Batterie de voiture électrique : l’IA révèle sa durée de vie restante

Un nouveau réseau neuronal combine intelligence artificielle et physique pour estimer l'état de la batterie avec une marge d'erreur minimale.

Photo: Motor1 Italia visual (AI-assisted)

Par: Eleonora Lilli

Publié par: Lucas Huaumé

20 Oct à 11:29

Ajouter Motor1.com en tant que source préférée sur Google

Après cinq ans de recharges, quelle autonomie reste-t-il réellement à la batterie d’une voiture électrique ? Pour le savoir, on s’appuie aujourd’hui sur les capteurs embarqués et sur des algorithmes qui apprennent à partir des données collectées au cours de milliers de cycles en laboratoire. Mais établir une estimation précise n’est pas toujours simple : pourtant, connaître le niveau de vieillissement de la batterie est essentiel pour évaluer la distance qu’elle peut encore parcourir.

Une nouvelle étude, publiée le 10 octobre, tente de franchir une étape supplémentaire. Les scientifiques ont développé un réseau neuronal à double voie qui combine intelligence artificielle et lois de la physique afin de mesurer l’état de santé des batteries lithium-ion.

Lors des essais, la marge d’erreur est descendue jusqu’à 0,69 % sur des cellules individuelles et à 0,29 % sur un pack batterie complet assemblé pour l’expérience. En pratique, il s’agit d’une estimation beaucoup plus proche de la valeur réelle, qui pourrait aider à mieux comprendre la durée de vie restante de la batterie.

Deux approches complémentaires pour analyser la batterie

L’idée est simple : au lieu de placer toutes les données dans le même panier, le réseau neuronal les analyse au moyen de deux voies distinctes. La première étudie les courbes de capacité incrémentale, une sorte d’empreinte digitale de la batterie : en observant l’évolution de la charge en fonction de la tension, il est possible d’identifier des pics et des profils qui révèlent le niveau de vieillissement des cellules. La seconde analyse, elle, les paramètres qui décrivent le comportement de la batterie en temps réel, afin de comprendre dans quelles conditions elle se trouve.

Analyse des batteries par réseaux neuronaux à double flux : données de dégradation et paramètres en temps réel en parallèle

Photo : Motor1 Italia visual (assistée par IA)

La nouveauté tient précisément au fait de faire travailler ces deux voies en parallèle, sans mélanger dès le départ des informations de nature différente. C’est une approche qui vise à tirer parti du meilleur des deux mondes : d’un côté les données collectées, de l’autre les lois de la physique qui expliquent le fonctionnement d’une batterie. La raison est pratique : l’intelligence artificielle fondée uniquement sur les données a besoin d’un très grand nombre d’exemples pour produire des prévisions fiables, tandis que les modèles physiques peuvent devenir difficiles à gérer lorsque de nombreuses variables entrent en jeu.

Associer les deux approches, tout en maintenant les informations séparées au départ, peut aider à obtenir des estimations plus précises sans complexifier inutilement le modèle.

Ce qu’il reste à démontrer

Des résultats aussi précis restent, pour l’instant, limités au banc d’essai. Une méthode similaire, basée sur la spectroscopie d’impédance électrochimique et un réseau convolutif multiscalaire, a obtenu une erreur quadratique moyenne de 0,74 % et une erreur absolue moyenne de 0,60 % sur des batteries de test, en surpassant d’autres modèles d’apprentissage automatique lors des comparaisons : cette orientation semble donc partagée par plusieurs groupes de recherche, et non cantonnée à un seul laboratoire.

Une feuille de route publiée le 30 septembre rappelle toutefois qu’aucune technique ne suffit à elle seule à décrire la dégradation et la sécurité d’une batterie. Il faut croiser les signaux de surface, les données collectées en temps réel et les algorithmes dits physics-informed : une fusion que de nombreux systèmes de gestion de batterie de série n’implémentent pas encore sous une forme avancée, même si certaines solutions industrielles commencent à intégrer des diagnostics plus sophistiqués.

Pour la plupart des voitures électriques en circulation, l’état de santé affiché au tableau de bord reste donc une estimation prudente, construite à partir de quelques grandeurs mesurables en conditions d’utilisation. Le chemin vers des estimations aussi précises à bord des véhicules passe encore par des modèles dédiés à la prévision de la durée de vie et par des approches comme la collecte de données réelles à grande échelle, avant que ces architectures à double voie n’arrivent réellement dans les systèmes embarqués.