FR3025889A1 - Gestion de la recharge de la batterie d'un vehicule electrique - Google Patents

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. 116 mots

Description

3025889 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 3025889 2 emmagasinée peut atteindre des valeurs extrêmes, inadéquates avec l'hypothèse gaussienne du bruit du modèle. Concernant ce problème technique consistant à mener une détection 5 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 10 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").

15 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 30 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 20 25 3025889 3 du rechargement d'un véhicule électrique, détection des recharges aberrantes) Selon un aspect de l'invention, il est procédé à l'estimation récursive des 5 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 l'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 10 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).

15 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 20 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.

25 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 3025889 4 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) 5 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 10 recharge et non pas des anomalies tenant à la batterie elle-même. Description des figures Différents aspects et avantages de l'invention vont apparaitre en appui de la 15 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; 20 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).

25 La figure 4 illustre un exemple d'estimation de F, Q et a2 à l'issue d'une recharge n>1 (dans le cas #ID=1).

30 3025889 5 Description détaillée de l'invention Il est divulgué un procédé mis en oeuvre par ordinateur pour la gestion de la recharge d'une batterie d'un véhicule électrique, comprenant les étapes 5 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.

10 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).

15 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 20 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 25 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.

30 3025889 6 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.

5 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 10 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 15 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 20 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.

25 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.

30 La détermination de l'énergie totale emmagasinée peut se faire par différentes méthodes. Dans un mode de réalisation, la borne de recharge 3025889 7 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 5 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 10 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).

15 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").

20 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 25 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 30 du véhicule et/ou des seuils de confiance statistiques associé au modèle de 3025889 8 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 5 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 10 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.

15 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 20 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).

25 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 30 affecté à cette variance ainsi déterminée. Ce coefficient permet de "caler" le modèle.

3025889 9 Dans un développement, l'étape de détermination du coefficient associé à la variance est récursive.

5 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 10 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.

15 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).

20 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 25 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 30 manifestement erronée, etc). Par exemple, une ou plusieurs de ces valeurs d'énergie totale emmagasinée peuvent être déterminée de manière 3025889 10 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 5 confirmer voire moduler les mesures directes et/ou la prise en compte de l'historique. De surcroît, des méthodes probabilistes peuvent également être utilisées (en complément ou en en l'absence de données statistiques et/ou d'historique spécifique).

10 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.

15 Dans un développement, le procédé comprend en outre une étape consistant à comparer le coefficient tels que déterminé à un ou plusieurs seuils.

20 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).

25 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, 30 informations secrètes ou déclaratives ou mesurées) lesquelles peuvent impliquer par suite des solutions à caractère technique qui peuvent être très 3025889 11 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 oeuvrant pour ledit client) peut dans certains modes de réalisation choisir le 5 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, 10 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 15 "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 20 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 25 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 30 blanc distribué selon une loi de distribution à queue lourde.

3025889 12 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.

5 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 10 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 15 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 20 "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 25 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) 30 302 5 889 13 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 5 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).

10 Les algorithmes et codes sources correspondants sont largement diffusés, rendant l'implémentation concrète plus aisée (par exemple Boujemaa Ait-ElFquih, Cédric Gouy-Pailler: "Backward hidden Markov chain for outlierrobust filtering and fixed-interval smoothing" ICASSP 2013: 5504-5508) 15 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 20 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).

25 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 30 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.

3025889 14 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.

5 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.

10 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 15 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.

20 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 25 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).

30 3025889 15 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).

5 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 10 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) 15 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 20 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).

25 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 30 selon des abaques ou des bases de données, etc. A contrario, le fait de 3025889 16 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 5 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 oeuvre. En particulier, le modèle associe un poids à la 10 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 15 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).

20 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.

25 Pour une recharge (n = 1, 2, ....), les notations suivantes sont considérées par la suite: en : l'énergie totale emmagasinée ; 17 3025889 an : 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) ; tn : la température ambiante au moment du lancement de la recharge.

5 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.

10 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 #ID initialement valant 0. Cette étape permet, dans le cas 15 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.

20 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 25 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 #ID à la sortie de l'étape 30 120 n'intervient pas dans les étapes 130 et 140. Pour cette raison, l'étape 3025889 18 120 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.

5 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 (#0=0), on 10 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).

15 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.

20 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 25 (causée par exemple par le vieillissement de la batterie). A l'étape de sauvegarde 160, qui peut être mise en oeuvre 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 30 sont sauvegardées par le système de recharge afin d'être utilisés dans l'étape d'estimation associée à la future recharge le cas échéant.

3025889 19 La figure 2 schématise le modèle dynamique sous-jacent utilisé par le procédé. Le modèle choisi pour la mise en oeuvre du procédé est un modèle d'état dynamique pour lequel les mesures de l'énergie totale emmagasinée 5 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 10 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`)/0 de chance à l'apparition des valeurs extrêmes.

15 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 20 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).

25 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).

30 Les poids estimés sont particulièrement avantageux lors de l'étape de détection puisqu'en utilisant un seuil fixé par l'utilisateur, les mesures sont 3025889 20 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 5 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, 10 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.

15 Pour la lisibilité, les paramètres d'entrée ainsi que le chiffre 1 sont concaténés dans un même vecteur ,1jr où « » désigne le transposé d'un vecteur ou une matrice.

20 Le modèle se fonde sur deux équations: (équation 1), pour laquelle: x, est un coefficient variable aléatoirement au cours des cycles de 25 recharges (au cours de n). Sa dynamique est régie par la dite matrice de transition F et une variable aléatoire gaussienne u. indépendante au cours des recharges, centrée et de matrice de covariance Q . Par ailleurs, à l'initialisation, ou de manière équivalente lors de la 1ètre recharge (n = 1), une valeur de xi est supposée générée selon une loi Gaussienne de moyenne 30 da et de matrice de covariance E ; et 3025889 21 AI 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 wri indépendant suivant une loi Gamma, avec 5 (équation 2) Les propriétés (équation 2) assurent que le bruit v' associé à l'observation (ou la mesure de l'énergie) ,g.' suit une loi de Student , qui notons-le, est une 10 loi à queue lourde ce qui permet aux valeurs aberrantes de l'énergie d'être mieux représentées par le modèle. Les paramètres c et 13 de la loi Gamma sont supposés connus et fixés par l'utilisateur. Il est à présent établi l'inventaire des variables à estimer et le mécanisme 15 d'estimation est décrit ci-après. Les notations suivantes sont utilisées par la suite pour tout entier non nul n et m. 20 : estimation au sens de la minimisation de l'erreur quadratique moyenne de x à partir de l'énergie totale emmagasinée suite à la mème recharge em ainsi que son historique {ei,e2,---,e.-1} s'il existe (lorsque #ID = 1). : la matrice de covariance associée à l'estimation 25 : estimation du poids w' connaissant em et son historique {ei,e2,---,em-i} s'il existe. Pour chaque recharge n, l'estimation des coefficients et du poids est faite 30 par un algorithme de calcul approché à base de filtre de Kalman.

22 3025889 Cependant, ce calcul requiert la connaissance du modèle, c'est-à-dire des paramètres initiaux da et E , ceux de transition F et Q et la variance , inconnus a priori, ce qui rends leur estimation nécessaire en plus de celle de xn et W. . Pour ce faire, nous utilisons un algorithme de type EM 5 (Expectation-Maximization). Ces deux mécanismes, c'est-à-dire celui de l'estimation des coefficients xn et des poids 112, , et celui de l'estimation des paramètres du modèle du , E, F, Q et sont décrits dans la suite. La figure 3 schématise des exemples d'étapes d'estimation des coefficients 10 coefficients x et poids w. 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, 15 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 et sa matrice 20 de covariance associée Pnl_, à partir de celle de filtrage associée à la recharge précédente x-i1n-1 et sa matrice de covariance associée Pour l'étape de filtrage, le calcul se fait itérativement. L'étape est une étape de correction puisque l'estimation de prédiction ( ri-1 Prilti-1) est corrigée 25 en intégrant au mesures passées la mesure actuelle en ce qui conduit à l'estimation de filtrage (xnin , Fo n). Une estimation Ifni, du poids est également fournie. Au cours de la recharge initiale (#ID = 0), l'étape de prédiction disparait et 30 seules les équations de filtrage restent valables permettant de calculer une 3025889 23 estimation de xi et de w1 à partir de el ; dans ces équations les paramètres de prédiction , /3,1,-1 sont remplacés par du, E respectivement. La figure 4 illustre l'étape de l'estimation des paramètres da , E , F, Q et T2 5 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 (ou son logarithme). Sur le plan pratique, l'algorithme 10 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 1ère recharge (absence d'historique #ID=O), le mécanisme de transition n'est pas encore déclenché. De ce fait, 15 les paramètres de transition F, Q disparaissent et seules P, E et LT2 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.

20 Pour une recharge n, notre critère est basé sur le poids estimé 112,1, . En effet, en exploitant le fait - a +1112,1, soit compris entre 0 et 1 il est possible de poser: 25n < seuil <=> l'énergie en 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 112,1, (donc une 3025889 24 0- 2 variance de mesure importante atypiques. w ) sont considérées comme étant + Il est divulgué un système pour détecter une anomalie de recharge d'une 5 batterie d'un véhicule électrique, le système comprenant des moyens pour mettre en oeuvre 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 10 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 15 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 20 électronique, magnétique, optique, électromagnétique ou être un support de diffusion de type infrarouge. 25 30

Claims (15)

1. REVENDICATIONS1. Un procédé mis en oeuvre par ordinateur pour la gestion de la recharge d'une batterie d'un véhicule électrique, comprenant les étapes consistant à: 5 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. 10
2. 2. Procédé selon la revendication 1, l'étape de détermination du coefficient associé à la variance étant récursive.
3. 3. Procédé selon la revendication 2, comprenant en outre une étape consistant à comparer le coefficient tel que déterminé à un ou plusieurs 15 seuils.
4. 4. Procédé selon la revendication 3, le seuil prédéfini étant configurable.
5. 5. Procédé selon les revendications 3 ou 4, comprenant en outre une étape 20 consistant à émettre une alarme si la mesure de l'énergie totale emmagasinée déterminée est supérieure à un ou plusieurs seuils.
6. 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. 25
7. 7. Procédé selon la revendication 6, la loi de distribution à queue lourde étant une loi de Student.
8. 8. Procédé selon la revendication 1, l'étape consistant à déterminer un 30 coefficient associé à la variance de la mesure de l'énergie totale 3025889 26 emmagasinée par la batterie comprenant une étape consistant à utiliser un filtre de Kalman.
9. 9. Procédé selon la revendication 8, ledit filtre de Kalman étant appliqué à 5 une pluralité de mesures d'énergies totales passées.
10. 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. 10
11. 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. 15
12. 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. 20
13. 13. Un système pour détecter une anomalie de recharge d'une batterie d'un véhicule électrique, le système comprenant des moyens pour mettre en oeuvre les étapes du procédé selon l'une quelconque des revendications 1 à 12. 25
14. 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. 30
15. 15. Support de données comprenant des instructions de code permettant d'effectuer les étapes du procédé selon l'une quelconque des 3025889 27 revendications 1 à 12, lorsque ledit programme est exécuté sur un ordinateur. 10 15 20 25 30