Dans l’article Estimation du temps restant de conservation de charge d’une batterie de véhicule électrique, publié en 2025 dans la revue Machine Learning with Applications, Chourik Fousseni, Martin Otis et Khaled Ziane présentent une méthode innovante pour prédire avec plus de précision l’autonomie restante d’une batterie de véhicule électrique.
Un enjeu d’autonomie
L’autonomie restante des véhicules électriques, c’est-à-dire le temps de conduite possible avant que la batterie ne soit vide, est un paramètre essentiel pour la gestion énergétique des véhicules, la planification des trajets et l’expérience utilisateur. Or, les approches traditionnelles d’estimation ne tiennent pas suffisamment compte de facteurs clés tels que la température, les caractéristiques de conduite et le temps de conduite du véhicule, ce qui limite la précision des prédictions.
Pour répondre à ces limites, les auteurs ont développé une approche fondée sur des techniques d’apprentissage automatique, intégrant des modèles variés tels que Random Forest, LightGBM, XGBoost, LSTM et Prophet. Ces modèles ont été entraînés afin d’optimiser l’estimation de l’autonomie restante.
Résultats clés
Les résultats montrent que certains modèles, notamment XGBoost, fournissent des prédictions particulièrement fiables. Les auteurs démontrent aussi que l’intégration des paramètres environnementaux et comportementaux améliore sensiblement la robustesse et la précision des estimations.
Cette recherche représente une avancée important vers une gestion énergétique plus efficace des véhicules électriques.
Pour consulter l’article complet : Estimation du temps restant de conservation de charge d’une batterie de véhicule électrique – ScienceDirect
Pour s'inscrire à l'infolettre