Dans le monde des véhicules électriques, la gestion efficace de l’énergie est essentielle afin de garantir performance et sécurité. Une composante clé de cette gestion réside en l’estimation précise de l’état de charge (State of Charge ou SoC) des batteries lithium-ion. Récemment, une étude innovante intitulée « Machine Learning-Based State of Charge Estimation: A Comparison between CatBoost Model and C-BLSTM-AE Model » a comparé deux approches d’estimation du SoC basées sur l’apprentissage automatique : le modèle CatBoost et un modèle hybride appelé C-BLSTM-AE. Cette étude a été réalisée par Abderrahim Zilali, Mehdi Adda, Khaled Ziane et Maxime Berger, et publiée dans le journal Machine Learning with Applications d’Elsevier.
Pourquoi est-ce important ?
Connaître avec précision le SoC d’une batterie permet de maximiser son utilisation, d’allonger sa durée de vie et d’assurer la sécurité de l’utilisateur. Les méthodes traditionnelles d’estimation peuvent manquer de précision, surtout dans des conditions variables. C’est ici que l’apprentissage automatique entre en jeu, offrant des solutions plus adaptatives et précises.
Les modèles en compétition :
- CatBoost : Un algorithme de boosting de gradient qui excelle dans la gestion des données catégorielles et qui offre une grande précision prédictive.
- C-BLSTM-AE : Un modèle hybride combinant des réseaux de neurones convolutifs (CNN), des réseaux de neurones à mémoire à long court terme bidirectionnels (BLSTM) et des auto-encodeurs (AE). Cette architecture est conçue pour extraire des caractéristiques complexes des données temporelles, et pour améliorer les estimations du SoC.
Résultats clés :
- Précision : Le modèle C-BLSTM-AE a démontré une erreur absolue moyenne (MAE) de 0,52 % dans des conditions de température stable et de 1,03 % dans des conditions de température variable. De son côté, le modèle CatBoost a affiché une MAE de 0,69 % et 1,09 % respectivement.
- Robustesse : Les deux modèles ont maintenu une performance élevée, même lorsque les conditions de température variaient, ce qui est crucial pour les applications réelles où les batteries sont soumises à des environnements changeants.
Implications pour l’industrie :
Cette étude souligne le potentiel des techniques d’apprentissage automatique, afin d’améliorer la gestion de l’énergie des batteries dans les véhicules électriques. L’adoption de tels modèles peut conduire à des systèmes de gestion de batteries (BMS) plus fiables et plus efficaces, capables de répondre aux défis posés par des conditions opérationnelles dynamiques et reflétant les conditions météorologiques du Québec.
Consulter l’article : https://www.sciencedirect.com/science/article/pii/S266682702500012X
Pour s'inscrire à l'infolettre