FR3131780A1 - METHOD FOR ESTIMATING THE MAXIMUM ELECTRICAL POWER DELIVERED BY AN ELECTRIC BATTERY - Google Patents
METHOD FOR ESTIMATING THE MAXIMUM ELECTRICAL POWER DELIVERED BY AN ELECTRIC BATTERY Download PDFInfo
- Publication number
- FR3131780A1 FR3131780A1 FR2200175A FR2200175A FR3131780A1 FR 3131780 A1 FR3131780 A1 FR 3131780A1 FR 2200175 A FR2200175 A FR 2200175A FR 2200175 A FR2200175 A FR 2200175A FR 3131780 A1 FR3131780 A1 FR 3131780A1
- Authority
- FR
- France
- Prior art keywords
- electric battery
- temperature
- energy storage
- neural network
- electrical energy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004146 energy storage Methods 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 210000000352 storage cell Anatomy 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims abstract description 6
- 239000011248 coating agent Substances 0.000 claims description 17
- 238000000576 coating method Methods 0.000 claims description 17
- 230000036541 health Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000005240 physical vapour deposition Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 21
- 210000004027 cell Anatomy 0.000 description 6
- 238000013021 overheating Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010016275 Fear Diseases 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
Abstract
L’invention concerne un procédé (4), mis en œuvre dans un système de gestion d’une batterie électrique d’un véhicule ou dans une unité de commande électronique du véhicule, d’estimation de la puissance électrique maximale délivrée par la batterie électrique, ledit système de gestion ou ladite unité de commande électronique stockant un réseau de neurones à apprentissage supervisé avec propagation avant, le procédé (4) comportant les étapes suivantes : une mesure (6) de la température courante des cellules de stockage d’énergie électrique d’un module de la batterie, ladite température mesurée étant fournie en entrée du réseau de neurones ;une mesure (8) de l’état de charge courant de la batterie électrique, ledit état de charge courant mesuré étant fourni en entrée du réseau de neurones ; etune détermination (28), par le réseau de neurones, d’une valeur estimée de la puissance électrique maximale délivrée par la batterie électrique. Figure 1The invention relates to a method (4), implemented in a system for managing an electric battery of a vehicle or in an electronic control unit of the vehicle, for estimating the maximum electric power delivered by the electric battery, said management system or said electronic control unit storing a network of supervised learning neural networks with forward propagation, the method (4) comprising the following steps: a measurement (6) of the current temperature of the electric energy storage cells of a module of the battery, said measured temperature being supplied as input to the network of neurons;a measurement (8) of the current state of charge of the electric battery, said measured current state of charge being supplied as input to the neural network; anda determination (28), by the neural network, of an estimated value of the maximum electric power delivered by the electric battery. Figure 1
Description
L’invention se rapporte à un procédé, mis en œuvre dans un système de gestion d’une batterie électrique d’un véhicule ou dans une unité de commande électronique du véhicule, d’estimation de la puissance électrique maximale délivrée par la batterie électrique. La batterie électrique est typiquement mais non limitativement une batterie de traction du véhicule, notamment une batterie lithium-ion. L’invention se rapporte également à un procédé, mis en œuvre dans un système de gestion d’une batterie électrique d’un véhicule ou dans une unité de commande électronique du véhicule, de limitation de la puissance électrique délivrée par la batterie électrique, le procédé comprenant un tel sous-procédé d’estimation de la puissance électrique maximale délivrée par la batterie électrique.The invention relates to a method, implemented in a system for managing an electric battery of a vehicle or in an electronic control unit of the vehicle, for estimating the maximum electrical power delivered by the electric battery. The electric battery is typically but not limited to a vehicle traction battery, in particular a lithium-ion battery. The invention also relates to a method, implemented in a system for managing an electric battery of a vehicle or in an electronic control unit of the vehicle, for limiting the electrical power delivered by the electric battery, the method comprising such a sub-process for estimating the maximum electrical power delivered by the electric battery.
Une batterie de stockage électrique (aussi appelée bloc batterie ou « battery pack » en anglais), implantée dans un véhicule électrique ou hybride, subit un vieillissement et une dégradation de ses capacités de stockage au cours du temps. En particulier, la surchauffe se présente comme une contrainte pour le fonctionnement optimal des composants électroniques à l’intérieur de la batterie électrique. A titre d’exemple, des barres de distribution de courant, des faisceaux, des relais et/ou des fusibles sont susceptibles de subir des dysfonctionnements lorsque leur température atteint une température critique maximale. Afin de protéger ces composants, il est connu de limiter la puissance électrique délivrée par la batterie électrique. Ce processus, mis en œuvre par un système de gestion des fonctions de la batterie électrique (appelé BMS en anglais pour « Battery Management System ») ou par une unité de commande électronique du véhicule, est appelé « derating » en anglais et permet d’éviter la défaillance des composants électroniques. Une solution connue permettant d’effectuer un processus de « derating » pour les composants électroniques de la batterie se base sur des courbes « temps-puissance » de tous les composants pertinents. Ces courbes indiquent combien de temps une puissance peut persister avant de devoir chuter à un niveau plus bas. Les courbes des composants sont fournies par les fournisseurs qui mesurent l’évolution de température de leurs composants sous une même condition de refroidissement et sous une température ambiante maximale prédéfinie. Pour une certaine puissance, un composant donné atteint une température maximale qu’il peut soutenir après un certain temps. Cette paire de valeurs « puissance – temps » compose un point sur la courbe. Il existe une puissance pour laquelle le composant peut fonctionner en temps illimité à la condition de refroidissement définie. Il existe aussi une puissance délimitée par d’autres facteurs (électrique, inflammabilité, etc.) où le fonctionnement du composant est interdit quelle que soit la température. Toutes les courbes des composants forment une zone commune où le fonctionnement de tous les composants est permis. Pour avoir une marge de sécurité, la loi de commande de puissance utilisée pour le « derating » est définie par étapes dans la zone commune. Toutefois, cette loi de commande de puissance utilisée pour le « derating » présente deux inconvénients : d’abord, la limitation de la puissance électrique peut être déclenchée trop tôt, notamment avant que le composant ait atteint sa température maximale (par exemple quand la température ambiante est moins sévère que prévue et que le composant se réchauffe à partir de cette température ambiante). Ensuite, la limitation de la puissance électrique peut être activée trop tard (par exemple quand la température du composant est déjà très élevée avant le démarrage). Typiquement, après avoir fonctionné pendant un certain temps, la température du composant devient plus élevée que la température initiale dans les essais. Le temps pour que le composant atteigne sa puissance maximale devient alors plus court pour une même puissance donnée. Par conséquent, la puissance électrique délivrée par la batterie ne peut pas exploitée totalement par une telle loi de commande, alors qu’une surchauffe est susceptible d’apparaitre dans certains cas, ce qui est préjudiciable à la durée de vie des composants. Ceci nuit à la précision de la loi de commande de puissance utilisée pour le « derating ».An electric storage battery (also called a battery pack), installed in an electric or hybrid vehicle, undergoes aging and a deterioration of its storage capacities over time. In particular, overheating presents itself as a constraint for the optimal functioning of the electronic components inside the electric battery. For example, current distribution bars, harnesses, relays and/or fuses are likely to malfunction when their temperature reaches a maximum critical temperature. In order to protect these components, it is known to limit the electrical power delivered by the electric battery. This process, implemented by a system for managing the functions of the electric battery (called BMS in English for “Battery Management System”) or by an electronic control unit of the vehicle, is called “derating” in English and makes it possible to avoid failure of electronic components. A known solution for carrying out a “derating” process for the electronic components of the battery is based on “time-power” curves of all relevant components. These curves indicate how long a power can persist before it must drop to a lower level. The component curves are provided by suppliers who measure the temperature evolution of their components under the same cooling condition and under a predefined maximum ambient temperature. For a certain power, a given component reaches a maximum temperature that it can sustain after a certain time. This pair of “power – time” values compose a point on the curve. There is a power for which the component can operate indefinitely at the defined cooling condition. There is also a power limited by other factors (electrical, flammability, etc.) where the operation of the component is prohibited whatever the temperature. All component curves form a common area where operation of all components is permitted. To have a safety margin, the power control law used for derating is defined in stages in the common zone. However, this power control law used for "derating" has two drawbacks: first, the limitation of the electrical power can be triggered too early, in particular before the component has reached its maximum temperature (for example when the temperature ambient temperature is less severe than expected and the component heats up from this ambient temperature). Then, the electrical power limitation can be activated too late (for example when the component temperature is already very high before starting). Typically, after operating for a while, the component temperature becomes higher than the initial temperature in the tests. The time for the component to reach its maximum power then becomes shorter for the same given power. Consequently, the electrical power delivered by the battery cannot be fully exploited by such a control law, while overheating is likely to appear in certain cases, which is detrimental to the lifespan of the components. This affects the accuracy of the power control law used for derating.
Un procédé de « derating » est également décrit dans le document brevet EP 0 909 675 A2. Le procédé décrit dans ce document brevet permet de limiter la puissance électrique de charge ou de décharge de la batterie électrique en fonction de la température de cette dernière et de son environnement. Plus précisément, le procédé décrit une commande de charge et de décharge d'une batterie électrique secondaire, et plus particulièrement une commande de charge et de décharge par laquelle une puissance électrique de charge et de décharge est limitée en fonction de l'environnement dans lequel la batterie électrique secondaire se situe et de l’état de la batterie électrique secondaire. Toutefois, un inconvénient d’un tel procédé de limitation est que la limitation de la puissance qu’il propose est relativement imprécise, et qu’il exploite relativement peu les performances de la batterie électrique, ce qui nuit à la fiabilité de la loi de commande de limitation.A “derating” process is also described in patent document EP 0 909 675 A2. The process described in this patent document makes it possible to limit the electrical power for charging or discharging the electric battery as a function of the temperature of the latter and its environment. More precisely, the method describes a charge and discharge control of a secondary electric battery, and more particularly a charge and discharge control by which an electrical charge and discharge power is limited as a function of the environment in which the secondary electric battery is located and the state of the secondary electric battery. However, a disadvantage of such a limitation method is that the limitation of the power that it proposes is relatively imprecise, and that it makes relatively little use of the performance of the electric battery, which harms the reliability of the law of limitation command.
Une autre solution consiste à utiliser un contrôleur apte à mettre en œuvre un contrôle-commande par rétroaction pour réaliser la limitation de puissance ou « derating ». Toutefois, une telle solution impose d’implanter de nombreux capteurs thermiques sur les différents composants électroniques de la batterie électrique, afin de mesurer leur température, ce qui implique un coût très élevé.Another solution consists of using a controller capable of implementing feedback control to achieve power limitation or “derating”. However, such a solution requires installing numerous thermal sensors on the various electronic components of the electric battery, in order to measure their temperature, which involves a very high cost.
En outre, la batterie électrique craint également le froid. Ainsi, la puissance électrique disponible en sortie de la batterie réduit fortement quand sa température est inférieure à une plage optimale de températures prédéfinie. D’autres contraintes électriques et chimiques s’appliquent par ailleurs sur la batterie électrique. Dans ce contexte, il existe un besoin de pouvoir estimer la puissance électrique maximale délivrée par la batterie électrique, afin de pouvoir adapter en conséquence la limitation de la puissance électrique délivrée par cette dernière. Cette puissance électrique maximale dépend du niveau de charge ou état de charge de cette dernière (aussi appelé SOC en anglais pour « State Of Charge » - qui représente la charge électrique accumulée dans la batterie), de la durée de chargement ou de déchargement des cellules de stockage de la batterie électrique, de sa température, et de son vieillissement qui dépend lui-même de son état de santé (aussi appelé SOH en anglais pour « State Of Health » - qui représente le rapport entre la capacité maximale courante de la batterie électrique et la capacité maximale de la batterie électrique lorsqu’elle était neuve). Le fournisseur de la batterie électrique offre notamment une série de tableaux pour plusieurs durées de chargement ou de déchargement des cellules de stockage de la batterie électrique. Pour chacune de ces durées, un tableau de la puissance électrique maximale délivrée par la batterie électrique est défini selon l’état de charge et la température de la batterie. Il est alors connu de déterminer la puissance électrique maximale délivrée par la batterie électrique (notamment pour les points correspondant à des valeurs non mesurées, entre les points de mesure connus) par interpolation linéaire des valeurs contenues dans ces tableaux. Toutefois, une telle interpolation linéaire ne donne pas une valeur fiable, car la corrélation entre les valeurs n’est pas linéaire.In addition, the electric battery also fears the cold. Thus, the electrical power available at the battery output reduces significantly when its temperature is lower than a predefined optimal temperature range. Other electrical and chemical constraints also apply to the electric battery. In this context, there is a need to be able to estimate the maximum electrical power delivered by the electric battery, in order to be able to adapt the limitation of the electrical power delivered by the latter accordingly. This maximum electrical power depends on the charge level or state of charge of the latter (also called SOC in English for “State Of Charge” - which represents the electrical charge accumulated in the battery), the duration of charging or discharging of the cells storage of the electric battery, its temperature, and its aging which itself depends on its state of health (also called SOH in English for "State Of Health" - which represents the ratio between the current maximum capacity of the battery electric and the maximum capacity of the electric battery when it was new). The supplier of the electric battery notably offers a series of tables for several charging or discharging times of the storage cells of the electric battery. For each of these durations, a table of the maximum electrical power delivered by the electric battery is defined according to the state of charge and the temperature of the battery. It is then known to determine the maximum electrical power delivered by the electric battery (in particular for the points corresponding to unmeasured values, between the known measurement points) by linear interpolation of the values contained in these tables. However, such linear interpolation does not give a reliable value, because the correlation between the values is not linear.
En outre, pour obtenir la température de la batterie électrique, la température qui est mesurée est généralement celle d’un des modules de stockage d’énergie électrique que contient cette batterie. Or, cette température mesurée est bien plus basse que celle des cellules de stockage d’énergie électrique à l’intérieur du module. Pour dériver la température des cellules, un modèle physique est construit pour relier la température mesurée du module à la température des cellules. Toutefois, cette modélisation physique est peu fiable, car les propriétés thermiques de la batterie électrique ainsi que la chaleur générée en fonction de l’état de charge, de la température, et de l’état de santé de la batterie électrique sont inconnues. Ceci conduit à un manque de précision et de fiabilité dans l’estimation de la température de la batterie électrique qui est effectuée.In addition, to obtain the temperature of the electric battery, the temperature that is measured is generally that of one of the electric energy storage modules contained in this battery. However, this measured temperature is much lower than that of the electrical energy storage cells inside the module. To derive the cell temperature, a physical model is built to relate the measured module temperature to the cell temperature. However, this physical modeling is unreliable, because the thermal properties of the electric battery as well as the heat generated as a function of the state of charge, the temperature, and the state of health of the electric battery are unknown. This leads to a lack of precision and reliability in the estimation of the temperature of the electric battery which is carried out.
Le but de l’invention est de pallier les inconvénients de l’art antérieur en proposant un procédé, mis en œuvre dans un système de gestion d’une batterie électrique d’un véhicule ou dans une unité de commande électronique du véhicule, d’estimation de la puissance électrique maximale délivrée par la batterie électrique, qui soit simple, précis et fiable, qui exploite pleinement la performance de la batterie électrique afin de permettre une limitation précise et fiable de sa puissance électrique et d’éviter ainsi sa surchauffe, et qui ne nécessite pas de recourir à un ou plusieurs capteur(s) de température destiné(s) à mesurer la température des composants électroniques de la batterie.The aim of the invention is to overcome the drawbacks of the prior art by proposing a method, implemented in a system for managing an electric battery of a vehicle or in an electronic control unit of the vehicle, of estimation of the maximum electrical power delivered by the electric battery, which is simple, precise and reliable, which fully exploits the performance of the electric battery in order to allow precise and reliable limitation of its electrical power and thus avoid its overheating, and which does not require the use of one or more temperature sensor(s) intended to measure the temperature of the electronic components of the battery.
Pour ce faire, l’invention se rapporte ainsi, dans son acceptation la plus large, à un procédé, mis en œuvre dans un système de gestion d’une batterie électrique d’un véhicule ou dans une unité de commande électronique du véhicule, d’estimation de la puissance électrique maximale délivrée par la batterie électrique, la batterie électrique comprenant plusieurs modules de stockage d’énergie électrique reliés en série, chaque module de stockage d’énergie électrique comportant plusieurs cellules de stockage d’énergie électrique, ledit système de gestion ou ladite unité de commande électronique étant relié(e) à la batterie électrique et stockant un réseau de neurones à apprentissage supervisé avec propagation avant, le réseau de neurones ayant au préalable été entraîné pour son apprentissage à l’aide de données d’entraînement comportant des données de mesure de la température des cellules de stockage d’énergie électrique à l’intérieur d’au moins un des modules de stockage d’énergie électrique et des données de mesure de l’état de charge de la batterie électrique, le procédé comportant les étapes suivantes :To do this, the invention thus relates, in its broadest acceptance, to a method, implemented in a system for managing an electric battery of a vehicle or in an electronic control unit of the vehicle, estimation of the maximum electrical power delivered by the electric battery, the electric battery comprising several electrical energy storage modules connected in series, each electrical energy storage module comprising several electrical energy storage cells, said system of management or said electronic control unit being connected to the electric battery and storing a supervised learning neural network with forward propagation, the neural network having previously been trained for its learning using training data comprising data for measuring the temperature of the electrical energy storage cells inside at least one of the electrical energy storage modules and data for measuring the state of charge of the electric battery, the process comprising the following steps:
- une mesure, pour au moins un des modules de stockage d’énergie électrique, de la température courante des cellules de stockage d’énergie électrique à l’intérieur dudit module, ladite température mesurée étant prise comme température initiale de la batterie électrique et étant fournie en entrée du réseau de neurones ;a measurement, for at least one of the electrical energy storage modules, of the current temperature of the electrical energy storage cells inside said module, said measured temperature being taken as the initial temperature of the electric battery and being provided at the input of the neural network;
- une mesure de l’état de charge courant de la batterie électrique, ledit état de charge courant mesuré de la batterie électrique étant fourni en entrée du réseau de neurones ; eta measurement of the current state of charge of the electric battery, said measured current state of charge of the electric battery being supplied as input to the neural network; And
- une détermination, par le réseau de neurones, à partir de ladite température initiale mesurée et dudit état de charge courant mesuré de la batterie électrique, d’une valeur estimée de la puissance électrique maximale délivrée par la batterie électrique.a determination, by the neural network, from said measured initial temperature and said measured current state of charge of the electric battery, of an estimated value of the maximum electrical power delivered by the electric battery.
Grâce à l’utilisation d’un réseau de neurones à apprentissage supervisé avec propagation avant, qui reçoit en entrée une température mesurée des cellules de stockage d’énergie électrique contenues dans au moins un des modules de stockage d’énergie électrique et un état de charge mesuré de la batterie électrique, le procédé selon l’invention permet de fournir une estimation précise et fiable de la puissance électrique maximale délivrée par la batterie électrique. En outre, l’utilisation d’un tel réseau de neurones fournit une solution simple permet d’exploiter pleinement la performance de la batterie électrique afin de permettre une limitation précise et fiable de sa puissance électrique et d’éviter ainsi sa surchauffe, et ne nécessite pas de recourir à un ou plusieurs capteur(s) de température destiné(s) à mesurer la température des composants électroniques de la batterie. La température mesurée des cellules de stockage d’énergie électrique d’au moins un des modules de stockage d’énergie électrique est prise comme température initiale de la barre et est fournie en entrée du réseau de neurones.By using a supervised learning neural network with forward propagation, which receives as input a measured temperature of the electrical energy storage cells contained in at least one of the electrical energy storage modules and a state of measured load of the electric battery, the method according to the invention makes it possible to provide a precise and reliable estimate of the maximum electrical power delivered by the electric battery. In addition, the use of such a neural network provides a simple solution to fully exploit the performance of the electric battery in order to allow precise and reliable limitation of its electrical power and thus avoid its overheating, and not does not require the use of one or more temperature sensor(s) intended to measure the temperature of the electronic components of the battery. The measured temperature of the electrical energy storage cells of at least one of the electrical energy storage modules is taken as the initial temperature of the bar and is provided as input to the neural network.
Avantageusement, les données d’entraînement comportent en outre des données de mesure de l’état de santé de la batterie électrique, et/ou des données de mesure d’une durée de chargement ou de déchargement des cellules de stockage de la batterie électrique, le procédé comporte en outre une étape de mesure de l’état de santé courant de la batterie électrique, et/ou une étape de mesure d’une durée de chargement ou de déchargement des cellules de stockage de la batterie électrique, et ledit état de santé courant mesuré et/ou ladite durée de chargement ou de déchargement mesurée des cellules de stockage de la batterie électrique sont fournis en entrée du réseau de neurones à apprentissage supervisé avec propagation avant. Ceci permet d’améliorer la précision de l’estimation de la puissance électrique maximale délivrée par la batterie électrique.Advantageously, the training data further comprises data measuring the state of health of the electric battery, and/or data measuring a duration of loading or unloading of the storage cells of the electric battery, the method further comprises a step of measuring the current state of health of the electric battery, and/or a step of measuring a duration of charging or discharging of the storage cells of the electric battery, and said state of health health measured current and/or said measured charging or discharging duration of the storage cells of the electric battery are provided as input to the supervised learning neural network with forward propagation. This makes it possible to improve the precision of the estimation of the maximum electrical power delivered by the electric battery.
De préférence, le réseau de neurones à apprentissage supervisé avec propagation avant est un perceptron multicouche.Preferably, the supervised learning neural network with forward propagation is a multilayer perceptron.
Selon une caractéristique technique particulière de l’invention, le réseau de neurones à apprentissage supervisé avec propagation avant est composé d’une succession de plusieurs couches, le nombre de couches du réseau de neurones étant compris entre trois et cinq couches.According to a particular technical characteristic of the invention, the supervised learning neural network with forward propagation is composed of a succession of several layers, the number of layers of the neural network being between three and five layers.
Selon une autre caractéristique technique particulière de l’invention, chaque couche du réseau de neurones comporte entre huit et douze neurones.According to another particular technical characteristic of the invention, each layer of the neural network comprises between eight and twelve neurons.
Avantageusement, la batterie électrique est munie d’au moins un capteur de revêtement, ledit capteur de revêtement étant agencé au sein dudit module de stockage d’énergie électrique, sur la surface des cellules de stockage d’énergie électrique que comporte ledit module, ledit capteur de revêtement étant fabriqué via un processus de dépôt physique en phase vapeur et étant configuré pour mesurer la température des cellules de stockage d’énergie électrique que comporte ledit module. Au contraire des capteurs de température de l’art antérieur prévus à l’extérieur du module, un tel capteur de revêtement permet de mesurer directement la température des cellules (sur leur surface), évitant ainsi le recours à toute modélisation physique visant à relier la température du module à celle des cellules. La précision et la fiabilité de l’estimation de la puissance électrique maximale délivrée par la batterie électrique sont ainsi améliorées. En outre, l’utilisation de ce type de capteur de revêtement permet d’obtenir la même température que celle mesurée par le fournisseur de la batterie électrique lors des essais effectués pour cette dernière, ce qui améliore là encore la précision et la fiabilité de l’estimation.Advantageously, the electric battery is provided with at least one coating sensor, said coating sensor being arranged within said electrical energy storage module, on the surface of the electrical energy storage cells that said module comprises, said coating sensor being manufactured via a physical vapor deposition process and being configured to measure the temperature of the electrical energy storage cells included in said module. Unlike the temperature sensors of the prior art provided outside the module, such a coating sensor makes it possible to directly measure the temperature of the cells (on their surface), thus avoiding the use of any physical modeling aimed at linking the temperature of the module to that of the cells. The precision and reliability of the estimation of the maximum electrical power delivered by the electric battery are thus improved. In addition, the use of this type of coating sensor makes it possible to obtain the same temperature as that measured by the supplier of the electric battery during the tests carried out for the latter, which again improves the precision and reliability of the 'estimate.
De préférence, ledit capteur de revêtement présente une épaisseur sensiblement égale à 5 µm. Un tel capteur présente un rapport précision/prix de revient particulièrement intéressant pour l’application envisagée.Preferably, said coating sensor has a thickness substantially equal to 5 μm. Such a sensor presents a particularly interesting precision/cost ratio for the intended application.
Avantageusement, lors de l’étape de détermination, par le réseau de neurones, d’une valeur estimée de la puissance électrique maximale délivrée par la batterie électrique, le réseau de neurones effectue, pour les points pour lesquels une valeur mesurée de la puissance électrique maximale délivrée n’existe pas, une interpolation non linéaire à partir de plusieurs triplets de valeurs mesurées de : la température des cellules de stockage d’énergie électrique, l’état de charge et la puissance électrique maximale de la batterie électrique. Une telle interpolation non linéaire correspond mieux à la corrélation entre les données d’entrée du réseau de neurones (température des cellules de stockage d’énergie électrique, état de charge de la batterie électrique, voire état de santé et/ou durée de chargement ou de déchargement des cellules de stockage de la batterie électrique), et la donnée de sortie de ce dernier (puissance électrique maximale délivrée par la batterie électrique). Ceci permet d’améliorer la fiabilité de l’estimation de la puissance électrique maximale délivrée par la batterie électrique.Advantageously, during the step of determining, by the neural network, an estimated value of the maximum electrical power delivered by the electric battery, the neural network performs, for the points for which a measured value of the electrical power maximum delivered does not exist, a non-linear interpolation from several triplets of measured values of: the temperature of the electrical energy storage cells, the state of charge and the maximum electrical power of the electric battery. Such non-linear interpolation corresponds better to the correlation between the input data of the neural network (temperature of the electrical energy storage cells, state of charge of the electric battery, or even state of health and/or duration of charging or discharge of the storage cells of the electric battery), and the output data of the latter (maximum electrical power delivered by the electric battery). This makes it possible to improve the reliability of the estimation of the maximum electrical power delivered by the electric battery.
Avantageusement, la batterie électrique comporte en outre au moins un composant additionnel, les données d’entraînement comportent en outre des données de mesure de la température dudit au moins un composant additionnel, des données de mesure de la température d’un des modules de stockage d’énergie électrique et de l’intensité du courant électrique fourni par un des modules de stockage d’énergie électrique, des données de mesure de la température ambiante, et/ou des données de mesure de la vitesse du véhicule, et le procédé comporte en outre une phase d’estimation de la température dudit au moins un composant additionnel, ladite phase d’estimation comprenant les étapes suivantes : une mesure de la température d’un des modules de stockage d’énergie électrique de la batterie électrique ; une mesure de l’intensité du courant électrique fourni par un des modules de stockage d’énergie électrique de la batterie électrique ; une mesure de la température ambiante ; une mesure de la vitesse du véhicule, ladite température d’un module mesurée, ladite intensité du courant électrique mesurée, ladite température ambiante mesurée et ladite vitesse du véhicule mesurée étant fournies en entrée du réseau de neurones ; une détermination, par le réseau de neurones, à partir de ladite température d’un module mesurée, de ladite intensité du courant électrique mesurée, de ladite température ambiante mesurée et de ladite vitesse du véhicule mesurée, d’un gradient de température dudit au moins un composant additionnel ; et un calcul, par intégration temporelle du gradient de température déterminé, d’une valeur de température estimée dudit au moins un composant additionnel. Ceci permet d’améliorer la précision de la puissance électrique maximale délivrée par la batterie électrique, en tenant compte de la température des composants additionnels de la batterie. Ceci permet également d’obtenir une estimation précise de la température du ou de chaque composant additionnel de la batterie électrique, ainsi que de son évolution, et ce de manière beaucoup plus fiable qu’une simulation par modélisation physique car exploitant directement les résultats d’essais sur la batterie par exemple (de tels essais fournissant alors les données de température pour l’entraînement du réseau de neurones). L’estimation de la température effectuée est en effet plus fiable qu’une modélisation physique monodimensionnelle, parce que la modélisation physique monodimensionnelle comporte toujours des simplifications, telles que par exemple la géométrie, l’efficacité du fonctionnement, etc., tandis que le réseau de neurones du procédé selon l’invention profite directement des résultats des essais. Cette solution est en outre beaucoup moins coûteuse en termes de temps de calcul par rapport à une simulation tridimensionnelle, qui peut par exemple être effectuée sur une grappe d’ordinateurs distants et qui n’est pas possible sur l’ordinateur de bord du véhicule. L’intensité du courant électrique fourni par le module de stockage d’énergie électrique détermine la génération de chaleur des composants (du fait de la résistance électrique de ces composants). La température du module de stockage d’énergie électrique influe sur la température de l’air environnant les composants de la batterie électrique. La vitesse du véhicule et la température ambiante influencent légèrement la température des composants par la dissipation de chaleur dans l’environnement à travers le couvercle de la batterie électrique.Advantageously, the electric battery further comprises at least one additional component, the training data further comprises data for measuring the temperature of said at least one additional component, data for measuring the temperature of one of the storage modules of electrical energy and the intensity of the electrical current supplied by one of the electrical energy storage modules, ambient temperature measurement data, and/or vehicle speed measurement data, and the method comprises furthermore a phase of estimating the temperature of said at least one additional component, said estimation phase comprising the following steps: measuring the temperature of one of the electrical energy storage modules of the electric battery; a measurement of the intensity of the electric current supplied by one of the electric energy storage modules of the electric battery; a measurement of the ambient temperature; a measurement of the speed of the vehicle, said measured temperature of a module, said measured electric current intensity, said measured ambient temperature and said measured vehicle speed being provided as input to the neural network; a determination, by the neural network, from said measured temperature of a module, said measured electric current intensity, said measured ambient temperature and said measured vehicle speed, of a temperature gradient of said at least an additional component; and a calculation, by temporal integration of the determined temperature gradient, of an estimated temperature value of said at least one additional component. This makes it possible to improve the precision of the maximum electrical power delivered by the electric battery, taking into account the temperature of the additional components of the battery. This also makes it possible to obtain a precise estimate of the temperature of the or each additional component of the electric battery, as well as its evolution, in a much more reliable manner than a simulation by physical modeling because it directly uses the results of tests on the battery for example (such tests then providing temperature data for training the neural network). The temperature estimation carried out is in fact more reliable than one-dimensional physical modeling, because one-dimensional physical modeling always involves simplifications, such as for example geometry, operating efficiency, etc., while the network of neurons of the method according to the invention directly benefits from the results of the tests. This solution is also much less expensive in terms of calculation time compared to a three-dimensional simulation, which can for example be carried out on a cluster of remote computers and which is not possible on the vehicle's on-board computer. The intensity of the electrical current supplied by the electrical energy storage module determines the heat generation of the components (due to the electrical resistance of these components). The temperature of the electrical energy storage module influences the temperature of the air surrounding the components of the electric battery. Vehicle speed and ambient temperature slightly influence component temperature through heat dissipation to the environment through the electric battery cover.
Le calcul par intégration temporelle est par exemple effectué par un intégrateur. Le gradient de température du composant additionnel dépend de la chaleur générée et de la condition aux limites.The calculation by temporal integration is for example carried out by an integrator. The temperature gradient of the additional component depends on the heat generated and the boundary condition.
L’invention se rapporte également à un procédé, mis en œuvre dans un système de gestion d’une batterie électrique d’un véhicule ou dans une unité de commande électronique du véhicule, de limitation de la puissance électrique délivrée par la batterie électrique, la batterie électrique comprenant plusieurs modules de stockage d’énergie électrique reliés en série, chaque module de stockage d’énergie électrique comportant plusieurs cellules de stockage d’énergie électrique, ledit système de gestion ou ladite unité de commande électronique étant relié(e) à la batterie électrique et stockant un réseau de neurones à apprentissage supervisé avec propagation avant, le réseau de neurones ayant au préalable été entraîné pour son apprentissage à l’aide de données d’entraînement comportant des données de mesure de la température des cellules de stockage d’énergie électrique à l’intérieur d’au moins un des modules de stockage d’énergie électrique et des données de mesure de l’état de charge de la batterie électrique, le procédé comportant une étape de commande de la puissance électrique délivrée par la batterie électrique selon une loi de commande, le procédé comportant en outre un sous-procédé d’estimation de la puissance électrique maximale délivrée par la batterie électrique tel que décrit ci-dessus, la loi de commande de la puissance électrique délivrée par la batterie électrique étant fonction de la puissance électrique maximale estimée de la batterie électrique, et étant telle que la puissance électrique délivrée par la batterie électrique est toujours inférieure à la puissance électrique maximale estimée de la batterie électrique.The invention also relates to a method, implemented in a system for managing an electric battery of a vehicle or in an electronic control unit of the vehicle, for limiting the electrical power delivered by the electric battery, the electric battery comprising several electrical energy storage modules connected in series, each electrical energy storage module comprising several electrical energy storage cells, said management system or said electronic control unit being connected to the electric battery and storing a supervised learning neural network with forward propagation, the neural network having previously been trained for its learning using training data comprising data measuring the temperature of the storage cells electrical energy inside at least one of the electrical energy storage modules and data measuring the state of charge of the electric battery, the method comprising a step of controlling the electrical power delivered by the battery electrical according to a control law, the method further comprising a sub-process for estimating the maximum electrical power delivered by the electric battery as described above, the law for controlling the electrical power delivered by the electric battery being function of the estimated maximum electrical power of the electric battery, and being such that the electrical power delivered by the electric battery is always less than the estimated maximum electrical power of the electric battery.
Ce procédé permet une limitation précise et fiable de la puissance électrique délivrée par la batterie électrique, via l’utilisation du réseau de neurones à apprentissage supervisé avec propagation avant. Le déclenchement de la limitation de la puissance électrique est en outre optimisé, ce qui permet un meilleur contrôle de la limitation afin d’obtenir de meilleures performances dans le temps pour la batterie électrique.This process allows precise and reliable limitation of the electrical power delivered by the electric battery, via the use of the supervised learning neural network with forward propagation. The triggering of the electric power limitation is also optimized, which allows better control of the limitation in order to obtain better performance over time for the electric battery.
Par ailleurs, l’utilisation d’un tel réseau de neurones fournit une solution simple permettant d’exploiter pleinement la performance de la batterie électrique afin de permettre une limitation précise et fiable de sa puissance électrique et d’éviter ainsi sa surchauffe, et ne nécessite pas de recourir à un ou plusieurs capteur(s) de température destiné(s) à mesurer la température des composants électroniques de la batterie (ce qui permet de réduire les coûts).Furthermore, the use of such a neural network provides a simple solution allowing full exploitation of the performance of the electric battery in order to allow precise and reliable limitation of its electrical power and thus avoid its overheating, and not does not require the use of one or more temperature sensor(s) intended to measure the temperature of the electronic components of the battery (which helps reduce costs).
On décrira ci-après, à titre d’exemples non limitatifs, des formes d’exécution de la présente invention, en référence aux figures annexées sur lesquelles :We will describe below, by way of non-limiting examples, embodiments of the present invention, with reference to the appended figures in which:
En se référant à la
La batterie électrique comporte par exemple un boîtier renfermant plusieurs modules de stockage d’énergie électrique reliés en série. Chaque module de stockage d’énergie électrique comporte typiquement plusieurs cellules de stockage d’énergie électrique. Chaque module est également muni d’un capteur de température et d’un organe de mesure de l’intensité du courant électrique fourni par le module. De préférence, la batterie électrique comporte également au moins un capteur de revêtement, et au moins un composant additionnel de type barre de distribution de courant (aussi appelée barre omnibus), faisceau, relais et/ou fusible. Le capteur de revêtement est agencé au sein d’un des modules de stockage d’énergie électrique, sur la surface des cellules de stockage d’énergie électrique que comporte ce module. Le capteur de revêtement est avantageusement fabriqué via un processus de dépôt physique en phase vapeur et est configuré pour mesurer la température des cellules de stockage d’énergie électrique que comporte le module de stockage d’énergie électrique. De préférence, le capteur de revêtement présente une épaisseur sensiblement égale à 5 µm.The electric battery includes, for example, a housing containing several electrical energy storage modules connected in series. Each electrical energy storage module typically comprises several electrical energy storage cells. Each module is also equipped with a temperature sensor and a device for measuring the intensity of the electric current supplied by the module. Preferably, the electric battery also includes at least one coating sensor, and at least one additional component of the current distribution bar type (also called bus bar), harness, relay and/or fuse. The coating sensor is arranged within one of the electrical energy storage modules, on the surface of the electrical energy storage cells that this module includes. The coating sensor is advantageously manufactured via a physical vapor deposition process and is configured to measure the temperature of the electrical energy storage cells included in the electrical energy storage module. Preferably, the coating sensor has a thickness substantially equal to 5 μm.
Le véhicule comporte également un capteur de température ambiante et un capteur apte à mesurer la vitesse du véhicule.The vehicle also includes an ambient temperature sensor and a sensor capable of measuring the speed of the vehicle.
Le système de gestion de la batterie électrique ou l’unité de commande électronique du véhicule est muni(e) de moyens mémoire et de moyens de traitement reliés aux moyens mémoire. Le système de gestion de la batterie électrique ou l’unité de commande électronique du véhicule est relié(e) à la batterie électrique. Le système de gestion de la batterie électrique ou l’unité de commande électronique du véhicule est également relié(e) aux capteurs de température et organes de mesure de l’intensité du courant électrique équipant les modules, au capteur de revêtement, au capteur de température ambiante et au capteur de vitesse.The electric battery management system or the electronic control unit of the vehicle is provided with memory means and processing means connected to the memory means. The electric battery management system or electronic control unit of the vehicle is connected to the electric battery. The electric battery management system or the electronic control unit of the vehicle is also connected to the temperature sensors and electric current intensity measuring devices fitted to the modules, to the coating sensor, to the ambient temperature and speed sensor.
Le système de gestion de la batterie électrique ou l’unité de commande électronique du véhicule stocke dans ses moyens mémoire un réseau de neurones à apprentissage supervisé avec propagation avant. Le réseau de neurones à apprentissage supervisé avec propagation avant est de préférence composé d’une succession de plusieurs couches, typiquement un perceptron multicouche. De préférence, le nombre de couches du réseau de neurones est compris entre trois et cinq couches. De préférence encore, chaque couche du réseau de neurones comporte entre huit et douze neurones. Au préalable (autrement dit en usine, avant la livraison du véhicule à l’utilisateur), le réseau de neurones a été entraîné pour son apprentissage à l’aide de données d’entraînement comportant au moins des données de mesure de la température des cellules de stockage d’énergie électrique à l’intérieur d’au moins un des modules de stockage d’énergie électrique et des données de mesure de l’état de charge de la batterie électrique. De telles données de mesure de la température peuvent être obtenues en disposant le capteur de revêtement sur la surface des cellules de stockage d’énergie électrique que comporte un des modules (en usine, lors de la production du véhicule ; un tel capteur étant ensuite destiné à être enlevé avant la livraison du véhicule à l’utilisateur). De préférence, les données d’entraînement du réseau de neurones comportent également des données de mesure de l’état de santé de la batterie électrique, des données de mesure d’une durée de chargement ou de déchargement des cellules de stockage de la batterie électrique, des données de mesure de la température d’au moins un composant additionnel appartenant à la batterie électrique, des données de mesure de la température d’un des modules de stockage d’énergie électrique et de l’intensité du courant électrique fourni par un des modules de stockage d’énergie électrique, des données de mesure de la température ambiante, et/ou des données de mesure de la vitesse du véhicule.The electric battery management system or the electronic control unit of the vehicle stores in its memory means a supervised learning neural network with forward propagation. The supervised learning neural network with forward propagation is preferably composed of a succession of several layers, typically a multilayer perceptron. Preferably, the number of layers of the neural network is between three and five layers. More preferably, each layer of the neural network comprises between eight and twelve neurons. Previously (in other words in the factory, before delivery of the vehicle to the user), the neural network has been trained for learning using training data comprising at least cell temperature measurement data electrical energy storage inside at least one of the electrical energy storage modules and data measuring the state of charge of the electric battery. Such temperature measurement data can be obtained by placing the coating sensor on the surface of the electrical energy storage cells that one of the modules comprises (in the factory, during production of the vehicle; such a sensor then being intended to be removed before delivery of the vehicle to the user). Preferably, the training data of the neural network also includes data for measuring the state of health of the electric battery, data for measuring a duration of loading or unloading of the storage cells of the electric battery. , data for measuring the temperature of at least one additional component belonging to the electric battery, data for measuring the temperature of one of the electrical energy storage modules and the intensity of the electric current supplied by a electrical energy storage modules, ambient temperature measurement data, and/or vehicle speed measurement data.
Comme illustré sur la
Le sous-procédé 4 comporte une première étape 6 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique mesure pour au moins un des modules de stockage d’énergie électrique, via le capteur de revêtement qui équipe ce module, la température courante des cellules de stockage d’énergie électrique à l’intérieur de ce module. La température mesurée des cellules de stockage d’énergie électrique à l’intérieur de ce module est prise par le système de gestion de la batterie électrique ou l’unité de commande électronique comme température initiale de la batterie électrique et est fournie en entrée du réseau de neurones.The sub-process 4 comprises a first step 6 during which the electric battery management system or the electronic control unit measures for at least one of the electrical energy storage modules, via the coating sensor which equips this module, the current temperature of the electrical energy storage cells inside this module. The measured temperature of the electric energy storage cells inside this module is taken by the electric battery management system or the electronic control unit as the initial temperature of the electric battery and is supplied as input to the network of neurons.
Le sous-procédé 4 comporte une étape parallèle ou suivante 8 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique mesure l’état de charge courant de la batterie électrique. A l’issue de cette étape 8, l’état de charge courant mesuré de la batterie électrique est fourni en entrée du réseau de neurones.Sub-process 4 comprises a parallel or following step 8 during which the electric battery management system or the electronic control unit measures the current state of charge of the electric battery. At the end of this step 8, the measured current state of charge of the electric battery is provided as input to the neural network.
De préférence, le sous-procédé 4 comporte une étape parallèle ou suivante 10 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique mesure l’état de santé courant de la batterie électrique. A l’issue de cette étape 10, l’état de santé courant mesuré de la batterie électrique est fourni en entrée du réseau de neurones.Preferably, sub-process 4 comprises a parallel or following step 10 during which the electric battery management system or the electronic control unit measures the current state of health of the electric battery. At the end of this step 10, the current measured state of health of the electric battery is provided as input to the neural network.
De préférence, le sous-procédé 4 comporte une étape parallèle ou suivante 12 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique mesure une durée de chargement ou de déchargement des cellules de stockage de la batterie électrique. A l’issue de cette étape 12, la durée de chargement ou de déchargement mesurée des cellules de stockage de la batterie électrique est fournie en entrée du réseau de neurones.Preferably, the sub-process 4 comprises a parallel or following step 12 during which the electric battery management system or the electronic control unit measures a loading or unloading duration of the storage cells of the electric battery . At the end of this step 12, the measured loading or unloading duration of the storage cells of the electric battery is provided as input to the neural network.
De préférence, le sous-procédé 4 comporte une phase parallèle ou suivante 14 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique estime la température du ou de chaque composant additionnel de la batterie électrique.Preferably, sub-process 4 comprises a parallel or following phase 14 during which the electric battery management system or the electronic control unit estimates the temperature of the or each additional component of the electric battery.
La phase 14 comporte par exemple une première étape 16 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique mesure, via le capteur de température qui équipe un des modules de stockage d’énergie électrique, la température de ce module. A l’issue de cette étape 16, la température du module mesurée est fournie en entrée du réseau de neurones.Phase 14 comprises for example a first step 16 during which the electric battery management system or the electronic control unit measures, via the temperature sensor which equips one of the electrical energy storage modules, the temperature of this module. At the end of this step 16, the temperature of the measured module is provided as input to the neural network.
La phase 14 comporte une étape parallèle ou suivante 18 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique mesure, via l’organe de mesure de l’intensité du courant électrique qui équipe un des modules de stockage d’énergie électrique, l’intensité du courant électrique fourni par ce module. A l’issue de cette étape 18, l’intensité du courant électrique mesurée est fournie en entrée du réseau de neurones.Phase 14 comprises a parallel or following step 18 during which the electric battery management system or the electronic control unit measures, via the electric current intensity measuring member which equips one of the modules of electrical energy storage, the intensity of the electrical current supplied by this module. At the end of this step 18, the intensity of the measured electric current is provided as input to the neural network.
La phase 14 comporte une étape parallèle ou suivante 20 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique mesure la température ambiante, via le capteur de température ambiante. A l’issue de cette étape 20, la température ambiante mesurée est fournie en entrée du réseau de neurones.Phase 14 includes a parallel or following step 20 during which the electric battery management system or the electronic control unit measures the ambient temperature, via the ambient temperature sensor. At the end of this step 20, the measured ambient temperature is provided as input to the neural network.
La phase 14 comporte une étape parallèle ou suivante 22 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique mesure, via le capteur de vitesse, la vitesse du véhicule. A l’issue de cette étape 22, la vitesse du véhicule mesurée est fournie en entrée du réseau de neurones.Phase 14 includes a parallel or following step 22 during which the electric battery management system or the electronic control unit measures, via the speed sensor, the speed of the vehicle. At the end of this step 22, the measured vehicle speed is provided as input to the neural network.
La phase 14 comporte une étape suivante 24 au cours de laquelle le réseau de neurones détermine, à partir de la température d’un module mesurée, de l’intensité du courant électrique mesurée, de la température ambiante mesurée et de la vitesse du véhicule mesurée, un gradient de température du ou de chaque composant additionnel de la batterie électrique. Il est à noter que le réseau de neurones détermine ce gradient de température pour chaque composant additionnel de la batterie électrique, indépendamment des autres composants. Ainsi, à chaque composant additionnel de la batterie électrique sont associés des paramètres distincts qui sont fournis en entrée du réseau de neurones, la configuration de ce dernier étant différente d’un composant à un autre, et étant propre à chaque composant.Phase 14 includes a following step 24 during which the neural network determines, from the measured temperature of a module, the measured electric current intensity, the measured ambient temperature and the measured vehicle speed. , a temperature gradient of the or each additional component of the electric battery. It should be noted that the neural network determines this temperature gradient for each additional component of the electric battery, independently of the other components. Thus, each additional component of the electric battery is associated with distinct parameters which are provided as input to the neural network, the configuration of the latter being different from one component to another, and being specific to each component.
La phase 14 comporte une étape suivante 26 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique calcule, par intégration temporelle du gradient de température déterminé au cours de l’étape 24, une valeur de température estimée du ou de chaque composant additionnel de la batterie électrique. Plus précisément, ce calcul est effectué par un intégrateur installé au sein du système de gestion de la batterie électrique ou de l’unité de commande électronique du véhicule. Pour estimer cette valeur de température, il faut connaitre la température initiale du ou de chaque composant additionnel de la batterie électrique. Après avoir stationné pendant suffisamment de temps, tous les composants de la batterie électrique atteignent l’équilibre thermique avec le véhicule qui constitue l’environnement de ces composants. L’intégrateur considère alors la température ambiante comme étant la température initiale. Dans les cas où l’équilibre thermique n’est pas atteint au sein du véhicule, le modèle utilisé par l’intégrateur est capable de prédire la réduction de température en fonction du temps, et la température ainsi calculée est prise comme la température initiale pour le prochain démarrage du véhicule. Un exemple où un tel cas de figure se produit est un démarrage du véhicule après un court stationnement de ce dernier.Phase 14 comprises a following step 26 during which the electric battery management system or the electronic control unit calculates, by temporal integration of the temperature gradient determined during step 24, an estimated temperature value of or each additional component of the electric battery. More precisely, this calculation is carried out by an integrator installed within the management system of the electric battery or the electronic control unit of the vehicle. To estimate this temperature value, you must know the initial temperature of the or each additional component of the electric battery. After parking for a sufficient time, all components of the electric battery reach thermal equilibrium with the vehicle which constitutes the environment of these components. The integrator then considers the ambient temperature to be the initial temperature. In cases where thermal equilibrium is not achieved within the vehicle, the model used by the integrator is able to predict the temperature reduction as a function of time, and the temperature thus calculated is taken as the initial temperature for the next time the vehicle is started. An example where such a scenario occurs is starting the vehicle after briefly parking it.
Au cours d’une étape suivante 28 du sous-procédé 4, le réseau de neurones détermine, à partir de la température initiale mesurée et de l’état de charge courant mesuré de la batterie électrique, et le cas échéant de l’état de santé courant mesuré et de la durée de chargement ou de déchargement mesurée des cellules de stockage de la batterie électrique et/ou de la température estimée du ou de chaque composant additionnel de la batterie électrique, une valeur estimée de la puissance électrique maximale délivrée par la batterie électrique.During a following step 28 of sub-process 4, the neural network determines, from the measured initial temperature and the measured current state of charge of the electric battery, and where appropriate the state of measured current health and the measured charging or discharging duration of the storage cells of the electric battery and/or the estimated temperature of the or each additional component of the electric battery, an estimated value of the maximum electrical power delivered by the electric battery.
De préférence, au cours de l’étape de détermination 28, le réseau de neurones effectue, pour les points pour lesquels une valeur mesurée de la puissance électrique maximale délivrée n’existe pas, une interpolation non linéaire à partir de plusieurs triplets de valeurs mesurées de : la température des cellules de stockage d’énergie électrique, l’état de charge et la puissance électrique maximale de la batterie électrique.Preferably, during the determination step 28, the neural network performs, for the points for which a measured value of the maximum electrical power delivered does not exist, a non-linear interpolation from several triplets of measured values of: the temperature of the electrical energy storage cells, the state of charge and the maximum electrical power of the electric battery.
Le procédé comporte une étape finale 30 au cours de laquelle le système de gestion de la batterie électrique ou l’unité de commande électronique commande la puissance électrique délivrée par la batterie électrique selon une loi de commande. La loi de commande est fonction de la puissance électrique maximale estimée de la batterie électrique, et est telle que la puissance électrique délivrée par la batterie électrique est toujours inférieure à la puissance électrique maximale estimée de la batterie électrique.The method comprises a final step 30 during which the electric battery management system or the electronic control unit controls the electrical power delivered by the electric battery according to a control law. The control law is a function of the estimated maximum electrical power of the electric battery, and is such that the electrical power delivered by the electric battery is always less than the estimated maximum electrical power of the electric battery.
Le procédé selon l’invention est simple, précis et fiable, exploite pleinement la performance de la batterie électrique afin de permettre une limitation précise et fiable de sa puissance électrique et d’éviter ainsi sa surchauffe, et ne nécessite pas de recourir à un ou plusieurs capteur(s) de température destiné(s) à mesurer la température des composants électroniques de la batterie.
The method according to the invention is simple, precise and reliable, fully exploits the performance of the electric battery in order to allow precise and reliable limitation of its electrical power and thus avoid its overheating, and does not require recourse to one or several temperature sensor(s) intended to measure the temperature of the electronic components of the battery.
Claims (10)
- une mesure (6), pour au moins un des modules de stockage d’énergie électrique, de la température courante des cellules de stockage d’énergie électrique à l’intérieur dudit module, ladite température mesurée étant prise comme température initiale de la batterie électrique et étant fournie en entrée du réseau de neurones ;
- une mesure (8) de l’état de charge courant de la batterie électrique, ledit état de charge courant mesuré de la batterie électrique étant fourni en entrée du réseau de neurones ; et
- une détermination (28), par le réseau de neurones, à partir de ladite température initiale mesurée et dudit état de charge courant mesuré de la batterie électrique, d’une valeur estimée de la puissance électrique maximale délivrée par la batterie électrique.
- a measurement (6), for at least one of the electrical energy storage modules, of the current temperature of the electrical energy storage cells inside said module, said measured temperature being taken as the initial temperature of the electric battery and being provided as input to the neural network;
- a measurement (8) of the current state of charge of the electric battery, said measured current state of charge of the electric battery being supplied as input to the neural network; And
- a determination (28), by the neural network, from said measured initial temperature and said measured current state of charge of the electric battery, of an estimated value of the maximum electrical power delivered by the electric battery.
Method, implemented in a system for managing an electric battery of a vehicle or in an electronic control unit of the vehicle, for limiting the electrical power delivered by the electric battery, the electric battery comprising several storage modules electrical energy connected in series, each electrical energy storage module comprising several electrical energy storage cells, said management system or said electronic control unit being connected to the electric battery and storing a neural network with supervised learning with forward propagation, the neural network having previously been trained for its learning using training data comprising data measuring the temperature of the electrical energy storage cells inside at least one of the electrical energy storage modules and data for measuring the state of charge of the electric battery, the method comprising a step (30) of controlling the electrical power delivered by the electric battery according to a law of control, characterized in that the method further comprises a sub-process (4) for estimating the maximum electrical power delivered by the electric battery according to any one of claims 1 to 9, and in that the control law of the electrical power delivered by the electric battery is a function of the estimated maximum electrical power of the electric battery, and is such that the electrical power delivered by the electric battery is always less than the estimated maximum electrical power of the electric battery.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2200175A FR3131780A1 (en) | 2022-01-11 | 2022-01-11 | METHOD FOR ESTIMATING THE MAXIMUM ELECTRICAL POWER DELIVERED BY AN ELECTRIC BATTERY |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2200175 | 2022-01-11 | ||
| FR2200175A FR3131780A1 (en) | 2022-01-11 | 2022-01-11 | METHOD FOR ESTIMATING THE MAXIMUM ELECTRICAL POWER DELIVERED BY AN ELECTRIC BATTERY |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3131780A1 true FR3131780A1 (en) | 2023-07-14 |
Family
ID=81346525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2200175A Pending FR3131780A1 (en) | 2022-01-11 | 2022-01-11 | METHOD FOR ESTIMATING THE MAXIMUM ELECTRICAL POWER DELIVERED BY AN ELECTRIC BATTERY |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3131780A1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0909675A2 (en) | 1997-10-13 | 1999-04-21 | Toyota Jidosha Kabushiki Kaisha | Secondary battery charge and discharge control device |
| US20120179435A1 (en) * | 2011-01-10 | 2012-07-12 | Ford Global Technologies, Llc | Method For Determining A Power Capability For A Battery |
| EP3092144B1 (en) * | 2014-01-06 | 2019-11-13 | Renault s.a.s | Method for estimating the ability of a battery to supply a predetermined power profile |
| EP3089888B1 (en) * | 2014-01-03 | 2020-10-14 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Method, device and system for estimating the state of health of an electric or hybrid vehicle in running condition, and method for building a model for such estimation |
-
2022
- 2022-01-11 FR FR2200175A patent/FR3131780A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0909675A2 (en) | 1997-10-13 | 1999-04-21 | Toyota Jidosha Kabushiki Kaisha | Secondary battery charge and discharge control device |
| US20120179435A1 (en) * | 2011-01-10 | 2012-07-12 | Ford Global Technologies, Llc | Method For Determining A Power Capability For A Battery |
| EP3089888B1 (en) * | 2014-01-03 | 2020-10-14 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Method, device and system for estimating the state of health of an electric or hybrid vehicle in running condition, and method for building a model for such estimation |
| EP3092144B1 (en) * | 2014-01-06 | 2019-11-13 | Renault s.a.s | Method for estimating the ability of a battery to supply a predetermined power profile |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2010092275A1 (en) | Method and device for classifying a battery | |
| EP2710392A1 (en) | Method of estimating the state of charge of an electric battery | |
| WO2012150384A1 (en) | Optimized method for managing heat in an electrochemical storage system | |
| EP3839535B1 (en) | Determination of the ageing of an electrical storage system | |
| FR3013151A1 (en) | METHOD FOR MANAGING THE AVAILABLE POWER OF A BATTERY | |
| CA3114194A1 (en) | Method and device for measuring, in real time and in situ, thermodynamic data of a battery (enthalpy and entropy) | |
| FR3006812A1 (en) | MANAGING THE LIFETIME OF A BATTERY | |
| EP3704504A1 (en) | Method for determining the state of an electrical line linking a battery cell to a monitoring unit, and corresponding monitoring unit | |
| WO2017050945A1 (en) | Method for estimating an indicator of the state of health of a lithium battery and associated estimating device | |
| WO2021170345A1 (en) | Method for estimating the state of health of a battery | |
| FR3002370A1 (en) | METHOD FOR CONTROLLING THE TEMPERATURE OF A BATTERY OF BATTERIES | |
| EP3047290A1 (en) | Method for estimating the ageing of a cell of a storage battery | |
| FR2995149A1 (en) | RECHARGING A BATTERY PARK | |
| FR3016737A1 (en) | METHOD FOR MANAGING A CONDITION OF CHARGING A BATTERY | |
| EP3942666B1 (en) | Method for controlling the charging of a rechargeable battery module by means of a dynamic programming algorithm | |
| EP2668064B1 (en) | Method for managing the charging of a rechargeable battery of a motor vehicle | |
| FR3069180B1 (en) | METHOD FOR DETECTING AUTODECHARGE FAULT IN BATTERY CELL | |
| FR3131780A1 (en) | METHOD FOR ESTIMATING THE MAXIMUM ELECTRICAL POWER DELIVERED BY AN ELECTRIC BATTERY | |
| EP3254885A1 (en) | Method for determining physical features of batteries on board an electric vehicle in accordance with the missions to be carried out | |
| FR2949864A1 (en) | METHOD FOR DETERMINING AN OPERATING STATE OF ELECTRIC ENERGY STORAGE MEANS CONSISTING OF AT LEAST ONE SUPERCONDENSER | |
| FR2958464A1 (en) | METHOD FOR CONTROLLING THE CHARGE OF AN ADDITIONAL ENERGY STORER OF A MICRO-HYBRID PROPULSION VEHICLE AND SYSTEM IMPLEMENTING THE METHOD | |
| FR3114163A1 (en) | Method and device for managing the thermal behavior of a battery | |
| FR2964196A1 (en) | Device for determining size of multi-cellular battery of motor vehicle, has calculation unit for estimating admissible current limit for battery based on measured current and voltages and minimum and/or maximum current and voltages | |
| EP4352525A1 (en) | Method for estimating the resistive state of health of at least one electrical energy storage element of an electric battery | |
| FR3128828A1 (en) | METHOD FOR ESTIMATING THE TEMPERATURE OF AT LEAST ONE CURRENT DISTRIBUTION BAR ARRANGED WITHIN AN ELECTRIC BATTERY |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230714 |