FR3135145A1 - Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme - Google Patents
Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme Download PDFInfo
- Publication number
- FR3135145A1 FR3135145A1 FR2203917A FR2203917A FR3135145A1 FR 3135145 A1 FR3135145 A1 FR 3135145A1 FR 2203917 A FR2203917 A FR 2203917A FR 2203917 A FR2203917 A FR 2203917A FR 3135145 A1 FR3135145 A1 FR 3135145A1
- Authority
- FR
- France
- Prior art keywords
- charge
- state
- open circuit
- circuit voltage
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 6
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 238000005315 distribution function Methods 0.000 claims abstract description 14
- 238000005096 rolling process Methods 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/70—Interactions with external data bases, e.g. traffic centres
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
L’invention concerne un système d’évaluation d’un état de charge ou d’une tension en circuit ouvert d’une batterie (B) de véhicule automobile (V), comprenant :- des données d’un modèle d’apprentissage automatique (M) de prédiction d’un état de charge ou d’une tension en circuit ouvert à l’équilibre, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des temps d’utilisation, des quantités d’ampères-heures utilisés dans chaque utilisation, des tensions, des courants, des températures pendant l’utilisation jusqu’au stationnement, les données d’historique étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et- un moyen de prédiction pour prédire un état de charge ou une tension en circuit ouvert à l’équilibre sur la base de paramètres de roulage actuels correspondants. L’invention concerne également un procédé et un programme sur la base d’un tel système. Figure 1
Description
L’invention se rapporte au domaine des batteries de traction de véhicule automobile, plus particulièrement à l’estimation de l’état de charge par l’apprentissage automatique et l’analyse statistique de l’utilisation de la batterie.
Il y a deux types de solution pour l’estimation de l’état de charge (SOC).
La solution industrialisée est le comptage coulombien avec la correction par le biais d’un filtre Kalman. L’état de charge est une fonction monotone de la tension en circuit ouvert (ou OCV pour « open circuit voltage » en langue anglaise), c’est-à-dire la tension de la batterie sans charge à un état équilibre. L’état de la batterie est à l’équilibre après un certain temps de repos (typiquement 2 heures), lorsque la tension arrête de varier. Avec l’état de charge indiqué par la tension en circuit ouvert comme valeur initiale, le comptage coulombien permet de calculer l’énergie électrique restante dans la batterie. Il y a une erreur dans le dispositif de comptage, et cette erreur s’accumule pendant le temps d’utilisation de la batterie.
Pour corriger cette erreur, le filtre Kalman est utilisé avec un modèle électrochimique de la batterie. Le modèle électrochimique prédit la tension en circuit ouvert sur la base du courant, de la tension, de la température et de l’état de charge du dernier pas de temps, ainsi que de l’état de santé (SOH).
Le modèle électrochimique n’est pas fiable notamment pour les hautes ou basses températures où les points de mesures au niveau de la cellule sont limités. Le filtre Kalman profite d’estimations de températures en adaptant les contributions des valeurs des températures estimées, pour atteindre une meilleure précision d’estimation que des valeurs de températures individuelles.
L’autre solution se trouve dans la recherche scientifique : l’apprentissage automatique. Bien qu’il y ait beaucoup de méthodes mathématiques disponibles (FNN, RNN, LSTM, SVM, ELM etc.), le principe est similaire : les données d’essais sont à utiliser pour construire un modèle de prédiction sans devoir utiliser un modèle électrochimique. Différentes données d’entrées sont proposées par différents chercheurs.
Certaines publications scientifiques proposent des solutions, notamment :
- Carlos Vidal et al., Hybrid Energy Storage System State-of-Charge Estimation Using Artificial Neural Network for Micro-Hybrid Applications ;
- Ephrem Chemali et al., State-of-charge estimation of Li-ion batteries using deep neural networks: A machine learning approach;
- Carlos Vidal, Machine Learning Applied to Electrified Vehicle Battery State of Charge and State of Health, Estimation: State-of-the-Art, Digital Object Identifier 10.1109/ACCESS.2020.2980961.
- Carlos Vidal et al., Hybrid Energy Storage System State-of-Charge Estimation Using Artificial Neural Network for Micro-Hybrid Applications ;
- Ephrem Chemali et al., State-of-charge estimation of Li-ion batteries using deep neural networks: A machine learning approach;
- Carlos Vidal, Machine Learning Applied to Electrified Vehicle Battery State of Charge and State of Health, Estimation: State-of-the-Art, Digital Object Identifier 10.1109/ACCESS.2020.2980961.
Malheureusement, la solution industrialisée nécessite une amélioration parce que le modèle actuel se base sur les mesures insuffisantes. Par exemple la résistance de la batterie dépend de la température, de l’état de charge, du niveau et de la durée de courant de charge et décharge. La capacité de la batterie dépend du niveau du courant et de la température. Les essais couvrant toutes les plages de tous les paramètres impactants sont énormément consommateurs de temps et de matériel. Par conséquent, le modèle électrochimique travaille principalement avec les mesures insuffisantes.
En plus de cela le modèle électrochimique est constitué d’équations simplifiées : par exemple, il est évident que le modèle de circuit équivalent (ou ECM pou « equivalent circuit model » en langue anglaise), qui est une représentation simplifiée du fonctionnement de la batterie, est dans les faits loin de la réalité. La précision ou l’erreur de prédiction du modèle est le plus souvent difficile à évaluer.
La modélisation par l’apprentissage automatique offre une solution alternative sans modèle électrochimique en profitant directement les données d’utilisation du véhicule avec des données d’entrée comme la tension, le courant et la température, parfois avec le courant moyen et la tension moyenne pendant un certain temps avant le moment de l’estimation de l’état de charge. L’obstacle d’utilisation est la validation. L’apprentissage automatique n’a pas difficulté de trouver une cohérence avec des données limitées pour le développement, et cette solution est très difficile à interpréter. Il y a encore besoin de trouver une cohérence avec des données en quantité suffisante et d’augmenter l’explicabilité pour l’industrialisation de cette solution.
Un objectif de la présente invention est remédier aux inconvénients de l’art antérieur, et notamment de proposer une solution pour accumuler les données d’état de charge pendant l’utilisation du véhicule ; utiliser des outils statistiques pour développer les paramètres d’entrée pour l’apprentissage automatique ; proposer une solution avec l’apprentissage automatique qui peut fonctionner toute seule, mais peut aussi être intégrée dans un filtre Kalman de la solution actuelle ; et proposer une adaptation utilisateur-spécifique pour estimer l’état de charge selon l’habitude d’utilisation du véhicule électrique.
Pour atteindre cet objectif, l’invention propose un système d’évaluation d’un état de charge ou d’une tension en circuit ouvert d’une batterie de véhicule automobile, comprenant :
- des données d’un modèle d’apprentissage automatique de prédiction d’un état de charge ou d’une tension en circuit ouvert à l’équilibre, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des temps d’utilisation, des quantités d’ampères-heures utilisées dans chaque utilisation, des tensions, des courants, des températures pendant l’utilisation jusqu’au stationnement,
les données d’historique étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- un moyen de prédiction pour prédire un état de charge ou une tension en circuit ouvert à l’équilibre sur la base de paramètres de roulage actuels correspondants.
- des données d’un modèle d’apprentissage automatique de prédiction d’un état de charge ou d’une tension en circuit ouvert à l’équilibre, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des temps d’utilisation, des quantités d’ampères-heures utilisées dans chaque utilisation, des tensions, des courants, des températures pendant l’utilisation jusqu’au stationnement,
les données d’historique étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- un moyen de prédiction pour prédire un état de charge ou une tension en circuit ouvert à l’équilibre sur la base de paramètres de roulage actuels correspondants.
Avantageusement, l’invention propose un moyen d’accumulation des données et un moyen pour caractériser l’utilisation de la batterie pour la solution avec l’apprentissage automatique. Elle propose également une analyse statistique pour différencier la capacité de la batterie selon l’utilisation.
La tension en circuit ouvert est le bon indicateur de l’état de charge. Après un stationnement d’une durée suffisante, il est possible de mesurer l’état de charge par la tension en circuit ouvert directement. En accumulant ces valeurs d’état de charge de tous les véhicules inscrits dans un serveur en nuage, il est possible d’accumuler une quantité suffisante de données pour la validation du modèle d’apprentissage automatique.
Au lieu de prendre en compte les valeurs mesurées au moment de l’estimation de l’état de charge, comme fait par tous les modèles de l’apprentissage automatique de l’art antérieur, cette invention propose une description statistique pour chaque utilisation de la batterie. Plus précisément, au lieu des température, courant et tension, cette invention utilise les paramètres statistiques qui décrivent la distribution de probabilité des paramètres. L’invention offre une meilleure interprétabilité parce qu’il est connu que toutes les utilisations précédentes influent le fonctionnement de la batterie jusqu’au moment de l’équilibre après un stationnement d’une durée suffisante.
Il est également connu que la capacité dépend du courant et de la température. Cette invention propose d’adapter la capacité de la batterie selon l’habitude d’utilisation d’un utilisateur pour permettre une estimation d’état de charge utilisateur spécifique.
Selon une variante, dans les fonctions de distribution multimodale de plusieurs lois normales, l’expression de chaque distribution normale, indexée par , comporte trois variables, dont son espérance, , son écart type, et sa fraction, dans la distribution multimodale, et chaque paramètre est décrit par plusieurs types de variables qui le caractérisent, permettant de former le module d’apprentissage automatique, et dans lequel la fonction de distribution multimodale, , a pour formule :
; .
Cela permet d’améliorer la précision du modèle.
Selon une variante, le système comprend en outre un moyen de connexion à un serveur informatique en nuage, configuré pour permettre de transmettre des données d’historique de paramètres de roulage, et/ou pour permettre de recevoir une mise à jour des données d’historiques de paramètres de roulage.
Cela permet de limiter le stockage dans le véhicule tout en ayant accès à un très grand nombre de données.
Selon une variante, le système comprend en outre un moyen de comptage coulombien avec correction par filtre Kalman.
Cela permet d’améliorer davantage la précision du modèle.
L’invention concerne en outre un procédé d’évaluation d’un état de charge ou d’une tension en circuit ouvert d’une batterie de véhicule automobile, comprenant les étapes suivantes :
- réaliser un modèle d’apprentissage automatique de prédiction d’un état de charge ou d’une tension en circuit ouvert à l’équilibre, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des temps d’utilisation, des quantités d’ampères-heures utilisées dans chaque utilisation, des tensions, des courants, des températures pendant l’utilisation jusqu’au stationnement,
les données d’historique étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- prédire un état de charge ou une tension en circuit ouvert à l’équilibre sur la base de paramètres de roulage actuels correspondants.
- réaliser un modèle d’apprentissage automatique de prédiction d’un état de charge ou d’une tension en circuit ouvert à l’équilibre, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des temps d’utilisation, des quantités d’ampères-heures utilisées dans chaque utilisation, des tensions, des courants, des températures pendant l’utilisation jusqu’au stationnement,
les données d’historique étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- prédire un état de charge ou une tension en circuit ouvert à l’équilibre sur la base de paramètres de roulage actuels correspondants.
Selon une variante, dans les fonctions de distribution multimodale de plusieurs lois normales, l’expression de chaque distribution normale, indexée par , comporte trois variables, dont son espérance, , son écart type, et sa fraction, dans la distribution multimodale, et chaque paramètre est décrit par plusieurs types de variables qui le caractérisent, permettant de former le module d’apprentissage automatique, et dans lequel la fonction de distribution multimodale, , a pour formule :
; .
Selon une variante, le procédé comprend en outre une étape de connexion à un serveur informatique en nuage, configuré pour permettre de transmettre des données d’historique de paramètres de roulage, et/ou pour permettre de recevoir une mise à jour des données d’historiques de paramètres de roulage.
Selon une variante, le procédé comprend en outre une étape de comptage coulombien avec correction par filtre Kalman.
Un autre objet de l’invention concerne un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes d’un procédé d’évaluation selon l’invention, lorsque ledit programme fonctionne sur un ordinateur.
L’invention a en outre trait à un véhicule automobile comprenant un système d’évaluation selon l’invention.
L’invention sera davantage détaillée par la description non-limitative de variantes, et sur la base de la annexée illustrant schématiquement un véhicule incorporant un mode de réalisation préféré de l’invention.
L’invention concerne un système d’évaluation d’un état de charge ou d’une tension en circuit ouvert d’une batterie B de véhicule automobile V.
Le système comprend des données d’un modèle d’apprentissage automatique M de prédiction d’un état de charge ou d’une tension en circuit ouvert à l’équilibre. La prédiction est faite sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des temps d’utilisation, des quantités d’ampères-heures utilisés dans chaque utilisation, des tensions, des courants, des températures pendant l’utilisation jusqu’au stationnement.
Les données d’historique sont issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres.
Le système comprend en outre un moyen de prédiction pour prédire un état de charge ou une tension en circuit ouvert à l’équilibre sur la base de paramètres de roulage actuels correspondants.
Cette invention se base sur l’apprentissage automatique comme dans les publications scientifiques tout en changeant les données d’entrée. Les données d’entrée utilisées dans les publications sont le courant, la tension, la température, l’accumulation du courant utilisé, le moyen courant pendant un certain temps avant le moment de l’estimation de l’état de charge.
Cette invention propose une analyse statistique beaucoup plus profonde des données avant les fournir au modèle d’apprentissage automatique.
Les données primitives d’entrée sont les suivantes :
- 1. La tension en circuit ouvert ou l’état de charge à l’état d’équilibre de la batterie et avant le démarrage du véhicule V.
- 2. Le temps d’utilisation et la quantité d’ampères-heures utilisés pendant une occurrence d’utilisation.
- 3. La tension, le courant, la température durant l’utilisation du véhicule jusqu’à un stationnement.
- 1. La tension en circuit ouvert ou l’état de charge à l’état d’équilibre de la batterie et avant le démarrage du véhicule V.
- 2. Le temps d’utilisation et la quantité d’ampères-heures utilisés pendant une occurrence d’utilisation.
- 3. La tension, le courant, la température durant l’utilisation du véhicule jusqu’à un stationnement.
Il est connu qu’après la recharge, la tension se réduit un peu pour un certain temps jusqu’à un état d’équilibre. Le même effet est observé pour la décharge : la tension augmente un peu pour un certain temps jusqu’à l’état d’équilibre.
Le niveau d’augmentation ou d’abaissement, ainsi que le temps pour atteindre l’état d’équilibre dépendent non seulement de la tension et de la température à la fin de l’utilisation, mais aussi de l’historique d’utilisation. C’est une indication du fait que tout l’historique d’utilisation influe la tension en circuit ouvert à l’état d’équilibre de la batterie B.
Pour caractériser l’historique d’utilisation, cette invention propose d’utiliser la distribution multimodale, , qui se compose de deux ou plus de lois normales. L’expression de chaque distribution normale, indexée par , a trois paramètres (ou variables) : son espérance, , son écart type, et sa fraction, dans la distribution multimodale.
Pour chaque paramètre primitif, il faut trouver les 3 types de paramètres (ou variables) qui le caractérisent, c’est-à-dire que chaque paramètre primitif est décrit par paramètres, qui sont les données d’entrée pour le développement du modèle d’apprentissage automatique.
La formule de la loi de distribution multimodale, , est donc :
La raison d’utiliser la distribution multimodale provient de l’habitude d’utilisation : En effet, l’itinéraire pour aller au travail est plus ou moins habituel alors que l’itinéraire pour faire des courses est très différent ; le profil de conduite sur l’autoroute est différent de celui en centre-ville ; la recharge par décélération pendant le roulage est très différente que celle à la maison ou celle en mode super rapide.
La vie de la batterie B est composée de tous ces événements, c’est la distribution de probabilité qui varie selon l’utilisateur et selon le type de véhicule.
La donnée de sortie est la tension en circuit ouvert ou l’état de charge à l’état équilibre.
Une occurrence d’utilisation du véhicule donne uniquement une accumulation des données, prévisionnellement 2 fois chaque jour pour l’itinéraire pour aller au travail.
L’accumulation des données d’un utilisateur est trop lente. Il faut donc profiter d’un service OTA (over the air), par exemple en informatique en nuage (ou « cloud computing » en langue anglaise) pour accumuler les données de tous les véhicules du même type de batterie sur le même serveur. Cela permet d’avoir une quantité suffisante pour vérifier le modèle de prédiction. Pour réduire la quantité des données stockées sur le serveur en nuage, les paramètres primitifs sont à analyser statistiquement directement après chaque occurrence d’accumulation, et les paramètres primitifs sont à effacer après cette analyse.
Pendant la prédiction pour une utilisation réelle, l’analyse statistique se fait à tout moment pour les données accumulées pendant cette utilisation. Le modèle d’apprentissage effectue ensuite la prédiction, également à tout moment. Ce modèle d’apprentissage automatique permet une prédiction indépendante, cependant il peut être aussi utilisé avec la solution actuelle du comptage coulombien comme une correction additionnelle dans le filtre Kalman.
Il est connu que la capacité de la batterie dépend du courant et de la température : les basses températures et les courants importants impliquent une capacité plus basse. La demande co-pendante FR2105181 propose une modélisation du courant ou de la puissance maximale de la batterie par l’apprentissage automatique en raison de la non-linéarité des relations entre le courant maximal (ou la puissance maximale) et les données d’entrée : l’état de charge, la température et la durée de charge (ou décharge).
Il faut utiliser ici le même principe de l’apprentissage automatique pour lier la capacité de la batterie avec le courant et la température pour la même raison de non-linéarité. Les données pour le développement du modèle de prédiction de la capacité de batterie sont mesurées en laboratoire et fournies par le fournisseur de la batterie.
Chaque utilisateur a ses propres habitudes de conduite et ses propres conditions climatiques, ce qui implique un courant et une température moyenne différentes parmi les utilisateurs. Cette invention propose de faire une analyse statistique pour trouver la distribution du courant et de la température de la batterie pour chaque utilisateur, qui est normalement une distribution normale pour un certain niveau de température ambiante. Il est préféré de faire une analyse des données accumulées pendant les 30 derniers jours, pour avoir une mise à jour quotidienne pour l’évaluation du courant et de la température habituelle. Il est imaginable que le courant et la température soient plus hauts pendant l’été où la climatisation est activée pour l’habitacle et la batterie, alors que ces valeurs sont plus basses en hiver en raison du pré-conditionnement de la batterie quand le véhicule est encore branché à une borne.
L’utilisateur a donc la possibilité de choisir le courant ou la température à couvrir pour l’estimation de la capacité : un choix de 50% de SOC implique des valeurs moyennes. Un pourcentage plus haut donne plus de sécurité mais donne aussi une alerte plus fréquente pour le rechargement.
En résumé, cette invention propose d’accumuler les données par OTA, et propose de faire une analyse statistique avant le développement du modèle d’apprentissage automatique pour prédire l’état de charge. Cette invention propose d’une évaluation de la capacité de batterie de manière utilisateur-spécifique pour prendre en compte les habitudes d’utilisation particulière.
Claims (10)
- Système d’évaluation d’un état de charge ou d’une tension en circuit ouvert d’une batterie (B) de véhicule automobile (V), comprenant :
- des données d’un modèle d’apprentissage automatique (M) de prédiction d’un état de charge ou d’une tension en circuit ouvert à l’équilibre, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des temps d’utilisation, des quantités d’ampères-heures utilisées dans chaque utilisation, des tensions, des courants, des températures pendant l’utilisation jusqu’au stationnement,
les données d’historique étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- un moyen de prédiction pour prédire un état de charge ou une tension en circuit ouvert à l’équilibre sur la base de paramètres de roulage actuels correspondants. - Système d’évaluation selon la revendication 1, caractérisé en ce que dans les fonctions de distribution multimodale de plusieurs lois normales, l’expression de chaque distribution normale, indexée par
- Système d’évaluation selon l’une quelconque des revendications 1 à 2, comprenant en outre un moyen de connexion à un serveur informatique en nuage, configuré pour permettre de transmettre des données d’historique de paramètres de roulage, et/ou pour permettre de recevoir une mise à jour des données d’historiques de paramètres de roulage.
- Système d’évaluation selon l’une quelconque des revendications 1 à 3, comprenant en outre un moyen de comptage coulombien avec correction par filtre Kalman.
- Procédé d’évaluation d’un état de charge ou d’une tension en circuit ouvert d’une batterie (B) de véhicule automobile, comprenant les étapes suivantes :
- réaliser un modèle d’apprentissage automatique (M) de prédiction d’un état de charge ou d’une tension en circuit ouvert à l’équilibre, sur la base de données d’entrées étant des données d’historiques de paramètres de roulage parmi des temps d’utilisation, des quantités d’ampères-heures utilisées dans chaque utilisation, des tensions, des courants, des températures pendant l’utilisation jusqu’au stationnement,
les données d’historique étant issues de plusieurs véhicules du même type, et comprenant des fonctions de distribution multimodale de plusieurs lois normales desdits paramètres, et
- prédire un état de charge ou une tension en circuit ouvert à l’équilibre sur la base de paramètres de roulage actuels correspondants. - Procédé d’évaluation selon la revendication 5, caractérisé en ce que dans les fonctions de distribution multimodale de plusieurs lois normales, l’expression de chaque distribution normale, indexée par
- Procédé d’évaluation selon l’une quelconque des revendications 5 à 6, comprenant en outre une étape de connexion à un serveur informatique en nuage, configuré pour permettre de transmettre des données d’historique de paramètres de roulage, et/ou pour permettre de recevoir une mise à jour des données d’historiques de paramètres de roulage.
- Procédé d’évaluation selon l’une quelconque des revendications 5 à 7, comprenant en outre une étape de comptage coulombien avec correction par filtre Kalman.
- Programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes d’un procédé d’évaluation selon l’une quelconque des revendications 5 à 8, lorsque ledit programme fonctionne sur un ordinateur (C).
- Véhicule automobile (V) comprenant un système d’évaluation selon l’une quelconque des revendications 1 à 4.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2203917A FR3135145B1 (fr) | 2022-04-27 | 2022-04-27 | Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2203917A FR3135145B1 (fr) | 2022-04-27 | 2022-04-27 | Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme |
| FR2203917 | 2022-04-27 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3135145A1 true FR3135145A1 (fr) | 2023-11-03 |
| FR3135145B1 FR3135145B1 (fr) | 2024-03-29 |
Family
ID=82019655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2203917A Active FR3135145B1 (fr) | 2022-04-27 | 2022-04-27 | Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3135145B1 (fr) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2105181A1 (fr) | 1970-09-02 | 1972-04-28 | Pirelli | |
| WO2019017991A1 (fr) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | Modèle prédictif pour estimer des états de batterie |
-
2022
- 2022-04-27 FR FR2203917A patent/FR3135145B1/fr active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2105181A1 (fr) | 1970-09-02 | 1972-04-28 | Pirelli | |
| WO2019017991A1 (fr) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | Modèle prédictif pour estimer des états de batterie |
Non-Patent Citations (6)
| Title |
|---|
| CARLOS VIDAL ET AL., HYBRID ENERGY STORAGE SYSTEM STATE-OF-CHARGE ESTIMATION USING ARTIFICIAL NEURAL NETWORK FOR MICRO-HYBRID APPLICATIONS |
| CARLOS VIDAL: "Machine Learning Applied to Electrified Vehicle Battery State of Charge and State of Health", ESTIMATION: STATE-OF-THE-ART, DIGITAL OBJECT IDENTIFIER |
| EPHREM CHEMALI ET AL., STATE-OF-CHARGE ESTIMATION OF LI-ION BATTERIES USING DEEP NEURAL NETWORKS: A MACHINE LEARNING APPROACH |
| JINGLIANG ZHANG: "Health Monitoring and Prognostics of Li-ion Battery", 17 May 2010 (2010-05-17), XP055229124, Retrieved from the Internet <URL:https://etd.ohiolink.edu/!etd.send_file?accession=ucin1275659273&disposition=inline> [retrieved on 20151118], DOI: 10.1016/j.jpowsour.2011.03.101 * |
| LI JIAHAO ET AL: "Sequential Monte Carlo filter for state estimation of LiFePO4batteries based on an online updated model", JOURNAL OF POWER SOURCES, ELSEVIER, AMSTERDAM, NL, vol. 247, 4 September 2013 (2013-09-04), pages 156 - 162, XP028760207, ISSN: 0378-7753, DOI: 10.1016/J.JPOWSOUR.2013.08.099 * |
| SCHUSTER SIMON F ET AL: "Lithium-ion cell-to-cell variation during battery electric vehicle operation", JOURNAL OF POWER SOURCES, ELSEVIER, AMSTERDAM, NL, vol. 297, 10 August 2015 (2015-08-10), pages 242 - 251, XP029274680, ISSN: 0378-7753, DOI: 10.1016/J.JPOWSOUR.2015.08.001 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3135145B1 (fr) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2434304B1 (fr) | Système et procédé de diagnostic in situ de batteries par spectroscopie d'impédance électrochimique | |
| EP2537040A1 (fr) | Methode de diagnostic in situ de batteries par spectroscopie d'impedance electrochimique | |
| EP4111219B1 (fr) | Procédé d'estimation de l'état de santé énergétique d'une batterie | |
| EP3870986B1 (fr) | Procede de determination de l'etat de vieillissement d'une batterie electrochimique | |
| FR3135145A1 (fr) | Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme | |
| CN116609676A (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| EP3824305A1 (fr) | Procédé et dispositif de détermination d'une durée limite d'utilisation d'une batterie | |
| CN114043875A (zh) | 基于大数据的剩余里程预估偏差分析方法和系统 | |
| FR3135786A1 (fr) | Systeme de prediction d’etat de sante ou de duree de vie restante d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme | |
| EP2406647A1 (fr) | Procede pour determiner l'etat de charge d'une source electrochimique pour la traction electrique de vehicules | |
| EP4072896A1 (fr) | Evaluation de l'autonomie réelle maximale d'un véhicule éléctrique | |
| CN111077466B (zh) | 一种确定车辆电池健康状态的方法及装置 | |
| FR3045217A1 (fr) | Caracterisation d'une cellule electrochimique de batterie en vieillissement | |
| FR2965361A1 (fr) | Procede d'estimation de l'etat de sante d'une batterie d'un vehicule et vehicule mettant en oeuvre un tel procede | |
| FR2833711A1 (fr) | Systeme de determination de l'etat de charge et de la tension d'une batterie de stockage d'energie electrique, notamment pour vehicule automobile | |
| WO2024133725A1 (fr) | Prédiction de l'état de santé d'un accumulateur d'énergie électrique | |
| FR3074301B1 (fr) | Procede de surveillance et de gestion d'un parc de batteries | |
| FR3134480A1 (fr) | Systeme de recharge pour vehicule automobile sans placage de lithium, procede et vehicule sur la base d’un tel systeme | |
| FR3132774A1 (fr) | Methode d’estimation de l’etat de sante d’une batterie d’un vehicule electrique ou hybride | |
| EP4386403A1 (fr) | Procede et dispositif de determination d'un profil de sollicitation representatif de l'usage futur d'une batterie pour une application donnee | |
| FR3130039A1 (fr) | Estimation d’informations relatives à une batterie cellulaire | |
| FR3130038A1 (fr) | Procede de determination et de recalage de l’etat de charge des batteries d’un vehicule hybride | |
| CN118358435A (zh) | 基于用户行为的动力电池健康状态预测方法和系统 | |
| WO2020084210A1 (fr) | Procede d'estimation de la tension a circuit ouvert d'un accumulateur electrochimique de systeme de batterie | |
| CN117388700A (zh) | 电池健康状态估计模型获取方法、估计方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20231103 |
|
| CD | Change of name or company name |
Owner name: STELLANTIS AUTO SAS, FR Effective date: 20240423 |