle de recharge). Le terme de "cycle" implique en soi implicitement que la recharge est terminée ou considérée comme terminée.
En d'autres termes, la détermination de la valeur totale emmagasinée peut se faire selon différentes modalités temporelles. Elle peut se faire dès que le cycle de recharge est achevé (selon la borne et/ou selon la batterie). Plus précisément, elle peut s'effectuer à un moment déterminé soit par la borne de recharge soit par la batterie elle-même, soit encore par un module logique gérant l'appariement borne-batterie et gérant les éventuelles incohérences entre les deux systèmes. Elle peut se faire "une fois que" la valeur de l'énergie totale emmagasinée a été déterminée ou "dès que" la valeur est déterminée ou "après" cette détermination, éventuellement dans un certain délai temporel limite après la fin de cycle. La valeur numérique de la variance mathématique associée à cette valeur totale emmagasinée est ensuite déterminée à son tour. A partir de la mesure de l'énergie totale emmagasinée est déterminée (ou calculée ou estimée ou déduite) une valeur généralement numérique, par exemple une variance mathématique associée à cette énergie totale. Le terme d'association implique que la relation peut parfois être indirecte (par exemple certaines hypothèses de bruit blanc et de distribution de ce bruit selon une loi de Student ou de même classe mathématique peuvent permettre cette détermination). La variance indique le degré de vraisemblance de la mesure effectuée. Cette vraisemblance est prise en compte pour l'établissement du modèle prédictif et le filtrage ultérieur des valeurs aberrantes.
Un poids (i.e. une pondération), également appelé "coefficient", est ensuite affecté à cette variance ainsi déterminée. Ce coefficient permet de "caler" le modèle. Dans un développement, l'étape de détermination du coefficient associé à la variance est récursive. La notion de récursivité implique la présence d'une initialisation et d'un état précédent.
Dans un mode de réalisation, ledit coefficient est déterminé de manière récursive. Le modèle prédictif de charge est "calé" au moyen des valeurs de charges passées. Plus le nombre de valeurs passées est élevé, meilleure est la fiabilité du modèle. A chaque itération (i.e. recharge) le modèle devient "meilleur", c'est-à-dire incorpore l'ensemble des opérations de recharge passées. Le modèle nécessite deux valeurs: la mesure qui est réalisée à la fin ou après le cycle de recharge et (au moins) une valeur précédente. Cette valeur précédente peut avoir différentes sources (correspondant à plusieurs modes de réalisation différents). Dans un mode de réalisation, la valeur précédente est accessible directement depuis la batterie elle-même (qui stocke donc les différentes valeurs de recharge), soit indirectement (stockage distribué ou déporté). La valeur précédente peut être une valeur mesurée (i.e. dans la réalité) ou bien une valeur de référence, par exemple estimée (e.g. depuis une abaque) ou calculée ou accédée depuis un réseau. En particulier, cette valeur peut être estimée en connaissant les états associés à une flotte de véhicules similaires. Il est en effet possible, selon un mode de réalisation, de réaliser des calculs sans avoir accès à l'historique de la batterie (par exemple si la valeur de charge précédente n'est pas accessible ou qu'elle est manifestement erronée, etc). Par exemple, une ou plusieurs de ces valeurs d'énergie totale emmagasinée peuvent être déterminée de manière statistique (e.g. selon le modèle de batterie, l'état général du parc de batterie), selon des données agrégées, comprenant éventuellement des données de tiers, etc. Les deux modes de réalisation peuvent être également combinés: des données statistiques disponibles peuvent confirmer voire moduler les mesures directes et/ou la prise en compte de l'historique. De surcroît, des méthodes probabil istes peuvent également être utilisées (en complément ou en en l'absence de données statistiques et/ou d'historique spécifique). Les cycles de recharge peuvent être répétés, ce qui peut aboutir à une amélioration progressive de la qualité du modèle. En pratique, la caractéristique récursive correspond à une détermination du poids ou coefficient affecté à la variance qui utilise la mesure associée au cycle de recharge courant et une mesure associée à la recharge précédente.
Dans un développement, le procédé comprend en outre une étape consistant à comparer le coefficient tels que déterminé à un ou plusieurs seuils. Différentes plages de seuils peuvent en effet être définies. Les seuils sont généralement prédéfinis. Dans certains modes de réalisation, des seuils peuvent être définis dynamiquement (par exemple en fonction de considérations économiques et/ou techniques, par exemple liées à la chimie de la batterie).
Dans un développement, le seuil prédéfini est configurable.
L'environnement économique de l'invention est complexe et est susceptible d'entraîner nombre de conséquences (e.g. conflits d'intérêt, concurrence, informations secrètes ou déclaratives ou mesurées) lesquelles peuvent impliquer par suite des solutions à caractère technique qui peuvent être très différentes. Par exemple, avec le recul opérationnel, un exploitant peut être amené à réviser les valeurs nominales de chargement déclarées par le constructeur. L'usager ou client ou conducteur (ou un prestataire de service œuvrant pour ledit client) peut dans certains modes de réalisation choisir le mode de recharge (par exemple "rapide" ou "lente" ou selon divers autres modes présentant des compromis différents en matière de risque électrique ou chimique ou de vitesse ou de qualité ou de puissance de charge), i.e. gérer la batterie de manière plus ou moins précautionneuse. Dans le cas où la batterie n'est pas la propriété du conducteur, mais par exemple louée, d'autres intervenants sont susceptibles d'intervenir. Les informations associées à la batterie peuvent être de format imposé ou au contraire libre, être accessible en clair ou être chiffrées (e.g. le profil de décharge s'il est analysé peut révéler des styles de conduite voire des dépassements de vitesse). Les informations ou données peuvent être hébergées dans le "cloud" ("informatique dans les nuages") ou rester locales (par exemple portable), ou bien encore résulter d'une distribution de données entre le "cloud" et des données portables.
Dans un développement, le procédé comprend une étape consistant à émettre une alarme si la mesure de l'énergie totale emmagasinée déterminée est supérieure à un ou plusieurs seuils.
Le cas échéant, il peut être envoyé un signal d'alarme informant l'utilisateur ou le client ou le conducteur ou l'exploitant de la borne de recharge de la présence d'une anomalie. L'alarme peut être "temps réel" (dans la mesure où il faut attendre la fin du cycle de recharge en cours pour détecter une anomalie).
Dans un développement, le calcul de la variance est associé à un bruit blanc distribué selon une loi de distribution à queue lourde. Fondée sur une hypothèse de bruit blanc (anisotropique), une distribution mathématique dite à "queue lourde" est utilisée pour calculer la variance. En d'autres termes, la mesure de l'énergie totale emmagasinée par la batterie est entachée par un bruit blanc distribué selon une loi de Student.
Dans un développement, la loi de distribution à queue lourde est une loi de Student.
Dans un cas particulier, une loi de Student est utilisée. Cette distribution se prête avantageusement à des calculs rapides. Toutefois, d'autres distributions restent possibles.
Dans un développement, l'étape consistant à déterminer un coefficient associé à la variance de la mesure de l'énergie totale emmagasinée par la batterie comprend une étape consistant à utiliser un filtre de Kalman.
Le procédé permet d'exploiter, d'une part, les mesures des énergies réalisées au cours de l'historique des recharges (qui comprend les mesures passées) et d'autre part la mesure "présente" ou "actuelle" ou "en cours" ou "courante".
En particulier, dans un mode de réalisation, le procédé peut comprendre une étape consistant à déterminer un coefficient associé à la variance de la mesure de l'énergie totale emmagasinée par la batterie, ladite étape comprenant une étape consistant à utiliser l'étape de prédiction du filtre de Kalman pour détecter une anomalie de recharge, et l'étape de correction du filtre de Kalman pour affiner (i.e. pour rendre le modèle plus précis donc "meilleur") et mettre à jour (i.e. pour prendre en compte des évolutions lentes de la batterie qui ne sont pas considérées comme des anomalies) Le filtre de Kalman permet de filtrer (efficacement) les recharges anormales en s'appuyant sur deux phases. Dans un premier temps, l'étape de prédiction permet de comparer la mesure actuelle à la prédiction faite par le modèle dans les conditions de la charge actuelle. De cette comparaison résulte une anomalie selon le seuil défini plus haut. Dans un second temps, la phase de correction du modèle de Kalman met à jour le modèle afin d'affiner sa précision et de prendre en compte de possibles dérives lentes des paramètres suivis, non considérées comme anormales (vie "classique" de la batterie).
Les algorithmes et codes sources correspondants sont largement diffusés, rendant l'implémentation concrète plus aisée (par exemple Boujemaa Ait-EI- Fquih, Cédric Gouy-Pailler: "Backward hidden Markov chain for outlier- robust filtering and fixed-interval smoothing" ICASSP 2013: 5504-5508)
Dans un développement, ledit filtre de Kalman est appliqué à une pluralité de mesures d'énergies totales passées.
Cet aspect de l'invention concerne la phase de "prédiction" ou de calage du modèle. L'accès à l'historique des mesures permet d'améliorer la fiabilité de prédiction du modèle en réalisant une estimation précise des différents paramètres du filtre de Kalman, intervenant dans les équations d'évolution (e.g. étant donné que le modèle peut évoluer d'une recharge à la suivante) et d'observation (e.g. pour quantifier le bruit présent dans les données).
Dans un développement, le procédé comprend en outre la prise en compte de la mesure de l'énergie totale associée audit cycle de recharge en cours.
Selon ce développement, il est pris en compte la mesure de l'énergie totale associée à la recharge en cours ou courante ou actuelle, de façon à procéder à la mise à jour ("bouclage" du "calage") du modèle de prédiction. Il peut s'agir du simple relevé sur la borne. Dans les détails de l'implémentation, l'étape peut (optionnellement) comprendre une sous-étape de type Expectation-Maximisation. Dans un développement, le procédé comprend en outre une étape consistant à stocker une ou plusieurs valeurs de mesure d'énergie totale emmagasinée et un ou plusieurs coefficients associés aux variances desdites valeurs de mesure. Les coefficients estimés peuvent en effet être sauvegardés ou stockés afin d'être réutilisés lors d'une future recharge. Concrètement, les données peuvent être centralisées (serveur central connecté aux bornes de recharge) ou bien encore distribuées (par exemple dans une mémoire associée à la batterie du véhicule et accessible à la borne de recharge). Les données peuvent être stockées en partie ou en totalité sur un téléphone portable et/ou dans un serveur distant et/ou dans l'ordinateur de bord de la voiture et/ou dans la borne de recharge et/ou dans la batterie elle-même ou un dispositif associé, par exemple. De nombreux modes de réalisation sont possibles (et peuvent être combinés entre eux).
Selon un mode de réalisation, le fabriquant de la borne de recharge peut inclure le service de recharge dans son offre commerciale propre, assurant l'intégrité des données afin qu'un utilisateur puisse avoir accès en mode "cloud" ("informatique en nuage") à son suivi (par exemple au modèle associé ainsi qu'aux différentes données de mesure) et ainsi fidéliser le client à un constructeur de bornes (ou un consortium partageant les données entre eux). Selon un mode de réalisation, le gestionnaire d'une grappe de bornes de recharge peut conserver les données associées sur son propre système, afin d'offrir aux utilisateurs le service de suivi/diagnostic lorsque qu'ils se rechargent sur sa grappe (par exemple selon un modèle propriétaire).
Selon un mode de réalisation, l'utilisateur possédant une prise de recharge à domicile peut gérer directement le service de recharge, auquel cas un fonctionnement autonome est possible avec des données qui peuvent par exemple rester stockées dans la borne de recharge et/ou l'ordinateur de l'utilisateur (la faculté de partager ou non lesdites données restant ouverte à l'utilisateur, par exemple pour accéder à des fonctionnalités ou des services supplémentaires ou des traitements de données, tels que la comparaison entre batteries similaires d'utilisateurs différents, etc) Dans un développement, le procédé comprend en outre une étape consistant à recevoir une valeur d'autonomie initiale et une valeur de température ambiante.
Le procédé peut comprendre en outre une étape consistant à recevoir des paramètres d'entrée comprenant une valeur d'autonomie initiale et une valeur de température ambiante.
L'énergie prédite dépend en effet principalement de l'autonomie a(n) et de la température t(n) tel que décrit dans l'équation 1 décrite ci-après). Toutefois, ces valeurs ne sont pas essentielles, i.e. indispensables pour réaliser le procédé selon l'invention. Par exemple, la température peut être considérée comme une constante, une moyenne, être fournie par un système tiers (e.g. téléphone, exploitant, etc). La valeur d'autonomie peut également être estimée ou calculée ou fournie par un système tiers ou selon des abaques ou des bases de données, etc. A contrario, le fait de disposer de valeurs réelles, avec un degré d'exactitude satisfaisant ou raisonnable, permet d'affiner avantageusement le modèle.
Le procédé selon l'invention vise à détecter les valeurs aberrantes de l'énergie électrique totale emmagasinée lors du chargement d'un véhicule électrique ou hybride (identifié par un code d'identification unique).
Pour ce faire, selon un aspect de l'invention, un modèle dynamique linéaire et robuste est mis en œuvre. En particulier, le modèle associe un poids à la variance de chaque mesure de l'énergie totale emmagasinée.
Selon un autre aspect de l'invention sont mises en oeuvre des étapes récursives d'estimation des poids associés aux variances de ces mesures. Des mesures aberrantes peuvent par suite, le cas échéant, être détectées en temps-réel (en utilisant lesdits poids estimés).
Des alertes peuvent informant l'utilisateur ou l'opérateur rechargeant la batterie de la présence d'une anomalie (et de son type). Certains modes de réalisation sont décrits plus en détail ci-après.
Un modèle dynamique lie, pour chaque cycle de recharge, l'énergie totale emmagasinée aux paramètres d'entrée (connus au moment du lancement de la recharge) que sont l'autonomie initiale et la température ambiante.
Pour une recharge (n = 1 , 2, ....), les notations suivantes sont considérées par la suite:
: l'énergie totale emmagasinée ; : l'autonomie initiale mesurée par le système de recharge au moment du lancement de la recharge (le système de recharge est supposé muni d'un appareil d'acquisition de l'autonomie) ; : la température ambiante au moment du lancement de la recharge. La figure 1 illustre des exemples des différentes étapes du procédé.
A l'étape de connexion 110, l'utilisateur connecte le véhicule électrique à la borne de recharge. A l'étape d'identification 120, l'identification du VE par le système de recharge est effectuée grâce un code d'identification unique à chaque VE. Si le VE a été identifié, c'est-à-dire s'il a été reconnu comme ayant déjà été connecté et rechargé par ce système, ce dernier affecte la valeur 1 à une variable binaire #/D initialement valant 0. Cette étape permet, dans le cas où le VE a été identifié, d'accéder aux données historiques susceptibles d'être sauvegardées lors des recharges passées et de les exploiter dans le monitoring permettant de voir si la recharge actuelle correspond à une anomalie. A l'étape d'acquisition 130, le système de recharge mesure, au moyen d'un appareil (par exemple intégré), l'autonomie restante dans la batterie du VE ainsi que la température ambiante.
A l'étape de chargement 140, après l'acquisition de l'autonomie initiale et la température ambiante, le chargement de la batterie du VE peut alors démarrer. A l'issue de la recharge, le système mesure la quantité d'énergie électrique totale emmagasinée. Les étapes d'acquisition 130 et de chargement 140 ne dépendent pas (ou pas nécessairement) du résultat de l'étape d'identification 120): la valeur de la variable #/D à la sortie de l'étape 120 n'intervient pas dans les étapes 130 et 140. Pour cette raison, l'étape 120 d'identification peut être également faite, soit simultanément à l'une des étapes 130 et 140, soit entre elles (après 130 et avant 140), soit après l'étape 140. L'étape d'estimation est illustrée aux blocs 151 et 152. Le principe de l'étape d'estimation est de remonter aux paramètres du modèle mis en place (entre autres variables, comme expliqué ci-après). Les données à partir desquelles l'estimation est faite, dépendent du fait que le VE a été reconnu dans l'étape d'identification, ou non. En effet, si le VE n'a pas été reconnu (#ID=0), on est alors dans le cas de la toute première recharge (absence d'historique) auquel l'estimation est faite en utilisant l'énergie totale emmagasinée suite à cette recharge (bloc 150). D'autre part, lorsque le VE a été reconnu (#ID=1), l'estimation utilise également l'historique des énergies totales emmagasinées et sauvegardées par le système de recharge (bloc 152). Ces étapes sont décrites ci-après.
A l'étape de détection 160, le poids estimé est utilisé dans un critère de détection pour montrer si la valeur de l'énergie totale emmagasinée est aberrante (ou non). Le critère de détection est décrit en détail ci-après.
A l'étape d'alerte 170, un signal d'alarme est envoyé immédiatement par le système si l'étape de détection a révélé que l'énergie totale emmagasinée est une valeur aberrante. Ceci permettra à l'utilisateur de faire diagnostiquer à temps la batterie susceptible dans ce cas de souffrir d'une anomalie (causée par exemple par le vieillissement de la batterie).
A l'étape de sauvegarde 160, qui peut être mise en œuvre simultanément ou après l'étape de détection et / ou d'envoi d'alarme, l'énergie totale emmagasinée dans la batterie ainsi que les coefficients du modèle estimés sont sauvegardées par le système de recharge afin d'être utilisés dans l'étape d'estimation associée à la future recharge le cas échéant. La figure 2 schématise le modèle dynamique sous-jacent utilisé par le procédé. Le modèle choisi pour la mise en œuvre du procédé est un modèle d'état dynamique pour lequel les mesures de l'énergie totale emmagasinée sont entachées par un bruit blanc distribué selon une loi de Student, qui est une loi dite "à queue lourde".
L'introduction d'une loi à queue lourde au niveau des mesures est avantageuse sur le plan pratique, en ce sens que cette loi tolère une probabilité plus grande de présence des valeurs aberrantes (ou extrêmes) au niveau des mesures contrairement à la loi gaussienne qui quant à elle, considère que 99% des mesures sont normales et donne seulement 1 % de chance à l'apparition des valeurs extrêmes. Dans le modèle sélectionné, chaque mesure d'énergie totale emmagasinée peut être associée à une variable introduite artificiellement modélisant le poids de la variance associée à cette même mesure.
En d'autres termes, contrairement au modèle classique à bruit gaussien à variance fixe, le modèle sélectionné affecte un poids différent à chacune des variances des mesures pour les rendre variables (de telle sorte que les poids les plus faibles sont associés aux mesures ayant une tendance à être aberrantes et/ou extrêmes). Par ailleurs, optionnellement, des calculs récursifs fondés sur l'utilisation d'un filtre de Kalman permettent d'estimer, à l'issue de chaque cycle de recharge, le poids associé à la variance de la mesure de l'énergie totale emmagasinée (entre autres variables estimées).
Les poids estimés sont particulièrement avantageux lors de l'étape de détection puisqu'en utilisant un seuil fixé par l'utilisateur, les mesures sont considérées comme étant aberrantes ou non selon que les poids associés sont inférieurs ou supérieurs au seuil fixé.
Aussi, contrairement aux méthodes de détection connues qui se basent par exemple sur l'intervalle de confiance (par exemple), et qui requièrent d'une part l'hypothèse gaussienne sur l'erreur de reconstruction des meures, et d'autre part de pouvoir calculer les bornes de l'intervalle de confiance, l'étape de détection présentement divulguée n'est fondée que sur la comparaison des poids (i.e. déjà calculés) par rapport à un seuil prédéfini, sans aucun autre calcul ou hypothèse supplémentaire. Avantageusement donc, la détection est faite de manière automatique et sans aucun réglage manuel.
Le modèle mathématique est décrit en détail ci-après.
Pour la lisibilité, les paramètres d'entrée ainsi que le chiffre 1 sont concaténés dans un même vecteur ^ = 1]r où « -r » désigne le transposé d'un vecteur ou une matrice. Le modèle se fonde sur deux équations:
1 en = hT nxn + vn (équation 1 ), pour laquelle: χ η est un coefficient variable aléatoirement au cours des cycles de recharges (au cours de n). Sa dynamique est régie par la dite matrice de transition F et une variable aléatoire gaussienne "« indépendante au cours des recharges, centrée et de matrice de covariance Q . Par ailleurs, à l'initialisation, ou de manière équivalente lors de la 1 ere recharge (n = 1), une valeur de xi est supposée générée selon une loi Gaussienne de moyenne et de matrice de covariance∑ ; et vn est une variable aléatoire indépendante au cours des recharges modélisant le bruit d'observations (ou de mesures). Cette variable par hypothèse suit une loi Gaussienne centrée conditionnellement à un processus aléatoire auxiliaire indépendant suivant une loi Gamma, avec et Γία, β) (équation 2)
Les propriétés (équation 2) assurent que le bruit % associé à l'observation (ou la mesure de l'énergie) % suit une loi de Student , qui notons-le, est une loi à queue lourde ce qui permet aux valeurs aberrantes de l'énergie d'être mieux représentées par le modèle. Les paramètres « et β de la loi Gamma p(w¾) sont supposés connus et fixés par l'utilisateur.
Il est à présent établi l'inventaire des variables à estimer et le mécanisme d'estimation est décrit ci-après.
Les notations suivantes sont utilisées par la suite pour tout entier non nul n et m. xn'.m : estimation au sens de la minimisation de l'erreur quadratique moyenne de χη à partir de l'énergie totale emmagasinée suite à la meme recharge em ainsi que son historique {e\ > e2 > ' " > em-\ } s'il existe (lorsque #/D = 1).
Pn m : la matrice de covariance associée à l'estimation i.int . w .im : estimation du poids «¾ connaissant
s'il existe.
Pour chaque recharge n, l'estimation des coefficients et du poids est faite par un algorithme de calcul approché à base de filtre de Kalman. Cependant, ce calcul requiert la connaissance du modèle, c'est-à-dire des paramètres initiaux ^ et ∑ , ceux de transition F et Q et la variance , inconnus a priori, ce qui rends leur estimation nécessaire en plus de celle de et Pour ce faire, nous utilisons un algorithme de type EM (Expectation-Maximization). Ces deux mécanismes, c'est-à-dire celui de l'estimation des coefficients « et des poids w« , et celui de l'estimation des paramètres du modèle ^ ,∑ , F, Q et sont décrits dans la suite.
La figure 3 schématise des exemples d'étapes d'estimation des coefficients coefficients x et poids La figure 3 présente une situation dans laquelle où un historique de l'énergie totale emmagasinée est disponible (#ID = 1 ). Le calcul se fonde sur l'utilisation d'un filtre de Kalman et comprend notamment deux étapes: une étape dite de prédiction pour laquelle l'estimation exploite les mesures passées de l'énergie totale emmagasinée, et une étape de filtrage qui quant à elle intègre également l'énergie associée à la recharge actuelle.
Pour l'étape de prédiction sont utilisés les paramètres de transition du modèle F et Q afin de calculer l'estimation de prédiction ¾n_i et sa matrice de covariance associée n-, à partir de celle de filtrage associée à la recharge précédente *„_,;„_, et sa matrice de covariance associée Pn - i'n-i -
Pour l'étape de filtrage, le calcul se fait itérativement. L'étape est une étape de correction puisque l'estimation de prédiction {χ η\η-ι , ¾«-ι) est corrigée en intégrant au mesures passées la mesure actuelle ¾ ce qui conduit à l'estimation de filtrage (χ η;η , ¾„). Une estimation wni„du poids w„ est également fournie.
Au cours de la recharge initiale (#ID = 0), l'étape de prédiction disparait et seules les équations de filtrage restent valables permettant de calculer une estimation de χι et de wi à partir de ei ; dans ces équations les paramètres de prédiction sont remplacés par ,∑ respectivement.
La figure 4 illustre l'étape de l'estimation des paramètres '" , ∑, F, Q et σΧ dans le cas où une historique de recharges est disponible (#ID=1 ).
Ces paramètres sont estimés à l'aide d'un algorithme à base de EM permettant de maximiser la dite vraisemblance des données complètes Ptxvwv xu,wn, %) (ou son logarithme). Sur le plan pratique, l'algorithme EM utilisé est itératif et chacune des itérations se constitue de deux étapes : une étape de calcul (ou d'Expectation) et une étape de maximisation. Ces étapes sont décrites dans le cas où une historique de recharges est disponible (#ID=1 ). Au cours de la 1 ere recharge (absence d'historique #ID=0), le mécanisme de transition n'est pas encore déclenché. De ce fait, les paramètres de transition F, Q disparaissent et seules -" , ∑ et ffZ sont estimées. A cet effet, l'étape E est remplacée par l'étape de filtrage avec n = 1, et l'étape M est faite avec k = n = 1.
L'étape de détection 161 est décrite ci-après.
Pour une recharge n, notre critère est basé sur le poids estimé
β
effet, en exploitant le fait ζ, w„\„ soit compris entre 0 et 1 il est a + 1
possible de poser: ξη < s eu i <=> l'énergie e n est une valeur aberrante.
La valeur seuil est choisie entre 0 et 1 (généralement très petite). Ce critère est basé sur le fait que les recharges ayant un faible poids w«|« (donc une variance de mesure importante w ) sont considérées comme étant atypiques.
Il est divulgué un système pour détecter une anomalie de recharge d'une batterie d'un véhicule électrique, le système comprenant des moyens pour mettre en œuvre une ou plusieurs étapes du procédé.
Il est divulgué un produit programme d'ordinateur, ledit programme d'ordinateur comprenant des instructions de code permettant d'effectuer une ou plusieurs étapes du procédé, lorsque ledit programme est exécuté sur un ordinateur.
Il est divulgué un support de données comprenant des instructions de code permettant d'effectuer une ou plusieurs étapes du procédé, lorsque ledit code est exécuté sur un ordinateur.
La présente invention peut s'implémenter à partir d'éléments matériel et/ou logiciel. Elle peut être disponible en tant que produit programme d'ordinateur sur un support lisible par ordinateur. Le support peut être électronique, magnétique, optique, électromagnétique ou être un support de diffusion de type infrarouge.

Claims

Revendications
1 . Un procédé mis en œuvre par ordinateur pour la gestion de la recharge d'une batterie d'un véhicule électrique, comprenant les étapes consistant à: réaliser un cycle de recharge de la batterie du véhicule électrique;
mesurer l'énergie totale emmagasinée par la batterie;
calculer la variance associée à ladite énergie totale; et
déterminer un coefficient associé à ladite variance.
2. Procédé selon la revendication 1 , l'étape de détermination du coefficient associé à la variance étant récursive.
3. Procédé selon la revendication 2, comprenant en outre une étape consistant à comparer le coefficient tel que déterminé à un ou plusieurs seuils.
4. Procédé selon la revendication 3, le seuil prédéfini étant configurable.
5. Procédé selon les revendications 3 ou 4, comprenant en outre une étape consistant à émettre une alarme si la mesure de l'énergie totale emmagasinée déterminée est supérieure à un ou plusieurs seuils.
6. Procédé selon la revendication 1 , le calcul de la variance étant associé à un bruit blanc distribué selon une loi de distribution à queue lourde.
7. Procédé selon la revendication 6, la loi de distribution à queue lourde étant une loi de Student.
8. Procédé selon la revendication 1 , l'étape consistant à déterminer un coefficient associé à la variance de la mesure de l'énergie totale emmagasinée par la batterie comprenant une étape consistant à utiliser un filtre de Kalman.
9. Procédé selon la revendication 8, ledit filtre de Kalman étant appliqué à une pluralité de mesures d'énergies totales passées.
10. Procédé selon la revendication 9, comprenant en outre la prise en compte de la mesure de l'énergie totale associée audit cycle de recharge en cours.
11 . Procédé selon l'une quelconque des revendications précédentes, comprenant en outre une étape consistant à stocker une ou plusieurs valeurs de mesure d'énergie totale emmagasinée et un ou plusieurs coefficients associés aux variances desdites valeurs de mesure.
12. Procédé selon l'une quelconque des revendications précédentes, comprenant en outre une étape consistant à recevoir une valeur d'autonomie initiale et une valeur de température ambiante.
13. Un système pour détecter une anomalie de recharge d'une batterie d'un véhicule électrique, le système comprenant des moyens pour mettre en œuvre les étapes du procédé selon l'une quelconque des revendications 1 à 12.
14. Un produit programme d'ordinateur, ledit programme d'ordinateur comprenant des instructions de code permettant d'effectuer les étapes du procédé selon l'une quelconque des revendications 1 à 12, lorsque ledit programme est exécuté sur un ordinateur.
15. Support de données comprenant des instructions de code permettant d'effectuer les étapes du procédé selon l'une quelconque des revendications 1 à 12, lorsque ledit programme est exécuté ordinateur.
EP15759770.9A 2014-09-12 2015-09-04 Gestion de la recharge de la batterie d'un vehicule electrique Withdrawn EP3191860A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1458563A FR3025889B1 (fr) 2014-09-12 2014-09-12 Gestion de la recharge de la batterie d'un vehicule electrique
PCT/EP2015/070197 WO2016037929A1 (fr) 2014-09-12 2015-09-04 Gestion de la recharge de la batterie d'un vehicule electrique

Publications (1)

Publication Number Publication Date
EP3191860A1 true EP3191860A1 (fr) 2017-07-19

Family

ID=52339237

Family Applications (1)

Application Number Title Priority Date Filing Date
EP15759770.9A Withdrawn EP3191860A1 (fr) 2014-09-12 2015-09-04 Gestion de la recharge de la batterie d'un vehicule electrique

Country Status (5)

Country Link
US (1) US20170227610A1 (fr)
EP (1) EP3191860A1 (fr)
JP (1) JP2017530353A (fr)
FR (1) FR3025889B1 (fr)
WO (1) WO2016037929A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190120908A1 (en) * 2017-10-25 2019-04-25 Samsung Electronics Co., Ltd. Apparatus and methods for identifying anomaly(ies) in re-chargeable battery of equipment and connected component(s)

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB8718280D0 (en) * 1987-08-01 1987-09-09 Ford Motor Co Measuring battery charge
JPH08182209A (ja) * 1994-12-22 1996-07-12 Niigata Eng Co Ltd 充電装置
US6242157B1 (en) * 1996-08-09 2001-06-05 Tdk Corporation Optical recording medium and method for making
WO2000004620A2 (fr) * 1998-07-20 2000-01-27 Alliedsignal Inc. Systeme et procede pour surveiller une batterie de vehicule
JP3687726B2 (ja) * 1999-07-05 2005-08-24 矢崎総業株式会社 バッテリ充電装置及び満充電検出方法
US8103485B2 (en) * 2004-11-11 2012-01-24 Lg Chem, Ltd. State and parameter estimation for an electrochemical cell
US7974253B2 (en) * 2005-03-08 2011-07-05 Qualcomm Incorporated Methods and apparatus for implementing and using a rate indicator
US7633062B2 (en) * 2006-10-27 2009-12-15 Los Alamos National Security, Llc Radiation portal monitor system and method
FR2949565B1 (fr) * 2009-09-02 2012-12-21 Inst Francais Du Petrole Methode amelioree pour estimer les caracteristiques non mesurables d'un systeme electrochimique
JP5732725B2 (ja) * 2010-02-19 2015-06-10 ミツミ電機株式会社 電池状態検知装置
JP5318128B2 (ja) * 2011-01-18 2013-10-16 カルソニックカンセイ株式会社 バッテリの充電率推定装置
JP5595361B2 (ja) * 2011-09-27 2014-09-24 プライムアースＥｖエナジー株式会社 二次電池の充電状態推定装置
US8922217B2 (en) * 2012-05-08 2014-12-30 GM Global Technology Operations LLC Battery state-of-charge observer
JP5944291B2 (ja) * 2012-10-05 2016-07-05 カルソニックカンセイ株式会社 バッテリのパラメータ等推定装置およびその推定方法
JP6089555B2 (ja) * 2012-10-09 2017-03-08 三菱自動車工業株式会社 電力制御装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
None *
See also references of WO2016037929A1 *

Also Published As

Publication number Publication date
US20170227610A1 (en) 2017-08-10
FR3025889A1 (fr) 2016-03-18
WO2016037929A1 (fr) 2016-03-17
JP2017530353A (ja) 2017-10-12
FR3025889B1 (fr) 2016-11-18

Similar Documents

Publication Publication Date Title
EP3044601A1 (fr) Procede, dispositif et systeme d&#39;estimation de l&#39;etat de charge d&#39;une batterie
EP3089888A1 (fr) Procédé, dispositif et système d&#39;estimation de l&#39;etat de santé d&#39;une batterie d&#39;un véhicule électrique ou hybride en condition d&#39;utilisation, et procédé de construction d&#39;un modèle pour une telle estimation
EP3336560B1 (fr) Procédé et dispositif de diagnostic d&#39;usure d&#39;un appareil électrique de coupure, et appareil électrique comportant un tel dispositif
EP2396838A1 (fr) Procédé et dispositif de classification d&#39;une batterie
WO2015040326A1 (fr) Procede d&#39;estimation du vieillissement d&#39;une cellule de batterie d&#39;accumulateurs
WO2022025743A1 (fr) Système intelligent pour ta détection et l&#39;identification des appareils en fonctionnement à l&#39;aide d&#39;une surveillance bimodale non-intrusive du signal électrique
EP2859421A1 (fr) Prevision d&#39;operations de maintenance a appliquer sur un moteur
FR3107597A1 (fr) Procédé d’estimation de l’état de santé énergétique d’une batterie
WO2021148324A1 (fr) Procede de diagnostic rapide et hors ligne d&#39;accumulateurs et dispositifs associes
FR3035232A1 (fr) Systeme de surveillance de l&#39;etat de sante d&#39;un moteur et procede de configuration associe
FR3037170A1 (fr) Procede et systeme de prediction du fonctionnement d&#39;un aeronef par analyse de similarite utilisant des capacites de stockage et de calcul reparties
FR3044424A1 (fr) Dispositif portatif de diagnostic d&#39;une batterie de traction de type li-ion et methode mettant en œuvre un tel dispositif
EP3081949B1 (fr) Procédé de détection de fraudes dans un réseau de fourniture d&#39;électricité
EP4288304A1 (fr) Procede d&#39;estimation d&#39;un etat de charge d&#39;une batterie de vehicule electrifie pour un systeme de supervision distante
EP3191860A1 (fr) Gestion de la recharge de la batterie d&#39;un vehicule electrique
EP3175363A1 (fr) Procédé de détermination automatique de causes de dysfonctionnement d&#39;un système composé d&#39;une pluralité de composants matériels ou logiciels
FR3078802A1 (fr) Reseau de neurones convolutionnel pour l&#39;estimation d&#39;un indicateur de production d&#39;energie solaire
FR3112622A1 (fr) Procédé et système de maintenance prédictive
EP3559688B1 (fr) Caractérisation perfectionnée d&#39;un dispositif électrochimique en opération pour un pronostic de fonctionnement futur du dispositif
EP3539259B1 (fr) Procédé et dispositif d&#39;actualisation d&#39;un modèle prédictif d&#39;une variable relative à un terminal mobile
EP3671583B1 (fr) Procédé et dispositif de mémorisation de données numériques
EP3635690A1 (fr) Dispositif d&#39;enregistrement de données de déplacement, procédé et programme correspondant
FR3052262A1 (fr) Methode de diagnostic d&#39;un ensemble de batteries d&#39;accumulateurs reparties dans une flotte de vehicules automobiles
EP4639189A1 (fr) Prédiction de l&#39;état de santé d&#39;un accumulateur d&#39;énergie électrique
FR3096456A1 (fr) Procédé de surveillance d’un composant embarqué dans un véhicule

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20170208

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20200918

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20210129