Stage recherche - Vandœuvre-lès-Nancy, France - Saft

Description

Contexte

La demande économique mondiale en accumulateurs électrochimiques est de plus en plus importante de nos jours. Cet essor est principalement dû à l'émergence des véhicules hybrides et électriques (Hybrid-Electric Vehicle, Plug-in Hybrid Electric Vehicle et Battery-Electric Vehicle) d'une part, et au marché de stockage de l'énergie en lien avec les énergies renouvelables et la gestion des réseaux électriques d'autre part. SAFT est particulièrement présent dans ce contexte en tant que précurseur du déploiement de batteries lithium.

Ce stage se déroulera au sein du CRAN à Vandœuvre-lès-Nancy.

Description du sujet

Les batteries électrochimiques sont omniprésentes dans notre quotidien, que ce soit dans nos ordinateurs que nos téléphones portables. Parmi les différentes technologies disponibles, les accumulateurs lithium-ion offrent de nombreux avantages, en termes d'énergie massique, de puissance massique et de leur faible autodécharge notamment. Ils ne présentent en outre pas d'effet mémoire. En contrepartie, ce type de batteries nécessite un système de gestion (BMS) pour des raisons de sécurité, mais également pour prévenir tout vieillissement prématuré.

Le BMS joue un rôle clé sur les performances et la durée de vie de la batterie, et il est essentiel d'alimenter le BMS avec des données précises sur l'état actuel de la batterie. Le problème est que peu d'informations sur les variables de la batterie sont directement accessibles par des mesures, généralement le courant, la tension et éventuellement la température. Pour accéder aux états de la batterie (état de charge, état de santé, états de fonction), un modèle mathématique de la dynamique de la batterie est généralement développé, sur la base duquel un estimateur est conçu pour estimer les variables internes non-mesurables. Différentes approches ont été développées à cette fin, en particulier celles mises au point par le CRAN, le GREEN et SAFT, basées sur des modèles électrochimiques locaux et mettant en œuvre un observateur non-linéaire.

La plupart de ces approches sont cependant peu adaptées aux technologies de cellules lithium-ion dont la courbe de tension de circuit ouvert (OCV) en fonction de l'état de charge est plate (courbe d'OCV quasi constante), et qui posent par conséquent un problème majeur pour l'observabilité du modèle induit. On parle de « chimie plate », technologie qui peut être amenée à jouer un rôle important dans les véhicules électriques à l'avenir. Nous avons récemment proposé un estimateur pour ce type de batterie, néanmoins son bon fonctionnement n'est établi que sous certaines conditions limitantes. En contrepartie, les techniques d'estimation du machine learning reposant sur des réseaux de neurones offrent de nouvelles perspectives pour l'estimation de telles batteries. Cependant ces approches ne fournissent malheureusement pas de garanties de convergence.

L'objectif de ce stage est de tirer parti de ces deux approches, c'est-à-dire de de combiner une méthode basée machine learning reposant sur des RNN ("Recurrent Neural Networks") avec une méthode basée sur des observateurs pour lesquelles les conditions d'observabilité sont restreintes. Une des questions clef sera quand et comment basculer d'un estimateur à l'autre. Nous nous inspirerons pour cela des travaux récemment développés au CRAN dans un cadre similaire.

Plan de l'étude