Les ingénieurs de l'UC Riverside ont développé l'État de Mission (SOM), une nouvelle mesure permettant d'améliorer les prévisions d'autonomie des batteries des véhicules électriques en prenant en compte les facteurs environnementaux. Cette innovation promet une gestion plus précise et plus fiable des batteries.
Les systèmes actuels de gestion de batterie laissent souvent les conducteurs de véhicules électriques dans l'incertitude quant à la capacité de charge restante de leur véhicule à parcourir la distance, surtout dans des conditions difficiles. Des ingénieurs de l'Université de Californie à Riverside cherchent à éliminer cette incertitude grâce à leur mesure de diagnostic innovante, l'État de Mission (SOM).
SOM est conçu pour fournir des prévisions en temps réel, adaptées à chaque tâche, en intégrant les données de la batterie et des facteurs environnementaux tels que la circulation, les variations d'altitude et la température ambiante. Ainsi, au lieu d'un simple affichage en pourcentage, les conducteurs bénéficient d'informations exploitables sur la capacité de leur batterie.
« Le SOM comble cette lacune », a déclaré Mihri Ozkan, professeur d'ingénierie à l'UC Riverside et co-auteur du système, dans un communiqué de presse. « Il s'agit d'une mesure adaptée à la mission qui combine données et physique pour prédire si la batterie peut accomplir une tâche planifiée en conditions réelles. »
La percée, publié dans la revue iScience, utilise une approche hybride.
Les diagnostics de batterie traditionnels s’appuient largement soit sur des équations physiques rigides, qui ne parviennent souvent pas à s’adapter à des scénarios changeants, soit sur des modèles d’apprentissage automatique opaques.
SOM combine la flexibilité de l’apprentissage automatique avec les principes fondamentaux de l’électrochimie et de la thermodynamique.
« En les combinant, nous obtenons le meilleur des deux mondes : un modèle qui apprend de manière flexible à partir des données, tout en restant ancré dans la réalité physique », a ajouté Cengiz Ozkan, professeur d'ingénierie à l'UC Riverside et co-directeur de l'étude. « Cela rend les prédictions non seulement plus précises, mais aussi plus fiables. »
Pour valider leur cadre, l’équipe a utilisé des ensembles de données de batteries accessibles au public de la NASA et de l’Université d’Oxford, qui comprenaient une vaste gamme de modèles d’utilisation réels, de fluctuations de température, de données de courant et de tension et de tendances de performances à long terme.
Les résultats ont montré des réductions significatives des erreurs de prédiction par rapport aux méthodes traditionnelles.
Au lieu d'une simple estimation du pourcentage de charge, SOM offre des informations plus avancées et prospectives. Par exemple, il peut informer le conducteur s'il doit recharger sa batterie en cours de trajet ou indiquer qu'un vol de drone est impossible dans certaines conditions.
« Il transforme les données abstraites des batteries en décisions exploitables, améliorant ainsi la sécurité, la fiabilité et la planification des véhicules, des drones et de toute application où l'énergie doit être adaptée à une tâche réelle », a ajouté Mihri Ozkan.
Malgré ses promesses, la complexité de calcul actuelle du modèle dépasse les capacités de la plupart des systèmes de gestion de batterie embarqués existants.
Les chercheurs restent toutefois optimistes, espérant qu’avec une optimisation supplémentaire, le SOM pourrait bientôt être intégré dans diverses applications telles que les véhicules électriques, les systèmes aériens sans pilote et même les solutions de stockage en réseau.
« Actuellement, la principale limitation réside dans la complexité des calculs », a déclaré Mihri Ozkan. « Le framework exige une puissance de traitement supérieure à celle généralement offerte par les systèmes de gestion de batterie embarqués et légers actuels. »
À l’avenir, l’équipe prévoit des tests sur le terrain pour le SOM et espère étendre son applicabilité à différentes chimies de batteries, telles que les batteries sodium-ion, à l’état solide ou à flux.
« Notre approche est conçue pour être généralisable », a ajouté Cengiz Ozkan. « Cette même méthodologie hybride permet de produire des prévisions adaptées aux missions, améliorant ainsi la fiabilité, la sécurité et l'efficacité d'un large éventail de technologies énergétiques, des voitures et des drones aux systèmes de batteries domestiques, en passant par les missions spatiales. »