TFE-COMPLET-KABASELE-corrige-FRANCOIS 1

UNIVERSITE DE LUBUMBASHI
FACULTE POLYTECHNIQUE
Département d’Electromécanique
B.P.1825
LUBUMBASHI
ESTIMATION DE L’ETAT DE CHARGE D’UNE

BATTERIE PAR L’APPRENTISSAGE STATISTIQUE D'UN
MODELE DE REGRESSION PAR LES RESEAUX DE
NEURONES
Par KABASELE BAMPENDE Ruffin

Travail présenté en vue de l’obtention du grade d’Ingénieur
Civil
Directeur : Professeur François NTAMBWE
Co-directeur : Ir.Civ Jean Pierre BAZOLANA
JUILLET 2019
I
EPIGRAPHE
« Il faut tendre vers l’impossible : les grands

exploits à travers l’histoire ont été la conquête de
ce qui semblait impossible. Car à tout celui qui
travaille dur, avec foi et discipline, rien ne lui est
impossible. » Charlie Chaplin
TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

II
DEDICACE
Je dédie humblement ce mémoire :
Au Seigneur Dieu Tout-Puissant pour la vie, la force et le courage qu’Il nous a accordé afin
d’arriver au terme de nos études universitaires. Qu’à lui Seul soit l’honneur et la gloire pour le siècle des
siècles.
A mes parents ISIDORE BAMPENDE ET JEANET MULAMBA que ce travail soit pour vous le
fruit des efforts que vous aviez faits en nous scolarisant, nous soutenant dans l’amour, la joie par des
remarques et conseils , en nous éduquant de manière à ce que nous puissions dévernir ce que nous
sommes aujourd’hui.
A mes frères et sœurs biologiques JOSUE BAKAFUTA BAMPENDE, GLORIA KANKU

BAMPENDE, DANIEL BAMPENDE BAMPENDE et ESTHER KAPUNGA BAMPENDE merci pour votre
soutien moral, spirituel et matériel dont vous aviez fait montre pendant le moment difficile que nous
avions traversé.
A toute la famille KOT, PAPA ET MAMAN KOT, JUSTINE KOT, PERCIDE KOT, GENTILLE
KOT, PAPY KOT, BEN KOT, IRUNG KOT, Marceline KOT Ruth BARAKA, Divine KOT, Shrukrani KOT,
Joesam KOT, Alegra YAV, Dansciel YAV pour votre soutien moral, spirituel et pour votre amour que
vous ne cessez de manifester envers nous.

III
AVANT-PROPOS
A la fin de notre formation d’Ingénieur Civil à l’université de Lubumbashi, il nous est

recommandé de rédiger un travail de fin d’études en vue de l’obtention d’un diplôme
d’Ingénieur Civil. Voilà la raison d’être de ce travail.
Le présent document est un projet de fin d’études élaboré sur base de la recherche
scientifique et conduit par une démarche scientifique en vue de parvenir à un résultat fiable. Il
est essentiellement l’estimation de l’état de charge d’une batterie par la méthode
d’apprentissage statistique par les réseaux de neurones.
Ce travail n’est pas à sa première publication, il a déjà été traité par d’autres
scientifiques dans le monde et notre apport et que nous avions essayé de faire une
modélisation en nous basant sur le modèle de Thevenin et l’équation de la décharge de la
batterie pour déterminer certains paramètres nécessaires à l’estimation de l’état de charge.
Nous ne pouvons commencer ce travail sans pour autant penser à ceux avec qui nous
avions commencé cette lutte, ceux qui nous ont laissés en cours de chemin et ceux avec qui
nous avions continué cette marche : A mes compagnons de lutte MUSELEFU MBULA ,
NEKONDO MUINZA, OKENGWA MPEGERE , KAKULE KIZITO, MIHANZA
MIANZAMBI, NDEKE BIPONGO, MUHIMA AMANI, NGONA SHALO, KAYEMBE
KAPINGA, Rudy MALEKI, Patient BILE, TSHANI KABUNDI, Yan MULAPU, Christian
MUYUMBA Dyesse ,KYALWE KAYUMBA, KILENDA MUKANJILA, LUKUSA
TSHIKALA, KAZADI MUKIKILA, BASUBI FARAJA, MBUYI NGUBE, ILUNGA
BARAKA, SHITA MANDELA, Stave NDABU, , Cedrick KIZANGA, Paul KITENGE, John
KASONGO, Yves DUKULA et tous les autres dont je ne saurais cité ici pour vos soutiens et
conseils.

IV
REMERCIEMENTS
Nous ne pouvons commencer ce travail sans pour autant remercier des personnes qui
nous ont aidés et contribué d’une manière ou d’une autre à la réalisation de ce travail.
Nous ne pouvons passer sous silence sans exprimer notre gratitude à tous les
enseignants qui ont contribué à notre formation tout au long de notre cursus académique.
Nos sincères remerciements au Professeur FRANCOIS NTAMBWE qui a accepté de

diriger ce travail en nous soutenant par ses conseils, ses remarques qui nous ont été
bénéfiques, pour la réalisation de ce travail.
A l’Ingénieur Civil JEAN PIERRE BAZOLANA pour avoir accepté de codiriger ce

travail, malgré ses multiples occupations, son apport a été pour nous d’une grande
importance.
A toute la famille spirituelle du ministère chrétien du combat spirituel et

particulièrement à la Jeunesse Chrétienne Combattante pour leurs soutiens spirituels.
A mes proches, MARIE-VODEI KIKUDI, TRESOR MULIMBI, MARYSE

MUPENDE, VICTOIRE KABAMBI, MARLEINE BANZA, ALPHA KATALUSHI,
WILLY KAZADI, DAVID KATALUSHI, DEBORAH MAYUNDO, Ezéchiel NGELEKA,
Patient NGOY, Francis KALONJI, JOHN MUKA, CECILE KISIMBA, JOEL BELEBELE,
JEMIMA TSHABU, JOEL TSHIBASU, SOPHIE KONDE, pour vos conseils et vos
encouragements qui nous ont permis d’avancer.
Finalement Nous souhaitons également remercier tous ceux qui d’une manière
ou d’une autre ont contribué à l’élaboration de ce travail.

V
RESUME
Le marché mondial actuel, sur le plan technologique porte un grand intérêt en ce qui
concerne les énergies renouvelables et leurs stockages. Les batteries électriques se présentent
comme le moyen le plus avantageux pour conserver et fournir de l’énergie électrique. Afin de
bien assurer la conservation de l’énergie, la sécurité et la longévité de la batterie, il est
nécessaire d’utiliser un système de gestion de batterie (BMS) qui contrôle la batterie de la
manière la plus efficace et abordable. La connaissance de l’état de charge est primordiale dans
la conception d’un BMS. Cependant, il est difficile de calculer l’état de charge, d’où la
nécessité de bien l’estimer dans le but de concevoir un BMS efficace pour la gestion de la
batterie. La méthode d’apprentissage statistique par le réseau des neurones est celle qui est
utilisée dans ce travail car elle présente l’avantage d’être précise par rapport à d’autres
méthodes d’estimation. Une base d’apprentissage est constituée à partir des données utilisées
lors du test de décharge de la batterie. Nous avons proposé une structure de réseau des
neurones sur MATLAB qui nous permet d’estimer avec précision l’état de charge.
Mots-clés : batterie, estimation de l’état de charge, apprentissage statistique, réseau des

neurones, BMS.

VI
TABLE DES MATIERES
EPIGRAPHE ............................................................................................................................... I
DEDICACE ............................................................................................................................... II
AVANT-PROPOS ................................................................................................................... III
RESUME ................................................................................................................................... V
TABLE DES MATIERES ....................................................................................................... VI
LISTE DE FIGURES ............................................................................................................ VIII
LISTE DE TABLEAUX .......................................................................................................... IX
LISTE DES ABREVIATIONS ................................................................................................. X
INTRODUCTION GENERALE ................................................................................................ 1
CHAPITRE I : GENERALITES SUR LES BATTERIES ........................................................ 4
I.1. Les différents systèmes de stockage de l’énergie ............................................................ 4
I.2. Structure de la batterie...................................................................................................... 9
I.3. Principe électrochimique ................................................................................................ 11
I.4. Les différentes technologies de batteries ...................................................................... 12
I.5. Les paramètres d'une batterie ....................................................................................... 16
I.6. Les profils de charge et de décharge des batteries ......................................................... 20
I.7. Système de management de batterie (BMS) ................................................................. 22
I.8 Conclusion ...................................................................................................................... 25
CHAPITRE II : LES METHODES D’ESTIMATION DE L’ETAT DE CHARGE D’UNE
BATTERIE............................................................................................................................... 26
II.1 Etat de charge d'une batterie électrique ........................................................................ 27
II.2 Méthodes d'estimation de l'état de charge .................................................................... 29
A. Comptage Ah amélioré .............................................................................................. 29
B. Estimateur de SoC basé sur des variables d'entrée mesurées directement ................ 32
C. Estimateur de SoC basé sur des entrées estimées à l'aide de modèles physiques ..... 35
D. Estimateur de SoC basé sur des entrées estimées à l'aide de modèles
électrochimiques ............................................................................................................... 39
E. Estimateur de SoC basé sur des méthodes d'apprentissage automatique .................. 39
F. L’Apprentissage statistique ...................................................................................... 44
G. Conclusion ................................................................................................................. 45
CHAPITRE III : MODELISATION ET TEST DE DECHARGE DE LA BATTERIE.......... 46

VII
III.1 Modèle dynamique de la batterie ................................................................................. 46

III.2 Equation décrivant la décharge de la batterie ............................................................... 47
III.3. Similitude entre les équations de Thevenin et de la décharge de la batterie ............... 47
III.4 Batterie étudiée et dispositif expérimental ................................................................... 48
III.5 Décharge de la batterie ................................................................................................. 48
III.6 Détermination des paramètres du modèle de Thevenin (R et C) .................................. 51
III.7 Modèle de la batterie Li-Ion sur MATLAB/SIMULINK ............................................. 54
III.8 Conclusion .................................................................................................................... 56
CHAPITRE IV : ESTIMATION DE L’ETAT DE CHARGE PAR LES RESEAUX DE
NEURONES ARTIFICIELS .................................................................................................... 57
IV.1 Rappel sur le réseau de Neurone .................................................................................. 57
IV.1.1 Le neurone formel ................................................................................................. 58
IV.1.2 Notion de couches.................................................................................................. 59
IV.1.3. Notion d’Apprentissage ....................................................................................... 61
IV.1.4 rétro-propagation d’erreur ..................................................................................... 62
IV.2 Choix de la structure neuronale .................................................................................... 63
IV.3 Modélisation de la batterie à base de réseau de neurone .............................................. 64
IV.3.1 Base d’apprentissage et base de test ..................................................................... 65
IV.3.2 Etape d’apprentissage ............................................................................................ 65
IV.4 Conclusion .................................................................................................................... 69
CONCLUSION GENERALE .................................................................................................. 70
BIBLIOGRAPHIE ................................................................................................................... 72
Référence web .......................................................................................................................... 73
ANNEXES ............................................................................................................................... 74
A. ANNEXES : BLOCK DES PARAMETRES DES BATTERIES SUR MATLAB ....... 74
B. ANNEXES : PARAMETRES DE COMMANDE SUR MATLAB............................... 75
C. ANNEXES : ALGORITHME DE COMMANDE ET CREATION DU RESEAU DE
NEURONE SUR MATLAB ................................................................................................ 76
D. ANNEXES : FONCTION D’ACTIVATION ................................................................ 77
E. ANNEXES : ALGORITHME DE RETRO-PROPAGATION DE L’ERREUR ............ 78

VIII
LISTE DE FIGURES
Figure I-1- Schéma de principe d’une installation de stockage à air comprimé ........................ 5
Figure I-2 - Schéma de principe d’une installation de stockage par Hydrogène ....................... 6
Figure I-3- Représentation d’un condensateur de stockage électrostatique d’énergie électrique
.................................................................................................................................................... 6
Figure I-4- Schéma de principe d'une installation de stockage d’énergie sous forme de .......... 7
Figure I-5- Schéma de principe d'une installation de stockage Hydraulique ............................. 7
Figure I-6- Caractéristiques de technologies de stockage d’énergie .......................................... 9
Figure I-7- Vue éclatée des différents éléments d'une batterie ............................................... 10
Figure I-8 - Cellule électrochimique de base ........................................................................... 12
Figure I-9- Positionnement en densités d’énergie massique et volumique des batteries lithium
.................................................................................................................................................. 14
Figure I-10- Mécanisme de la recharge et décharge d'une batterie Lithium-Ion ..................... 16
Figure I-11 - Profil de charge d'une cellule Li-ion (18650HC)............................................... 22
Figure II-1 - Concept de réglage du SoC via un contrôleur ..................................................... 37
Figure II-2 - Estimateur de SoC sur un filtre de Kalman étendu, où est l’entrée , la
variable d’état et la variable observée ..................................................................... 38
Figure II-3 -Estimation du SoC basée sur la méthode d'apprentissage .................................... 41
Figure III-1 - Circuit équivalent de Thevenin .......................................................................... 46
Figure III-2- Caractéristique de la décharge à plusieurs courants de décharge........................ 49
Figure III-3 - Caractéristique de la décharge à un courant nominal de 0.93478 A .................. 49
Figure III-4 - Variation de l’état de charge en fonction du temps ............................................ 50
Figure III-5 - variation de la tension en circuit ouvert en fonction de l’état de charge ............ 51
Figure III-6 - Variation de la Résistance par rapport au pour différents courants de
décharge ................................................................................................................................... 53
Figure III-7 - Variation de la Capacité par rapport au SoC pour différents courants de
décharge ................................................................................................................................... 53
Figure III-8 -Modèle réalisé de la batterie Li-ion..................................................................... 55
Figure III-9 - Caractéristique à la décharge du modèle réalisé ................................................ 56
Figure IV-1- Le Neurone.......................................................................................................... 59
Figure IV-2 - Couche k composée de n neurones .................................................................... 60
Figure IV-3 - Réseau à une couche cachée .............................................................................. 61
Figure IV-4 - Schéma d'apprentissage supervisé ..................................................................... 62
Figure IV-5 - Structure de notre Réseau de Neurone ............................................................... 64
Figure IV-6 - Architecture choisie pour notre RNA sur MATLAB ........................................ 66
Figure IV-7 - Etat de charge désiré .......................................................................................... 66
Figure IV-8 - Etat de charge estimé ......................................................................................... 67
Figure IV-9 - Erreur de prédiction ........................................................................................... 67
Figure IV-10 - Phase d’apprentissage du Réseau de Neurones sur MATLAB ........................ 68
Figure IV-11 - Performance du RNA ....................................................................................... 68
Figure IV-12 - Performance de régression ............................................................................... 69

IX
LISTE DE TABLEAUX
Tableau I-1 - Caractéristiques de technologies de stockage d’énergie ...................................... 8

Tableau I-2 - Caractéristiques des principales technologies de batteries ................................ 13
Tableau I-3 - L’autodécharge des différents systèmes de batteries ......................................... 19
Tableau II-1 - Critères de classification pour l'estimateur de SoC basés sur une variable
d'entrée mesurée directement ................................................................................................... 32
Tableau II-2 - Critères de classification des SoC obtenus à partir d'entrants estimés à l'aide de
modèles physiques .................................................................................................................... 36
Tableau II-3 - Principaux criteres de classification pour le SoC obtenu à partir d’entrées
estimés par le modèle électrochimique .................................................................................... 39
Tableau III-1-Paramètres nominaux de la batterie ................................................................... 48

X
LISTE DES ABREVIATIONS
ARMA : Moyenne mobile autorégressive
BMS : Battery management system (Système de gestion des batteries)
CAES : Compress air enrgy storage
CC : Protocole de charge courant constant
CCA : courant de charge maximum
CV : protocole de charge à tension constante
DC : courant continu
DCL : courant de décharge maximum
DOD : Depth of discharge (profondeur de décharge)
EC : Carbonate d’éthylène
EDL : Electric double Layer
EKF : Filtre étendu de KALMAN
EMC : Carbonate Ethyle méthyle
EMF : Force Electromotrice
KOH : Hydroxyde de potassium
LCD : Protocole de charge à décroissance de courant linéaire
Li-Ion : Lithium Ion
LiPF6 : Lithium hexafluorophosphate
Ni-Cd : Nickel-Cadmium
NI-MH : Nickel-Hydrure métallique
OCV : Open circuit voltage (tension en circuit ouvert)

XI
Pb-Acide : Plomb acide
PC : Carbonate de Propylène
PID : Proportionnel Intégré Dérivé
PTC : Positive thermal coefficient
RNA : Réseaux de neurones artificiels
SLA : Sealed Lead Acid
SoC : State of charge (état de charge)
SoH : state of Health (état de santé)
SoF : State of function (état de fonction)
SVR : régression de vecteur de support
VRLA : valve regulated lead acid battery

1
INTRODUCTION GENERALE
Récemment, les énergies renouvelables et les véhicules électriques ont suscité un

grand intérêt, pierre angulaire du développement d’une société future durable. Les deux
aspects nécessitent des batteries-accumulateurs pour les rendre rentables sur le plan
opérationnel. Néanmoins, les batteries coûtent très chères et sont très encombrantes car elles
sont conçues de manière conservatrice pour assurer la sécurité et la longévité. Un tel
conservatisme peut être évité en utilisant un système de gestion de la batterie (BMS), qui
contrôle la batterie de la manière la plus efficace et le plus abordable.
Cependant, il est difficile de déterminer ou d’estimer les caractéristiques de la batterie,

car elles sont interdépendantes et varient beaucoup dans le temps. Des nombreux modèles de
batterie sont utilisés pour représenter le comportement de la batterie. Les modèles les plus
couramment utilisés peuvent être divisés en deux catégories : les modèles électrochimiques et
les modèles de circuits équivalents électriques. Les modèles électrochimiques utilisent un
ensemble d'équations différentielles non linéaires couplées pour décrire les phénomènes de
transport, thermodynamiques et cinétiques pertinents.
Une indication précise de l'état de charge d'une batterie (State of Charge - SoC)
permet de garantir une utilisation sûre de la batterie en évitant une surcharge ou une décharge
pouvant l'endommager. Cette indication est également indispensable pour calculer l'énergie
disponible de la batterie ainsi que son autonomie. Cela est particulièrement important pour
des applications cruciales comme les véhicules électriques.
Cependant, la batterie étant un système électrochimique complexe, ni son SoC ni sa

capacité disponible ne peuvent être mesurés directement par un capteur. De plus, la
dynamique de la batterie dépend non seulement de ses caractéristiques internes, comme sa
composition chimique et son état de santé, mais aussi de ses conditions d'usage, souvent non
contrôlables, comme la température ambiante et le profil de courant (qui caractérise le type
de conduite, la dénivellation de la route, etc.). Cela rend difficile la conception d'un
estimateur fiable du SoC, notamment pour des applications temps réel. En effet, deux
principales contraintes limitent les performances d'un estimateur temps réel du SoC : la

2
puissance de calcul limitée du système de contrôle de la batterie (Battery Management

System - BMS) et le changement aléatoire des conditions d'usage externes de la batterie.
De nombreuses études ont cherché à obtenir une estimation fiable du SoC. Nous les
classons en quatre catégories principales respectivement :
 Les méthodes basées sur une relation directe entre le SoC et une quantité
physique telle que la tension à vide ou l'impédance interne de la batterie ;
 Les méthodes basées sur la modélisation électrochimique de la dynamique de
la batterie permettant, par exemple, de modéliser la diffusion des particules
entre les deux électrodes de la batterie ;
 Les méthodes basées sur la modélisation physique de la dynamique de la
batterie, dont l'une des plus utilisées est la méthode coulométrique, dite aussi
de comptage ampère-heure ;
 Les méthodes basées sur l'apprentissage statistique d'un modèle de régression,
comme les réseaux de neurones (Articial Neural Network).
Ainsi pour notre travail, nous avons opté pour le dernier dont le principe de la méthode
est d'estimer les paramètres d'un modèle de régression prédéfini à partir d'une base
d'apprentissage formée de données collectées lors des tests de charge et de décharge d'une
batterie. Ces méthodes donnent une indication précise du SoC (état de charge) lorsque les
conditions d'usage et les caractéristiques internes de la batterie sont proches de celles de la
base d'apprentissage.
Pour mener à bien ce travail, nous avons choisi la technologie lithium-ion. Elle est
actuellement largement utilisée pour alimenter des appareils électroniques portables, tels que
des ordinateurs portables chargés via des sacs solaires. En outre, par rapport aux technologies
de batterie plus anciennes, les batteries lithium-ion offrent une tension relativement élevée,
une énergie spécifique élevée, une puissance spécifique élevée, aucun effet de mémoire et de
faibles taux d'autodécharge pendant le stockage.
Ce travail entre dans le cadre de l’étude et la conception d’un système de gestion des
batteries. L’objectif principal de ce projet est d’élaborer un modèle de la batterie Li -Ion par
un réseau de neurone et l’estimation d’état de charge SOC (State of charge) qui
représente la tâche la plus difficile dans la BMS. Nous ne nous limiterons qu’à l’étape de
l’estimation de l’état de charge sans aborder la conception de BMS.

3
Hormis l’introduction et la conclusion générale, nous avons subdivisé ce travail en 4

chapitres.
Dans le premier chapitre, on va présenter une étude bibliographique sur les

différentes technologies de batteries existantes ainsi que leurs caractéristiques, en passant en
revue les différents systèmes de stockage et leurs avantages.
Les travaux présentés dans le deuxième chapitre passent en revue les méthodes
d'estimation de SoC proposées dans la littérature et discutent leurs avantages et inconvénients
en termes de leurs performances pour des applications en temps réel.
Les travaux présentés dans le troisième chapitre s’attachent à la modélisation de la

batterie en se basant sur le circuit de Thevenin et de l’équation de la décharge de la batterie
ainsi que le test de décharge de la batterie sur l’environnement MATLAB/SIMULINK.
Le quatrième chapitre est divisé en deux parties, la première partie est une
présentation générale des réseaux de neurones : leur principe, les différentes
architectures et les deux techniques d’apprentissage supervisé et non supervisé. La 2ème
partie contient la démarche à suivre pour créer un réseau de neurone, la simulation de l’état
de charge par le réseau de neurones sur MATLAB ainsi que l’interprétation des résultats.

4
CHAPITRE I : GENERALITES SUR LES BATTERIES
L’évolution actuelle de la technologie suscite un grand intérêt sur le stockage de

l’énergie électrique dans des nombreux domaines : l’électronique numérique (les téléphones
portables, les ordinateurs, …), automobiles (les voitures électriques), les énergies
renouvelables, tous ces systèmes nécessitent en permanences de l’énergie pour leurs
fonctionnements. Cette énergie doit être stockée dans un composant souple et adapté à l’usage
de chacun. Ainsi les batteries électriques se présentent comme le moyen le plus avantageux
pour conserver puis fournir de l’électricité, à cause de leur souplesse, leur flexibilité de
dimensionnement et leur réactivité, ce qui en fait des candidats de choix pour de multiples
applications.
I.1. LES DIFFERENTS SYSTEMES DE STOCKAGE DE L’ENERGIE [1]
Le stockage de l’énergie est utilisé pour répondre à trois besoins principaux

respectivement :
 Le besoin de se déplacer avec sa propre source d’énergie, c’est le besoin
d’autonomie ;
 Le besoin de compenser le décalage temporel entre la demande en énergie
et la possibilité de production,
 Le besoin de compenser les fluctuations d’intensité du courant délivré sur le
réseau électrique, par exemple dans le cas des éoliennes.
Le stockage direct de l’énergie électrique est une opération difficile surtout pour un
stockage à grande échelle. Il convient donc de la transformer en une autre forme d’énergie
plus facilement stockable. Il existe aujourd’hui différentes solutions de stockage d’énergie :
a. L’air comprimé
CAES (Compress Air Energy Storage) : l'air comprimé peut être utilisé pour
produire un travail mécanique. Quand il y a une forte demande d'électricité, on utilise
l'air qui a été précédemment comprimé et stocké pour mettre en mouvement une turbine
qui grâce à un alternateur produit de l'électricité. Un des avantages de la solution est de
ne générer que peu de risques (pas ou peu de produits toxiques, métaux rares, etc.) et
de n'avoir aucune contrainte géographique (solution décentralisée) ni d'échelle dès lors
qu'une source d'électricité est disponible :

5
Figure 0-1- Schéma de principe d’une installation de stockage à air comprimé
b. Les batteries
L’utilisation de batteries permet de stocker l’énergie électrique sous forme

électrochimique.
c. Les volants d’inertie
Les volants d’inertie stockent l’énergie sous forme cinétique. Ils sont constitués
d’une masse en rotation autour d’un axe. Les volants d’inertie sont des dispositifs qui se
chargent et se déchargent sur quelques secondes à une minute. Ils sont donc réservés à des
applications où les cycles de stockage sont de courte durée.
d. L’hydrogène
Le stockage d’hydrogène sous forme solide (hydrures métalliques) améliore

radicalement la sécurité liée au stockage de l’hydrogène.
Avantages du stockage d'hydrogène solide :
 Réduction drastique des risques par rapport à des solutions haute pression
ou cryogénique ;
 Un système complètement réversible (stockage/déstockage) ;
 Sans effet mémoire, déchargeable à 100 % où puissance et énergie sont
découplées ;

6
 Souple d’utilisation (absorbe les variations de production d’hydrogène de

l’électrolyseur, idéal lorsqu’il s’agit de stockage d’énergie renouvelable
intermittente) et réactif (Figure I-2) :
Figure 0-2 - Schéma de principe d’une installation de stockage par Hydrogène
e. Le stockage électrostatique d’énergie électrique
L’utilisation de condensateurs ou de super condensateurs permettent de stocker

l’énergie électrique sous forme électrostatique. La capacité électrique d’un condensateur ou
d’un super condensateur est déterminée essentiellement par la géométrie des armatures et
la nature du, ou des, isolant (s). La formule simplifiée suivante est souvent utilisée :
( )
Figure 0-3- Représentation d’un condensateur de stockage électrostatique d’énergie

électrique

7
f. Le stockage d’énergie sous forme de chaleur
Lorsque l’énergie électrique est produite par des sources intermittentes (éoliennes,
panneaux solaires), l’énergie peut être stockée sous forme de chaleur pour être
distribuée sur le réseau au moment des pics de demande (Figure I-4) :
Figure 0-4- Schéma de principe d'une installation de stockage d’énergie sous forme de
Chaleur
g. Le stockage hydraulique gravitaire

Le principe du stockage hydraulique gravitaire est d’accumuler de l’énergie sous
forme d’énergie potentielle hydraulique entre un bassin en hauteur et un réservoir d’eau
inférieur. L’eau du réservoir inférieur peut être ainsi pompée vers le bassin supérieur en
période d’excès d’énergie et être ensuite turbinée vers le réservoir inférieur en période de
demande d’énergie. Un flux à contrecourant de la demande générale révèle le
fonctionnement de ce stockage
Figure 0-5- Schéma de principe d'une installation de stockage Hydraulique

8
Chaque technique a ses propres caractéristiques et limites, qui correspondent à

des champs d’applications bien précis (Tableau I-1) :
Tableau 0-1 - Caractéristiques de technologies de stockage d’énergie1
1
Le stockage hydraulique gravitaire et la production
Hydroélectrique sur les pentes réunionnaises – Etude du
Stockage de l’énergie photovoltaïque 25 Septembre 2009

9
Figure 0-6- Caractéristiques de technologies de stockage d’énergie
Dans cette étude nous nous intéressons au stockage par les batteries.
I.2. STRUCTURE DE LA BATTERIE
Une batterie est un dispositif qui convertit de l’énergie chimique, stockée dans des
matériaux actifs, en une énergie électrique par le moyen d’une réaction électrochimique
d’oxydoréduction (redox).
La batterie se compose de plusieurs cellules (élément) électrochimiques. Bien que les

termes batterie et cellule soient souvent utilisés l’un pour l’autre, les cellules sont des modules
(blocs) avec lesquelles les batteries sont construites. Les cellules sont assemblées selon des
structures prismatiques, cylindriques ou autres pour finir par avoir le module élémentaire ou
la batterie spécifique en tension, en courant et en durée de vie à standards ou à notre
application.

10
Figure 0-7- Vue éclatée des différents éléments d'une batterie [3]
Les constituants essentiels d’une batterie sont [3] :
La cellule galvanique : qui est le bloc électrochimique de base dans une

batterie, composé d’un ensemble de plaques positives et négatives divisées par
des séparateurs, immergées dans la solution d’électrolyte et inclues dans un
bac. Chaque cellule possède une tension nominale de 2.1 Volts pour une
batterie au plomb par exemple ; ainsi il y’a six cellules en série dans une
batterie au plomb de tension nominale 12 Volts.
Les matières actives : qui forment les plaques positives et négatives.
L’énergie libérée lors de leurs réactions (chimique), permet la production
d’énergie électrique. Dans une batterie au plomb les matières actives sont :
dioxyde de plomb ( ) dans les plaques positives et le plomb (Pb) dans les
plaques négatives.
L'électrolyte : qui représente le Canal conducteur dans lequel sont plongées
les plaques, et qui permet les échanges ioniques entre celles-ci. Dans le cas
d’une batterie au Plomb-Acide ouverte, l’électrolyte est une solution d’acide
11
sulfurique (30% ). Cet électrolyte peut être gélifié, comme c’est le cas
des batteries au plomb-acide étanche (SLA), connues.
Les grilles : dont le rôle dans une batterie est de soutenir la matière active dans
la plaque, ainsi elle représente le support de cette matière afin d’assurer la
distribution du courant. Dans une batterie au plomb, la grille est un alliage de
plomb et d’antimoine ou bien de calcium. Ces deux derniers sont utilisés pour
fortifier la grille au plomb.
Les plaques : qui sont les éléments de base d’une batterie, composées de
grilles et de la matière active, quelque fois appelées électrodes.
Les bouchons : qui permettent le remplissage de la batterie et le départ des gaz
formés pendant la charge pour les batteries ouvertes, à leurs places on peut
avoir des valves dans le cas des batteries de type « VRLA ».
Les Séparateurs : Ce sont des feuilles microporeuses dont le rôle est
d’empêcher le court-circuit entre plaques de natures opposées, ils complètent le
soutien de la matière active.
Les bornes : Relient la batterie au circuit extérieur.
Le bac : Fabriqué avec des matériaux, très divers, isolants résistant à l’acide,
par exemple le plastique, l’ébonite ou autres matières.
Le Commutateur « PTC » : Cet étage est une protection interne pour chaque
cellule, monté en série. Sa résistance est très faible à une température et un
courant nominaux. Durant une décharge excessive d’une cellule, sa
température augmente et engendre une augmentation brusque de sa résistance
qui limite le courant. Cette, technique, réversible est adoptée par des
constructeurs pour certaines cellules cylindriques (Li-Ion, Ni-Cd et Ni-MH).
I.3. PRINCIPE ELECTROCHIMIQUE
Il est nécessaire de comprendre les phénomènes chimiques de base gouvernant le

fonctionnement des batteries afin de pouvoir justifier les choix des méthodes, des modèles, et
par la suite mieux interpréter les résultats de ces interactions. Le schéma de principe d'une
cellule électrochimique est illustré par la Figure I-8. Lors d’une décharge de l’accumulateur,
la réaction d’oxydation qui se produit à l’anode libère un ou des électrons dans le circuit
extérieur. Ces électrons circulent alors jusqu’à la cathode où ils participent à la réaction de
réduction (gain d'un ou plusieurs électrons). Simultanément, les anions et les cations migrent
dans la solution électrolytique entre les deux électrodes afin de préserver l’équilibre des
12
charges. Lorsque l’anode est complètement oxydée (ou la cathode totalement réduite), ces
réactions s’achèvent et la batterie est déchargée. Quant à la charge, elle est réalisée en
appliquant un courant électrique aux électrodes afin d’engendrer les réactions inverses
En décharge, l'anode est la borne négative de la batterie et la cathode est la borne

positive. Par contre, en phase de charge l'électrode négative est la cathode et le positif est
l'anode, les électrons circulant alors dans l'autre sens:
Figure 0-8 - Cellule électrochimique de base
I.4. LES DIFFERENTES TECHNOLOGIES DE BATTERIES [4]
Une batterie de cellules électrochimiques est actuellement la source d’énergie

électrique la plus employée dans les systèmes embarqués portables du type téléphone,
ordinateur, ainsi que dans les véhicules hybrides et électriques. Il existe de nombreuses
technologies de batterie, selon les matériaux utilisés dans les réactions chimiques
responsables du transfert d’électrons. Les matériaux les plus répandus sont le plomb, le nickel
ou encore le lithium.
L’histoire des premières batteries commence avec l’italien Alessandro Volta qui
découvre, en 1800, la présence d’un flux d’électrons suite à la réaction électrochimique entre
deux métaux et une solution. C’est la cellule primaire non rechargeable couramment appelée
pile.
En 1859, la première batterie rechargeable, appelée aussi secondaire, est

inventée par le physicien français Gaston Planté qui met en évidence les réactions
réversibles chimiques/électriques suite à l’inversion du sens de flux de courant. Cette

13
technologie, toujours utilisée aujourd’hui, comprend deux électrodes au plomb baignant

dans une solution d’acide sulfurique.
Quelques années plus tard, en 1899, le suédois Waldemar Junger invente la

première batterie rechargeable nickel-cadmium (NiCd) en utilisant une électrode au nickel,
une autre au cadmium et une solution d’hydroxyde de potassium (KOH) comme électrolyte.
Avec le NiCd, même si un gain notable en compacité est obtenu par rapport au plomb, on peut
déplorer un fort effet mémoire.
Viennent ensuite les batteries Ni-MH (Nickel Hydrure Métallique).

Commercialisée en 1990 , cette technologie a permis d’augmenter la densité d’énergie de 30 à
40% comparées aux anciennes technologies et de s’affranchir des problèmes liés à la
toxicité du cadmium, maintenant majoritairement interdit. Cette technologie présente un
certain nombre d’atouts comme sa densité d’énergie volumique (Wh/l) élevée, un
fonctionnement possible à basse température, un faible coût et une bonne sûreté de
fonctionnement. Elle équipe par exemple la Toyota Prius standard. Toutefois, par exemple
dans le cas de l’électrification des véhicules et vue la croissance de l’électronique embarquée,
elle n’est plus à même de répondre au besoin demandé vue son énergie spécifique appelée
aussi densité d’énergie massique (Wh/kg) très modérée. Pour cette raison, les constructeurs
ont opté de plus en plus pour l’utilisation des batteries lithium-ion tel est le cas de la Toyota
Prius rechargeable.
La première batterie rechargeable à base de lithium a été commercialisée en

1991 par le constructeur japonais Sony. Cette technologie a vite supplanté les autres
technologies compte tenue de ses meilleures caractéristiques. Le tableau I-2 récapitule les
principales technologies d’accumulateurs avec quelques-unes de leurs spécificités.
Tableau 0-2 - Caractéristiques des principales technologies de batteries [5]

14
I.4.1. Les batteries lithium
Les batteries lithium représentent une solution attractive pour les systèmes de
stockage d’énergie en termes de performances, notamment d’énergie spécifique et de densité
d’énergie. En effet, puisque ce type de batterie possède la tension de fonctionnement
la plus élevée (3.7V) et est en même temps, selon la classification périodique des éléments,
le métal le plus léger avec une masse molaire atomique de 6,94 g. La Figure I-9
montre le positionnement avantageux des batteries lithium par rapport aux autres
technologies relativement aux densités d’énergie massique et volumique. Ceci explique sa
pénétration actuelle des marchés dans les différents domaines (électronique portable,
aéronautique, transport terrestre, électronique domestique..) :
Figure 0-9- Positionnement en densités d’énergie massique et volumique des batteries

lithium [6]
Il est à noter que les batteries lithium actuelles sont de plus en plus sécurisantes en
comparaison des premières batteries à électrodes en lithium métal. Ces dernières, à
cause de la réaction violente du lithium métal en présence d’oxygène, induisent le
problème de la formation de dendrites qui provoque une instabilité thermique
conduisant parfois à l’enflamment et même à l’explosion de la batterie.
Les batteries lithium-ion actuelles sont constituées d’une électrode négative au

carbone (graphite), d’un électrolyte à solvant organique (généralement des carbonates
d’alkyles) dans lequel on dissout du sels de lithium et d’une électrode positive à base
d’oxyde de métal constituée de composés d’insertion.
On distingue les batteries lithium-ion et les batteries lithium-ion polymère. Les

batteries lithium-ion polymère ont la particularité d’être composées d’un électrolyte en gel de

15
polymère (oxyde de polyéthylène ou poly-acrylonitrile) contenant des sels de lithium ce qui

limite les fuites d’électrolyte. Elles sont plus résistantes à la surcharge et ont un plus long
cycle de vie.
Néanmoins, pour une température équivalente, leur conductivité ionique est inférieure
à celle d’un électrolyte liquide. Dans le cas des batteries lithium-ion, l’électrolyte le plus
largement utilisé est constitué de sel dissout dans un solvant, généralement issu d’un
mélange de carbonate d’éthylène (EC), de carbonate de propylène (PC) et de carbonate
d’éthyle méthyle (EMC).
L’appellation lithium-ion ou Li-ion provient du fait que la technologie est basée sur
l’insertion et la désinsertion des ions lithium des deux électrodes dans les deux sens
selon l’état de charge ou de décharge. Pendant la décharge, un électron est libéré à
l’électrode négative (anode) et est acheminé par l’intermédiaire du circuit externe vers
l’électrode positive (cathode). Simultanément, un ion est intercalé dans le matériau de la
cathode et un ion lithium est libéré de l’anode pour préserver l’électro-neutralité de
l’électrolyte.
Le coût élevé dû à la matière première et à la fabrication, reste un des

principaux inconvénients de la technologie lithium, même si une production à grande
échelle pourrait permettre d’abaisser sensiblement le prix. Compte tenu de
l’augmentation des besoins en stockage d’énergie dans un grand nombre d’applications, le
marché actuel présente différentes technologies de batteries lithium-ion distinguées par leur
taille, leur chimie (composition des anodes et cathodes) et leur forme. Le développement de
matériaux et composants moins chers conduisant à des batteries plus performantes est donc
essentiel.
A. Principe de Fonctionnement d’une Batterie Li-ion [5] :
De manière générale, le courant est créé par un mouvement d’ensemble des

électrons. Ces derniers se déplacent de la cathode (l'électrode positive) à l'anode (électrode
négative) en passant par un fil de métal (conducteur), pour alimenter ensuite une charge (un
moteur, ou une lampe par exemple). Les ions issus de ce transfert d'électrons traversent
l'électrolyte, en partant de la cathode pour rejoindre l'anode, comme les électrons. Ceci a
donc lieu lorsque la batterie se décharge. Lorsque l’on recharge la batterie, les
électrons sont renvoyés de la cathode vers l’anode, ainsi que les ions lithium.

16
Figure 0-10- Mécanisme de la recharge et décharge d'une batterie Lithium-Ion
I.5. LES PARAMETRES D'UNE BATTERIE [7]
1. Régime de décharge
Dans la description des batteries, les courants de décharge sont généralement

exprimés en fonction du régime de décharge (C-rate). Il est considéré comme une
normalisation vis-à-vis de la capacité de la batterie. Il correspond donc à une mesure du taux
auquel la batterie est déchargée relativement à sa capacité maximale en guise de
fraction et qui donne aussi une indication sur la durée de la décharge. Par exemple, le
régime de décharge 1C signifie que la batterie sera complètement déchargée en une heure.
Une batterie de 100Ah déchargée à un régime de C-rate 1C sera complètement déchargée
après une heure à un courant de 100A. A un régime de 5C, le courant de décharge sera de
500A et la batterie sera déchargée en 1/5 d’une heure.
2. Capacité
La capacité est une quantité d’électricité, exprimée en Ah, pour un régime

donné. Elle correspond au total des Ah disponibles lorsque la batterie est déchargée à un
certain régime (ou à un certain courant) à partir de 100% d’état de charge jusqu’à la tension
limite de fin de décharge. Généralement, la capacité est calculée en multipliant le courant de
décharge par le temps de décharge. Elle dépend de la température ainsi que du régime et
elle est maximale quand la batterie est neuve.

17
Les fabricants de batteries fournissent souvent la capacité nominale qui est

obtenue à un courant de décharge nominal, respectant les limites de tensions spécifiées
et dans des conditions de température données.
3. Résistance interne
La résistance interne de la batterie est liée aux matériaux constituant la batterie

et aux réactions au sein de celle-ci. Elle dépend du régime de charge/décharge, de la
température, de l’état de santé et de l’état de charge. Elle donne une indication du rendement
énergétique de la batterie. En effet, avec la résistance, les pertes par effet Joule augmentent
ce qui diminue le rendement.
Il à noter que la capacité et la résistance interne d’une batterie sont deux

données particulièrement importantes pour quantifier son état de santé. Elles sont
également liées à l’état de fonction SoF (State Of Function) puisque la résistance est
l’image de la puissance maximale disponible et la capacité celle de l’énergie maximale
pouvant être exploitée.
4. Tension en circuit ouvert
La tension à vide ou en circuit ouvert OCV (Open Circuit Voltage) d’une batterie
correspond à son potentiel d’équilibre i.e. la différence de potentiel entre les deux
électrodes quand la batterie est au repos. Cette tension d’équilibre dépend directement des
activités des espèces actives qui varient avec l'état de charge et la température.
5. Etat de charge
L’état de charge SoC (State Of Charge) est une expression de la capacité

disponible de la batterie à un instant donné exprimée en un pourcentage de sa capacité
maximale. Cette quantité est généralement calculée en intégrant le courant et ainsi en suivant
l’évolution de la quantité de charge tout au long de la sollicitation électrique de la batterie.

18
6. Etat de santé
L’état de santé SoH (State Of Health) est une grandeur qui quantifie les pertes de
performances dues à la dégradation de la batterie. Il peut être défini comme le rapport entre la
capacité totale actuelle et la capacité maximale obtenue lorsque la batterie était neuve.
Cependant, de notre point de vue, une évaluation correcte de l’état de santé de la batterie doit
aussi prendre en considération l’augmentation de sa résistance interne surtout dans le cas des
régimes de décharge importants donc avec de forts échauffements :
Pour certaine prédéfinition, la batterie est à sa fin de vie (EOL) lorsqu’elle a

SoH% = 80.
7. La profondeur de décharge (DOD)
Le DOD (Depth Of Discharge) est la quantité de capacité retirée durant la phase de

décharge lors d’un cycle à partir d'une batterie pleinement chargée. Il est exprimé, en
pourcentage (%), en référence à la capacité maximale qui peut être livrée par cette batterie :
La profondeur de décharge est le complément de l’état de charge :
Ce paramètre est considéré comme majeur à identifier lors du dimensionnement d’une

batterie.
8. La température
Quand le stockage est en service les températures T (C°) qui sont très hautes ou basses
peuvent influer fortement sur le fonctionnement de la batterie et par conséquence les autres
paramètres. Selon les exigences des fabricants, les performances sont toujours à revoir par
rapport à la plage d’opération lors du dimensionnement de notre système (capacité de la
batterie, durée de vie, système de régulation et contrôle thermique…etc.).

19
Selon l’instrumentation qui équipe le module batterie en opération ou en test

(thermistance-bac, thermistance par cellule, sondes installée sur électrodes, sondes interne
ou/et scan infrarouge), différentes notions et définitions de températures peuvent être
exploitées pour assurer une régulation thermique, modélisation mathématique ou validation de
modèles.
9. Phénomène d’autodécharge (self-discharge)
C’est la décomposition spontanée (sans intervention externe) des matières actives de

la cellule d’un état chargé vers un état de décharge. Il est interprété comme une perte de
l’EMF (Force électromotrice (Electro Motrice Force)) due à une fuite interne de courant
( ).
Selon différentes lectures, les batteries primaires sont les moins affectées par l’effet
autodécharge, viennent par la suite les secondaires (batteries rechargeables), voir Tableau I-3 :
Tableau 0-3 - L’autodécharge des différents systèmes de batteries [3]
10. Phénomène de polarisation
Lorsqu’un courant « » passe dans l’accumulateur, la tension varie de l’équilibre du

circuit ouvert « VOCF » vers une valeur plus faible ou plus forte selon la phase (charge ou
décharge). Ce phénomène est appelé la polarisation (η). Vu que ce phénomène évolue avec le
courant, cela le rend de plus en plus nuisible au rendement car il provoque des pertes
d’énergie (et en capacité).

20
Trois types de polarisation sont identifiés :
 Polarisation d’activation (ηa): reprend l’énergie nécessaire pour surmonter la

barrière d’énergie d’activation afin qu’une réaction puisse se dérouler. Cette
polarisation est identifiée par la loi de Tafel, équation ci-dessous.
 Polarisation de concentration (ηc): représente la variation du potentiel

d’électrode apportée par des changements locaux de concentration, la
diminution de la concentration des réactifs et l’augmentation des produits de la
réaction.
 Polarisation résistive (ηR) : représente la chute de potentiel due aux pertes
résistives dans la cellule
11. Phénomène de la double couche électrique (EDL)
L’application d’un potentiel à une électrode dans un électrolyte provoque un courant

transitoire qui modifie la répartition des charges dans celui-ci. En effet, la couche de solution
immédiatement adjacente à l‘électrode acquiert la charge opposée au potentiel de l’électrode,
Engendrant ainsi la formation d’une couche de charge sur la surface de l’électrode en face,
dans l’électrolyte et une couche à charge opposée. Cette région est appelée ”double couche
électrique” (EDL, Electric Double Layer).
I.6. LES PROFILS DE CHARGE ET DE DECHARGE DES BATTERIES
La sécurité, la durabilité et les performances d’une batterie dépendent fortement de la

façon dont elle est chargée ou déchargée. Un Abus peut réduire considérablement sa durée de
vie et peut être dangereux. Un BMS comprend, à bord, à la fois un protocole de contrôle de
charge et une stratégie de décharge implémentée.
1. Protocole de charge à tension constante (CV)
Ce régime de charge qui maintien la tension à une valeur constante (Vfull) est adapté
pour tous types de batterie ; il est probablement le profil le plus réputé vu la simplicité de sa
mise en œuvre. Le courant de charge ) de la batterie varie tout le long du processus de
charge. peut être important au stade initial de la charge et diminue progressivement à zéro
lorsque la batterie est complètement chargée. Les inconvénients de cette méthode sont :

21
l’exigence d'une puissance très élevée lors du début de la charge, la nécessité du contrôle de la
surcharge et aussi le contrôle de la température de la batterie. En général la durée de vie de la
batterie est réduite par rapport aux autres protocoles.
2. Protocole de charge à courant constant (CC)
Dans ce régime de charge, la tension de charge appliquée à la batterie est contrôlée

pour maintenir un courant constant ( ). Le SoC va augmenter linéairement en
fonction du temps durant ce régime à courant constant. Le défi de cette méthode est de
déterminer l’état de charge complet SoC = 100 %. Le seuil d’arrêt (the cut-full) peut être
déterminé par le monitoring des paramètres (T°, V, t), l'augmentation de température, le
gradient d’augmentation de la température, augmentation de la tension, le changement de
tension négative et le temps de charge écoulé.
3. Protocole combiné de charge (CC-CV) [3]
Cette méthode est basée sur la combinaison de la tension constante et le courant

constant pendant le processus de charge d'une batterie. La Figure I-11 montre un profil de
charge d'une cellule Li-ion (18650HC). Au stade initial, la batterie peut être pré-chargée à un
courant constant de faible valeur si la cellule n'est pas pré-chargée avant (Vt = VPr, le seuil de
protection usine). Ensuite, elle est activée pour la charger avec un courant constant à une
valeur plus élevée (phase de charge rapide). Lorsque la tension de la batterie (ou SoC) atteint
un certain point de seuil (Vt = 4.2 ou SoC = 80%), la charge est modifiée pour charger à
tension constante (phase de charge saine). La Charge à tension constante peut être utilisée
pour maintenir la tension de la batterie si l'alimentation de charge DC est toujours disponible
(phase de maintien de charge). Comme phase complémentaire, on peut ajouter pour entretien
un profil à tension constante à des faibles courants de charge ; un circuit externe
d’autodécharge est utilisé pour éviter toute dégradation de la batterie.
Aussi, on peut avoir recours à d’autres protocoles de charge proposés pour réduire le
temps de charge par un protocole de charge à décroissance de courant linéaire (LCD) et pour
limiter les pertes de capacités liées à la surcharge, un protocole LCD modifié appelé MLCD.
Leur combinaison est aussi appréciée.

22
Figure 0-11 - Profil de charge d'une cellule Li-ion (18650HC).
I.7. SYSTEME DE MANAGEMENT DE BATTERIE (BMS) [8]
Le système de contrôle des batteries d'accumulateurs (Battery Management System ou

BMS en anglais) est un système électronique permettant le contrôle et la charge des différents
éléments d'une batterie d'accumulateurs.
Un BMS est un élément indispensable sur tous les packs batteries. Il surveille l'état de
différents éléments de la batterie, tels que :
 Tension : totale ou des cellules individuelles ;
 Température : température moyenne, température d'admission de liquide de
refroidissement, température de sortie de liquide de refroidissement, ou
températures des cellules individuelles ;
 État de charge (SoC) ou la profondeur de décharge (DOD): indique le
niveau de charge de la batterie ;
 État de santé (SoH) : mesure définie de l'état général de la batterie ;
 Débit du réfrigérant : air ou fluides batteries ;
 Courant : dans ou hors batterie.
a. Le système de récupération d'énergie
Le BMS permet dans certains cas de recharger la batterie en redirigeant l'énergie

récupérée lors du freinage vers le pack batteries.

23
Un BMS permet le suivi de données telles que :

 le courant de charge maximum (CCA) ;
 le courant de décharge maximum (DCL) ;
 l'énergie fournie depuis la dernière charge ou le dernier cycle de charge ;
 l'énergie totale utilisée depuis la première utilisation ;
 le temps total de fonctionnement depuis la première utilisation.
b. Protection de la batterie
Un BMS protège sa batterie en l'empêchant de fonctionner en dehors de sa plage de

fonctionnement typique :
 Surintensité ;
 Surtension (lors du chargement) ;
 Sous-tension (lors de la décharge), particulièrement important pour le plomb-acide
et cellules Li-ion ;
 Surchauffe ;
 Sous-température,
 Sur-pression (NiMH batteries).
Le BMS empêche la batterie de fonctionner en dehors de sa plage de fonctionnement

typique, grâce à :
 un interrupteur interne ;
 des dispositifs externes à la batterie qui permettent de réduire ou de mettre fin à
son utilisation ;
 un contrôle de l'environnement, par des radiateurs, des ventilateurs, des
climatiseurs ou des réfrigérants liquides.
c. Optimisation
Afin d’optimiser les capacités de la batterie et d'empêcher les sous-tensions ou

surtensions, le BMS veille activement à l’équilibrage des charges de toutes les cellules de la
batterie.
Le BMS équilibre les cellules grâce :
 à un phénomène de by-pass ;

24
 au reversement du surplus énergétique à partir des cellules les plus chargées vers
les cellules les moins chargées (équilibreur) ;
 à la réduction du courant de charge à un niveau suffisamment bas pour ne pas
endommager les cellules complètement chargées tout en continuant la charge vers
les autres cellules (ne s'applique pas aux cellules lithium) ;
 à une charge modulaire
d. Topologie
Il existe différents types de BMS qui peuvent varier en fonction de la complexité et

des performances demandées :
 Simples régulateurs passifs permettant d'atteindre un équilibre entre chacune des

cellules en "by-passant" certaines cellules lorsque leur tension atteint un certain
niveau ;
 Régulateurs actifs intelligents permettant d'allumer et d'interrompre une partie du
chargement afin de réaliser l'équilibrage de charge ;
 BMS complet signalant l'état de la batterie grâce à l'affichage, et protégeant la
batterie d'un dysfonctionnement ;
Les BMS peuvent être organisés en 3 catégories :
 Les BMS centralisés : un seul contrôleur est connecté à des cellules de batterie à
travers une multitude de fils ;
 les BMS distribués : un contrôleur est installé sur chaque cellule, avec seulement
un câble de communication unique entre la batterie et le contrôleur
 les BMS modulaires : plusieurs contrôleurs reliés à un certain nombre de cellules,
accompagnés d'une communication entre les contrôleurs
Les BMS centralisés sont plus économiques, moins flexibles, et sont accompagnés
d'une multitude de fils de connexion. Les BMS distribués sont généralement plus chers, plus
simples à installer, et ont un aspect plus propre. Les BMS modulaires offrent un bon
compromis entre les avantages et les inconvénients des deux autres topologies.
Les exigences relatives à un BMS dans les applications mobiles (tels que les
véhicules électriques) et les applications stationnaires (comme les panneaux photovoltaïques
ou les éoliennes) sont différentes, en particulier par rapport au poids ou à l'espace utilisé, de

25
sorte que les intégrations matérielles et logicielles doivent être adaptées à l'utilisation
spécifique de chaque produit. Dans le cas des véhicules électriques ou hybrides, le BMS est
seulement un sous-système et ne peut pas fonctionner comme un périphérique autonome. Il
doit communiquer avec au moins un chargeur (ou infrastructure de charge), une charge, une
gestion thermique et un sous-système d'arrêt d'urgence. Par conséquent, pour avoir un bon
design de BMS dans un véhicule, il faut l'intégrer avec les sous-systèmes. Certaines
applications mobiles (comme les chariots de matériel médical, les fauteuils roulants
motorisés, les scooters et les chariots élévateurs à fourche) ont souvent du matériel externe de
charge, mais le BMS à bord doit toujours être étroitement intégré avec le chargeur externe
lors de sa conception.
I.8 CONCLUSION
Ce chapitre a été consacré à une étude concernant les batteries électriques. Dans un
premier temps, nous avons présenté les différents systèmes de stockage de l’énergie, ensuite
les différentes technologies et enfin leurs grandeurs caractéristiques.
Ainsi nous avons choisi la technologie lithium-ion dans le cadre de ce travail. Les
batteries lithium représentent une solution attractive pour les systèmes de stockage
d’énergie en termes de performances, notamment d’énergie spécifique, de densité d’énergie,
une tension relativement élevée, une puissance spécifique élevée, aucun effet de mémoire et
de faibles taux d'autodécharge pendant le stockage.

26
Chapitre II : LES METHODES D’ESTIMATION DE L’ETAT DE CHARGE

D’UNE BATTERIE
Ce chapitre passe en revue les méthodes d'estimation de SoC proposées dans la

littérature et discute leurs avantages et inconvénients en termes de leurs performances pour
des applications temps réel. De nombreuses études ont été effectuées pour obtenir une
estimation fiable du SoC.
L'état de charge d'une batterie électrique (SoC) est essentiel pour calculer son
autonomie et son énergie disponible. Un SoC précis est fondamental pour obtenir une
stratégie de contrôle efficace afin de gérer l'énergie, ainsi que pour garantir une utilisation
sûre de la batterie en empêchant toute sous-charge ou surcharge pouvant entraîner des
dommages permanents. En effet, la gestion de l’énergie joue un rôle important dans
l’extension et l’optimisation de la durée de vie de la batterie.
La batterie électrique étant un système électrochimique complexe, ni sa capacité

restante ni son SoC ne peuvent être mesurés directement par un capteur. De plus, la
dynamique de la batterie dépend non seulement de ses conditions d'utilisation, telles que le
profil actuel et la température ambiante, mais également de ses caractéristiques internes, telles
que son état de santé et sa résistance interne. Cela rend difficile l’établissement d’un
estimateur fiable de SoC, en particulier dans les applications temps réel.
Deux difficultés limitent les performances d'un estimateur SoC en temps réel. Le
premier provient des ressources matérielles limitées du système de gestion de la batterie
(BMS).
La seconde réside dans le fait que la dynamique de la batterie dépend de ses

caractéristiques internes et de ses conditions d'utilisation.
Nous soulignons dès lors la nécessité d’un modèle efficace capable d’estimer le SoC
de toute batterie, quelles que soient ses caractéristiques internes et ses conditions d’utilisation
dans les applications temps réel. Un tel modèle sera appelé ci-après estimateur de SoC idéal.
En examinant de plus près les méthodes d’estimation SoC existantes, il est clair
qu’aucune d’entre elles ne possède les caractéristiques de cet estimateur «idéal».

27
Cette approche doit être identifiée parmi le grand nombre d’activités existantes. Cette
identification peut être réalisée grâce à une classification complète des méthodes existantes.
Les méthodes d'estimation SoC peuvent être classées en fonction de différents

critères [9] :
 Le premier est le type des variables d'entrée, mesurées ou estimées.
 Le second est le type de modèle de SoC, qui peut être un modèle physique, un
modèle électrochimique ou un modèle de régression statistique.
 Le troisième critère concerne la dimension temporelle: les méthodes statiques
telles que celles basées sur des tables de correspondance et les méthodes
dynamiques telles que celles basées sur des modèles d'état.
Les méthodes peuvent également être classées en fonction de la technologie de la

batterie, à savoir Li-ion, Ni-MH, Plomb-acide, etc. Enfin, la classification peut être réalisée
sur la base des outils mathématiques utilisés par la méthode d’estimation, tels que le filtre de
Kalman, le réseau de Neurone Artificiel, la logique floue, etc. Il est important de distinguer
les outils appliqués à ceux utilisés pour estimer les variables d'entrée.
II.1 ETAT DE CHARGE D'UNE BATTERIE ELECTRIQUE [9]
Le SoC d'une batterie est défini comme le rapport entre les capacités restante et
réelle. La capacité réelle est la capacité maximale pouvant être retirée de la batterie
complètement chargée dans des conditions de décharge particulières. Elle dépend, entre autres
facteurs, du profil actuel, de la température ambiante et de l'état de santé de la batterie. Une
batterie étant un système de stockage d'énergie chimique, il n'y a pas de capteur qui mesure
directement le SoC. Par conséquent, ces capacités restantes et réelles doivent être estimées.
II.1.1 Défis dans l'estimation de la capacité de la batterie
Le test de décharge est un moyen de calculer la capacité restante d’une batterie. Il

consiste à décharger la batterie dans les conditions de référence pour atteindre la fin du critère
de décharge (c'est-à-dire la tension de coupure). Toutefois, le test de décharge ne peut pas être
appliqué dans les applications en temps réel, ni dans les applications hors réseau, car il
entraîne une perte d'énergie.
En conséquence, le SoC est généralement calculé sur la base de l’équation de

comptage Ah donnée par :

28
où est le SoC initial à l'instant t, la mesure du courant algébrique: positive pour un

courant de charge et négative pour un courant de décharge et de la capacité réelle. Une
implémentation numérique de cette équation nécessite une discrétisation temporelle. Le SoC
est ensuite calculé comme suit :
où est l'intervalle d'échantillonnage, qui peut être constant ou variable.
Il est clair que la précision de cette méthode dépend de la précision du capteur de

courant et de l'intervalle d'échantillonnage. Néanmoins, la capacité réelle n'est pas constante
pendant le chargement / déchargement de la batterie ; cela dépend des caractéristiques
internes et des conditions d'utilisation. Dans un contexte en temps réel tel qu'un véhicule
électrique, les conditions d'utilisation ne sont pas contrôlées car elles dépendent du
comportement de l'utilisateur, des conditions météorologiques, de l'état de la route, etc.
En conséquence, dans certaines situations, l'état de charge peut être inférieur à 0 ou

supérieur à 100. La mise en place d'une fonction déterministe pour fournir une valeur fiable
de la capacité réelle est une question délicate. Dans la section suivante, une nouvelle
classification présentation des estimateurs SoC est présentée.
1.2. NOUVELLE CLASSIFICATION DES METHODES D'ESTIMATION DU SOC
D'un point de vue global, chaque méthode d'estimation peut être caractérisée par les
variables d'entrée, le modèle SoC et le type de traitement d'estimation SoC.
Les variables d'entrée peuvent être soit directement mesurées par un capteur, soit
estimées à l'aide d'un modèle de régression physique, électrochimique ou statistique. Par
exemple, le courant est mesuré en ligne, mais l’OCV (la tension en circuit ouvert) peut être
mesuré hors ligne ou estimé en ligne à l’aide d’un modèle approprié. Ainsi, l’identification du
type des variables d’entrée est la première étape pour déterminer si une méthode d’estimation
de SOC peut être améliorée pour devenir "idéale".

29
On distingue trois types de modèles de SoC, à savoir : une table de correspondance,

un modèle physique ou un modèle de régression statistique.
 La table de correspondance représente une relation directe entre le SoC et

une grandeur physique mesurée comme l’OCV, l’impédance interne et la
densité d'électrolyte.
 Le modèle physique est basé sur la définition du SoC; Deux modèles
physiques peuvent être identifiés: le modèle macroscopique où le SoC est
calculé à l'aide du comptage Ah et le modèle microscopique où le SoC est
défini comme le rapport entre la concentration disponible et la concentration
maximale du matériau actif dans l'anode.
 Le modèle de régression statistique décrit une relation linéaire ou non
linéaire entre le SoC et les variables d'entrée et n'a pas nécessairement
d'interprétation
Le type du modèle SoC est le critère de classification le plus important. Il est

important de ne pas confondre le modèle SoC avec les modèles utilisés pour estimer d'autres
variables de la batterie.
Enfin, les méthodes d'estimation SoC sont caractérisées par le type de traitement :
traitement en boucle ouverte et en boucle fermée. Dans le traitement en boucle fermée, l’écart
entre la valeur mesurée et la valeur prévue d’une quantité physique donnée est utilisé pour
ajuster la valeur estimée de l’état d’intérêt. Nous considérons que l'utilisation d'une table de
correspondance pour l'estimation de SoC n'est liée à aucune catégorie.
II.2 METHODES D'ESTIMATION DE L'ETAT DE CHARGE [9]
A. Comptage Ah amélioré
La définition du SoC donnée ci-haut offre une méthode générique d'estimation du

SoC, appelée comptage en ampères-heures (comptage en Ah). Cette méthode convient à tous
les types de batterie et est utilisée comme méthode de référence pour évaluer les performances
de toute autre méthode d’estimation.
En effet, compte tenu d'une capacité réelle, cette méthode ne nécessite qu'une mesure
du courant.

30
Cela optimise le volume d'informations échangées entre la batterie et le système de

gestion de batterie (BMS) et réduit l'espace mémoire alloué ainsi que le temps de calcul.
Malgré son apparente simplicité, cette méthode présente un certain nombre de

limitations. Certains d’entre eux ont été surmontés avec succès, mais d’autres restent non
résolus en grande partie parce que le décompte des Ah ne tient pas compte de la complexité
du système électrochimique.
A.1. Calcul de
La méthode de comptage Ah suppose que la valeur initiale soit connue, mais

même si le SoC est égal à 100% pour une batterie complètement chargée et à 0% pour une
batterie complètement déchargée, des questions subsistent quant au SoC initial d'une batterie
partiellement chargée. Pour surmonter ce problème, le est estimé à l'aide d'un filtre de
Kalman, ou en utilisant une Table de consultation OCV = SoC après une longue période de
repos.
A.2. fuite de courant pendant la période de repos
Pendant la période de repos, les réactions secondaires entraînent des fuites de courant
et réduisent donc la capacité restante. Ce phénomène est appelé autodécharge. Le taux
d’autodécharge dépend, entre autres facteurs, de la durée de la période de repos, de la
température ambiante, de la SoC et l'état de santé. La méthode de comptage Ah ne prend pas
en compte ces fuites de courant et le SoC reste constant lorsque le courant est égal à 0. Pour
résoudre ce problème, une relation linéaire entre le taux de décharge spontanée et la durée de
la période de repos est établit.
A.3. Efficacité coulombique
Des réactions indésirables, entraînant une perte de courant, peuvent également

consommer ou produire une charge électrique au niveau des électrodes positive ou négative.
L'efficacité coulombienne mesure la perte de courant livrée / retirée. Cependant, sa valeur
dépend essentiellement de la température ambiante, du profil actuel, de l'état de santé et même
du SoC de la batterie.

31
La mise en place d’une fonction déterministe pour fournir l’efficacité coulombienne

reste un problème épineux. Pour une estimation précise du SoC, la plupart des algorithmes
intègrent l’efficacité coulombique dans la formule de comptage de Ah :
(2.3)
On considère généralement deux valeurs de l'efficacité coulombique : pour la

charge et pour la décharge.
A.4. Erreur du capteur de courant
Lors de l'intégration du courant dans le temps, le comptage Ah n'utilise pas de boucle

de retour pour compenser une erreur d'estimation éventuelle. Du point de vue de la théorie du
contrôle, le système est appelé ouvert : l'erreur d'estimation est accumulée dans le temps et
augmente le biais de l'estimateur. Cette erreur est principalement due à l'inexactitude de la
mesure actuelle pouvant être provoquée par l'erreur du capteur et la fréquence
d'échantillonnage. Les points de calibration sont souvent utilisés pour ajuster le SoC estimé.
Ces points sont donc disponibles pour des états spécifiques de la batterie : 0% pour une
batterie complètement déchargée, 100% pour une batterie complètement chargée et le SoC
estimé par une mesure OCV après une longue période de repos. Cependant, ces points
d'étalonnage sont rarement disponibles dans une application en temps réel où la batterie est
souvent partiellement chargée et où aucune mesure OCV n'est disponible.
A.5. Variation de la capacité de la batterie
La capacité restante ainsi que la capacité réelle changent pendant la charge /

décharge de la batterie en fonction de ses caractéristiques internes et de ses conditions
d'utilisation, telles que le profil actuel, la température ambiante et l'état de santé. De plus, la
modification de la capacité restante affecte non seulement la capacité restante à l'instant t,
mais également celle à t-1. Il s'agit d'un problème fondamental dans la méthode de comptage
Ah, car il est basé sur un calcul récursif.
En résumé, le comptage Ah est un modèle SoC simple et générique, adapté à toutes

les technologies de batterie et pouvant être utilisé dans des applications en temps réel.
Toutefois, ce modèle ne prend pas en compte le calcul de l'état de charge initial, la précision
du capteur de courant, l'efficacité coulombique et la variation de la capacité réelle. Des

32
multiples améliorations sont développées pour surmonter ces difficultés. Néanmoins, ils
restent contestables, en particulier pour une estimation SoC en ligne, en raison de la
complexité de la dynamique de la batterie qui dépend fortement des conditions d'utilisation
non contrôlées.
B. Estimateur de SoC basé sur des variables d'entrée mesurées directement
Un autre concept de l'estimation du SoC est basé sur une relation directe entre le SoC
et une grandeur physique mesurée comme l'OCV et l'impédance interne. Cette relation peut
être décrite à l'aide d'une table de correspondance ou d'un modèle de régression statistique.
Contrairement à l’Ah-comptage, cette relation n'est pas générique et dépend de la technologie
de la batterie, de son état de santé et de ses conditions d'utilisation. Une table de
correspondance est une relation un-à-un obtenue de manière empirique. Plusieurs expériences
de laboratoire doivent être réalisées afin de construire une table. Divers tableaux sont
nécessaires en fonction des conditions d'utilisation et des propriétés inhérentes à la batterie.
Dans ce cas, la précision du SoC dépend de la précision de la quantité physique mesurée, de la
qualité et de la richesse des tables de recherche.
Dans ce qui suit, nous décrivons et analysons les méthodes d’estimation du SoC en
prenant comme variables d’entrée une mesure de l’OCV, de l’impédance Z et d’autres
mesures spécifiques à certaines technologies de batterie. Le tableau II-1 résume ces méthodes
selon la nouvelle classification.
Tableau II-1 - Critères de classification pour l'estimateur de SoC basés sur une variable
d'entrée mesurée directement
Variables d'entrée mesurées OCV, Z, V, densité d'électrolyte
Modèle d'estimation SoC Table de correspondance, modèle statistique
Autres modèles -
Type de traitement Non récursif

33
B.1. Mesure de tension en circuit ouvert
Le terme tension désigne la différence de potentiel électrique entre deux électrodes

d'une cellule électrochimique. La tension de circuit ouvert (OCV) est la tension aux bornes
mesurée pour un courant nul. Ainsi, il donne une indication de l'énergie disponible et est
directement proportionnel au SoC. Certains chercheurs utilisent l'OCV et la température
ambiante comme paramètres d'entrée pour une table de correspondance afin d'obtenir le SoC.
Cependant, l'utilisation / l'application de la table de consultation reste limitée pour plusieurs
raisons.
Premièrement, la valeur OCV ne peut pas être mesurée directement dans une
application en temps réel, car une valeur précise de la valeur OCV nécessite une période de
repos prolongée (c.-à-d. I = 0A). Certaines techniques peuvent être utilisées pour résoudre le
problème de la durée de repos, telles que l'interpolation des données OCV pendant le temps
de repos pour obtenir une résolution plus élevée de la courbe OCV et l'extrapolation du
comportement de relaxation à l'aide d'une modélisation de batterie.
Deuxièmement, la relation OCV / SoC présente un comportement d'hystérésis en

fonction de l'historique de charge / décharge, même si le temps de repos est très long. Ce
comportement est bien connu mais nécessite la caractérisation approfondie de tests
expérimentaux spécifiques.
Troisièmement, la relation OCV /SoC n’est pas générique ; cela dépend de la

technologie de la batterie. Par exemple, il y a une légère modification de la valeur OCV d'une
batterie LiFePO4 lorsque le SoC [20%; 80%]. Une petite erreur sur les mesures OCV induit
une erreur importante sur le SoC estimé. De plus, la relation OCV/SoC n'est pas constante:
elle est influencée par l'état de santé de la batterie et par la température ambiante.
Par conséquent, pour couvrir toutes les conditions, il convient de créer un grand
nombre de tables de recherche. Cela nécessite de nombreuses expériences de laboratoire et
une grande mémoire pour stocker toutes ces tables dans une application en temps réel.
B.2. Mesures d'impédance interne
L'impédance électrochimique d'une batterie caractérise son comportement

dynamique, c'est-à-dire sa réponse à une excitation de faible. Deux catégories de méthodes de
mesure de l'impédance peuvent être distinguées: les méthodes actives et passives. La

34
spectroscopie d'impédance électrique (EIS), exemple majeur des méthodes actives, implique
une excitation de la batterie avec un petit signal alternatif (pour courant alternatif) sur une
large plage de fréquences allant typiquement de 10 kHz à Hz. Cette gamme de
fréquences dépend de la chimie de la batterie. De plus, la réponse de la batterie est fortement
influencée par la température ambiante.
Cette méthode de mesure ne peut pas être utilisée dans une application en temps réel
en raison de la complexité de son matériel et de son coût élevé. Les méthodes passives
recherchent une impulsion dans le profil actuel. Une fois trouvée, cette impulsion de courant
et la tension de sortie correspondante sont utilisées pour estimer l'impédance interne. Ces
méthodes ne sont pas fiables car une impulsion parfaite peut difficilement être détectée dans
des conditions réelles.
Ces méthodes tentent d'établir une relation entre les composants d'impédance réels et /
ou imaginaires et le SoC. De ce fait, les modèles présentés ne sont pas génériques et restent
spécifiques à une technologie particulière. Huet conclut que la mesure de l'impédance est
fortement influencée par la température ambiante, en particulier aux basses fréquences. Cette
technique semble être plus adaptée aux batteries plomb-acide que les batteries nickel-
cadmium. En effet, pour les batteries au nickel-cadmium, les variations de résistance ohmique
(c’est-à-dire le composant d’impédance réelle) avec le SoC sont bien inférieures à celles des
batteries au plomb. Salkind et al. [1999]2 ont utilisé un modèle de logique floue pour établir
une relation entre le SoC et l'impédance mesurée sur la base d'un EIS à différentes fréquences.
Ainsi, le modèle de logique floue limite l’impact du manque de fiabilité de la mesure de
l’impédance. En bref, il est difficile de mesurer l'impédance en ligne. De plus, les valeurs
mesurées de l'impédance dépendent beaucoup de la méthode de mesure et sont sensibles aux
conditions de mesure. De plus, le type de relation entre cette impédance et le SoC n'est pas
générique pour toutes les technologies de batterie.
B.3. Autres mesures
Certaines techniques d’estimation de SoC conviennent à des technologies de batterie

particulières. Par exemple, les batteries plomb-acide présentent un comportement spécifique
appelé coup de fouet qui correspond à la chute de tension initiale lors de la décharge d'une
2
Salkind, A. J., Fennie, C., Singh, P., Atwater, T., and Reisner, D. E. (1999). Determination of state-of-charge and state-of-health of batteries
by fuzzy logic methodology.

35
batterie complètement chargée. Il peut être utilisé pour étalonner le SoC à 100% et fournit des
informations sur l'état de santé de la batterie. Une seconde méthode spécifique pour la batterie
plomb-acide repose sur une relation directe entre le SoC et la mesure de la densité
d'électrolyte. Cependant, cette méthode est très sensible à la température et aux impuretés
présentes dans l'électrolyte.
Toutes les méthodes d'estimation de SoC mentionnées et analysées dans cette

section nécessitent une mesure directe d'une quantité physique inhérente de la batterie.
Néanmoins, leur mesure est difficile, voire impossible, à réaliser surtout dans un contexte en
temps réel. Pour contourner cette difficulté, une quantité physique choisie peut être estimée à
l'aide d'un modèle physique, électrochimique ou de régression statistique.
C. Estimateur de SoC basé sur des entrées estimées à l'aide de modèles physiques
L'estimation des variables d'entrée est généralement basée sur une représentation
physique de la dynamique de la batterie. Il consiste à établir une relation entre une variable
d'entrée, telle que la tension de sortie ou l'OCV, et les paramètres de modèle de batterie
dérivés de sa représentation physique. Deux cas sont généralement pris en compte lors de
l’utilisation de variables d’entrée estimées.
Dans le premier cas, la variable d'entrée peut être estimée à l'aide d'un modèle
physique et mesurée en conditions temps réel. La différence entre la variable d'entrée estimée
et mesurée est ensuite utilisée pour améliorer le modèle SoC via un traitement en boucle
fermée.
Dans le second cas, la variable d'entrée ne peut pas être mesurée directement mais est
estimée en temps réel par un modèle physique. Le SoC est ensuite estimé via une relation
prédéfinie (table de correspondance ou modèle de régression) à l'aide de cette variable
d'entrée estimée.
Dans cette section, nous présentons plusieurs méthodes d’estimation SoC où les
variables d’entrée estimées sont soit la tension, soit l’OCV. Le Tableau II-2 résume les
variables et les modèles impliqués dans ces méthodes selon la nouvelle classification.

36
Tableau II-2 - Critères de classification des SoC obtenus à partir d'entrants estimés à
l'aide de modèles physiques
Estimation des variables Tension de sortie OCV
d'entrée
Modèle d'estimation SoC Ah, compter Table de consultation,

régression
modèle
Autres modèles Modèle physique de V Modèle physique d'OCV
Type de traitement Boucle fermée Boucle fermée et ouverte
C.1 Estimation de la tension
La tension de la batterie peut être mesurée et estimée en même temps. C'est pourquoi
cette variable d'entrée convient parfaitement à un traitement en boucle fermée: l'écart entre les
tensions mesurées et estimées est utilisé en temps réel pour ajuster le SoC obtenu par la
méthode de comptage Ah. Plusieurs modèles de tension de batterie sont décrits ci-dessous.
Des exemples de techniques de traitement en boucle fermée, tels qu'un contrôleur et un filtre
de Kalman, sont également présentés. La Figure II-1 présente un organigramme de
l'ajustement du SoC à l'aide d'un contrôleur. En conséquence, la tension est estimée en
utilisant le modèle de Randle du 2ème ordre.
La différence entre les tensions ̂ estimées et les tensions mesurées est ensuite
intégrée dans la rétroaction du contrôleur afin d'ajuster la valeur de comptage Ah ̂
̂ ̂ ( ̂) (2.4)
où est le paramètre du contrôleur.

37
Figure II-1 - Concept de réglage du SoC via un contrôleur
Plus efficace qu'un contrôleur, un filtre de Kalman prend en compte les imprécisions
de la mesure de tension et celles du modèle SoC. En effet, un modèle d'état-espace est défini
par une équation de transition décrivant la dynamique de l'état d'intérêt du système , et par
une équation d'observation spécifiant comment les observations sont influencées par :
où A et B représentent respectivement les matrices de transition et d'observation, C et D

modélisent l'influence de l'entrée sur et , et et sont des processus de bruit blanc
utilisés pour modéliser l'erreur des équations d'état et d'observation, respectivement.
Le filtre de Kalman fournit une estimation optimale de , au sens de l'erreur

quadratique moyenne, lorsque les modèles d'état et d'observation sont linéaires et que tous les
bruits sont gaussiens. Lorsque l'un de ces modèles est non linéaire, une extension sous-
optimale du filtre de Kalman, appelée filtre de Kalman étendu (EKF), est utilisée. Les
performances et l'efficacité d'un fichier EKF doivent être déterminées par la fiabilité des
équations d'état et d'observation. La Figure II-2 illustre l'organigramme de l'estimation du SoC
à l'aide d'un fichier EKF. En conséquence, l’état inconnu d’intérêt est prédit à l’aide de
l’équation d’état étant donné l’observation . L’observation est ensuite prédite à l’aide
de l’équation d’observation, basée sur la valeur prédite ̂ . Enfin, le ̂ prédit est ajusté en
fonction de l’écart entre la valeur prédite et la valeur mesurée de l’observation. La puissance
de la fonction EKF réside dans le fait que cet écart est pondéré par un gain de Kalman
adaptatif qui dépend de la corrélation entre les variables observées et inconnues.

38
Figure II-2 - Estimateur de SoC sur un filtre de Kalman étendu, où est l’entrée ,
la variable d’état et la variable observée
Une fois que l'OCV est estimé, le SoC est ensuite calculé en utilisant une relation
prédéfinie qui est considérée comme linéaire pour les batteries plomb-acide et exponentielle
pour les ions Li-ion.
C.3. Identification des paramètres
L'identification physique des paramètres des modèles d'état et d'observation peut

généralement être classée en deux catégories:
1. Le domaine temporel qui analyse les signaux de tension et de courant lors d'essais
de courant à impulsions ;
2. Le domaine de fréquence, comme l'analyse de la mesure d'impédance de la batterie

à l'aide de courbes de Nyquist. Plus efficace que les méthodes d'analyse dans le domaine
temporel, la mesure de l'impédance souffre de plusieurs limitations mentionnées ci-haut.
Dans les deux catégories, les paramètres sont identifiés hors ligne et ne changent pas
en fonction des conditions d'utilisation. En conséquence, le modèle donne un SoC exact
lorsque les conditions d'utilisation sont proches des conditions expérimentales. Cependant, ces
paramètres doivent changer au cours de la charge / décharge de la batterie car ils dépendent
des conditions d'utilisation.
Les paramètres du modèle peuvent également être estimés à l'aide de méthodes

d'apprentissage automatique. Dans les applications sur batterie, la méthode la plus utilisée est
la méthode des moindres carrés. Dans des méthodes plus sophistiquées, les paramètres
estimés peuvent être mis à jour pendant la charge / décharge de la batterie et adaptés en
fonction des conditions d'utilisation.

39
En résumé, les méthodes présentées sont généralement utilisées soit pour améliorer la
méthode de comptage de l’Ah, soit pour estimer l’OCV et les avantages du lien étroit qui
existe entre l’OCV et le SoC. Une identification correcte des paramètres de modèle inconnus
est cruciale pour fournir un modèle efficace. Cependant, ces paramètres changent pendant la
charge / décharge de la batterie et dépendent de conditions d'utilisation non contrôlées.
D. Estimateur de SoC basé sur des entrées estimées à l'aide de modèles électrochimiques
Plusieurs phénomènes se produisent parallèlement à la réaction redox principale,

comme la diffusion et la migration des ions, la phase de transition et la résistance ohmique.
Ainsi, le SoC est influencé par tous ces phénomènes et ne peut pas être mesuré directement.
Une modélisation micro de ces phénomènes peut être réalisée à l'aide d'un modèle
électrochimique, tel que le modèle à une seule particule et le modèle à électrode poreuse. Ce
modèle électrochimique peut être utilisé pour estimer l’OCV ou la concentration du matériau
actif dans l’anode, permettant ainsi le calcul du SoC à l’aide d’un modèle d’estimation
approprié. Dans ce qui suit, nous présentons plusieurs méthodes d'estimation SoC où les
variables d'entrée sont estimées à l'aide de modèles électrochimiques. Le Tableau II-3 décrit
les méthodes d'estimation du SoC de cette section selon la nouvelle classification.
Tableau II-3 - Principaux criteres de classification pour le SoC obtenu à partir d’entrées
estimés par le modèle électrochimique
Estimation des variables d’entrée OCV, Surtension, Lithium concentration
Modèle d’estimation du SoC Physique
Autres modèle Modèle électrochimique de l’OCV, sur
potentiel
Type de traitement Boucle fermée
E. Estimateur de SoC basé sur des méthodes d'apprentissage automatique
La majorité des modèles de SoC présentés ci-dessus ont un ensemble de paramètres

qui doivent être identifiés, par exemple, les paramètres de :
 la relation entre l'OCV et le SoC ;
 les modèles d'état et d'observation d'une EKF.

40
L'estimation de ces paramètres peut être effectuée à l'aide de méthodes d'apprentissage

automatique. La méthode des moindres carrés, l'une des méthodes les plus simples
d'apprentissage automatique, est déjà utilisée dans le domaine des batteries afin d'estimer les
paramètres des modèles de tension de batterie. Cependant, le domaine d'apprentissage
automatique contient des méthodes plus avancées permettant d'estimer efficacement les
paramètres d'un modèle physique. Dans ce qui suit, nous présentons le principe des méthodes
d’apprentissage automatique avant de discuter de celles utilisées pour estimer le SoC.
E.1. Principe des méthodes d'apprentissage automatique
Considérons :
(2.7)
où est la sortie du système, le vecteur d'entrée connu et w les paramètres du modèle à

estimer. Les méthodes d'apprentissage automatique comprennent trois phases principales :
 La construction de la phase de jeu de données d'apprentissage ;

 la phase d'apprentissage ;
 et la phase d'estimation (voir la Figure II-3).
Les première et deuxième phases sont souvent effectuées hors ligne, tandis que la
troisième phase est réalisée en ligne. Lors de la première phase, les variables d’entrée et de
sortie sont considérées comme disponibles (mesurées ou calculées directement). Un ensemble
de données d’apprentissage | , où N est la taille de l'ensemble de
données, est collecté par le biais de tests expérimentaux. Dans une application batterie, z
représente le SoC et r le vecteur d'entrée qui peut être un ensemble de variables mesurées
telles que le courant, la tension et la température, ou des variables estimées comme l'OCV. Un
ensemble de données d'apprentissage est généralement collecté dans un laboratoire dans des
conditions contrôlées: température ambiante spécifique, profil de courant spécifique, etc. Les
valeurs de SoC dans l'ensemble de données d'apprentissage sont obtenues à l'aide de la
méthode de comptage Ah. Cela est rendu fiable car le capteur de courant est très efficace, la
valeur initiale du SoC est connue et la capacité réelle peut être calculée en intégrant le courant
traversant la batterie pendant l'expérience. Pendant la phase d’apprentissage, on recherche les
paramètres du modèle w afin d’avoir la fonction asservie à la sortie z, étant donné
les entrées r. Ce problème est généralement appelé problème de régression. En d’autres

41
termes, l’objectif est d’atteindre un critère de qualité tout en estimant les paramètres sur la
base de données de formation. Dans le cas du problème de régression, cela signifie souvent de
minimiser la norme résiduelle :
⁄
| | (2.8)
Dans la plupart des cas, la norme est utilisée. C'est la somme des carrés des
résidus.
Figure II-3 -Estimation du SoC basée sur la méthode d'apprentissage
Dans la phase d'estimation, un nouveau vecteur d'entrée mesuré est pris en compte,
la sortie ̂ est donc estimée à l'aide du modèle fourni par la phase d'apprentissage. Le but de
cette technique n'est pas de trouver un modèle exact, mais une approximation de celui-ci. Par
conséquent, ce modèle approché n'est pas toujours physiquement interprétable. Le principal
avantage de la technique d'apprentissage automatique réside dans sa capacité à être facilement
extrapolée dans différentes situations dès qu'un ensemble de données de formation
correspondant est disponible. Dans ce qui suit, nous présentons plusieurs estimateurs de SoC
sur batterie basés sur des méthodes d’apprentissage automatique : la moyenne mobile
autorégressive, la régression vectorielle, et le réseau de neurones artificiels.
E.2. Moyenne mobile autorégressive (ARMA)
Dans une analyse statistique de séries chronologiques, les modèles ARMA décrivent
un processus stochastique stationnaire. Le modèle comprend deux parties : une partie
autorégressive (AR) et une partie moyenne mobile (MA). Ces modèles sont utilisés pour
estimer le SoC:
(2.9)

42
où est le vecteur d'entrée comprenant les composantes réelles et imaginaires de l'impédance

interne, identifiées en ligne sur la base d'une reconnaissance de forme des signaux de courant
et de tension. Ici, les paramètres du modèle , et sont estimés au cours de la phase
d'apprentissage à l'aide de la méthode des moindres carrés. Plusieurs jeux de données
d'apprentissage ont été collectés au cours des expériences de charge / décharge, sous diverses
températures et profils actuels. Ainsi, il existe 300 jeux de données sur les différents types et
tailles de batterie. Les paramètres du modèle sont ensuite identifiés séparément pour chaque
condition d'utilisation et type de batterie. En conséquence, avant une estimation en ligne du
SoC, un modèle approprié parmi les 300 modèles doit être choisi en fonction des conditions
d'utilisation, du type et de la taille de la batterie. Malheureusement, l'approche des moindres
carrés dépend fortement de l'ensemble de données d'apprentissage. Le modèle appris convient
très bien au jeu de données d'apprentissage, mais il n'est pas assez générique pour créer de
nouvelles données qui présentent une légère différence par rapport aux données
d'apprentissage. Ce problème est appelé surtension. Pour l'éviter, il existe de nombreuses
techniques de régularisation permettant des modèles lisses.
E.3 Régression de vecteur de support (SVR)
L'algorithme SVR estime les paramètres d'un modèle de régression non linéaire qui
décrit le comportement du système comme suit:
(2.10)
Ici, N est la taille de l'ensemble de données d'apprentissage, avec les paramètres du

modèle estimés par SVR et k (.,.) la fonction du noyau. Ainsi, le modèle de régression est
basé sur une fonction du noyau qui mesure la similarité entre le nouvel échantillon et
l'échantillon d’apprentissage . L'algorithme SVR élimine une partie du car il ajoute une
contrainte de pénalité aux paramètres du modèle. En conséquence, un nombre signifiant de
est égal à zéro. La valeur restante correspond à des échantillons spécifiques de
l’ensemble de données d’apprentissage, appelés vecteurs de support. Seuls ces vecteurs sont
ensuite utilisés dans l'équation (2.10) pour décrire le comportement du système modélisé. Le
modèle SVR est utilisé pour estimer le SoC sur la base d'un noyau polynomial comme et d'un
noyau exponentiel. Dans les deux études, le jeu de données d'apprentissage contient
uniquement des tests expérimentaux sous un taux de courant constant et une seule température
ambiante. En conséquence, le modèle estimé est valable dans des conditions d'utilisation

43
similaires et ne peut pas être généralisé de manière efficace aux cas non vus pendant la phase
d'apprentissage. De plus, le modèle SVR ne convient pas au traitement des séries
chronologiques car il ne prend pas en compte la dimension temporelle.
E .4 Réseau de neurones artificiels (RNA)
En apprentissage statistique, le RNA est utilisée pour décrire des processus

complexes à l'aide d'un modèle de régression non linéaire. Un RNA consiste en une séquence
de couches connectées par des poids de connexion . Dans la plupart des cas, un système à
trois couches est utilisé: la couche d’entrée qui comprend l'entrée , la couche cachée
décrivant la non-linéarité du processus via M fonctions intermédiaires ) , et
la couche de sortie fournissant la sortie estimée via une fonction d'activation K (.) :
(∑ )
Sur la base d'un ensemble de données d'apprentissage, les poids de connexion et

les paramètres de gi (.) sont estimés au cours de la phase d'apprentissage en utilisant des
méthodes telles que la méthode des moindres carrés ou l'algorithme de propagation en retour.
Le RNA est largement utilisée pour créer un modèle de SoC. Ci-après, plusieurs manières
d'utiliser le RNA dans le domaine de la batterie sont présentées. Charkhgard et Farrokhi
[2010]3 modélisent la tension de la batterie via un RNA comme suit :
‖ ‖
∑ ( )
où et sont les paramètres de gi (.) et . Cette représentation

mathématique de la tension de la batterie est ensuite utilisée comme équation d'observation
d'un modèle d'espace d'états. Lorsqu’on utilise une fonction EKF pour estimer l’état d’intérêt
SoC, ce modèle soulève des problèmes de calcul pour calculer ⁄ , car il s’agit d’une
somme de M fonctions fortement non linéaires.
Shen [2010]4 développe un modèle plus complexe utilisant deux RNA successifs. Le
premier fournit une prédiction de la tension de la batterie. Les entrées de cette RNA sont
3
Charkhgard, M. and Farrokhi, M. (2010). State-of-charge estimation for lithium-ion batteries using neural networks and EKF. IEEE
Transactions on Industrial Electronics
4
Shen, Y. (2010). Adaptive online state-of-charge determination based on neurocontroller and neural network. Energy Conversion and
Management, 51(5) :1093{1098

44
définies sur la base du modèle de tension combinée de Plett [2004]5 (c’est-à-dire que la
température , le courant et le sont utilisés comme entrées du premier RNA). Le
second RNA est utilisée pour mettre à jour les paramètres d'un contrôleur PID (pour
proportionnel, intégré et dérivé) qui estime le SoC comme suit :
où représentent respectivement les gains proportionnel, intégral et dérivé du

contrôleur, et représente l'écart entre la tension prédite et la tension mesurée. Dans ce cas,
le contrôleur PID est appelé neuro-contrôleur car sont calculés à l'aide d'un RNA.
En conséquence, le modèle de SoC est adapté en ligne lorsque les conditions d'utilisation
changent et fournit une estimation précise du SoC. Bien que le modèle puisse être généralisé
plus efficacement que les modèles présentés précédemment, il reste limité lorsque les
conditions d'utilisation sont très différentes de celles du jeu de données d'apprentissage ou
lorsque l'état de santé de la batterie diminue. Dans ces cas, les paramètres de modèle des deux
RNA doivent être mis à jour. Cependant, l'utilisation de deux RNA successifs augmente la
complexité du modèle et le modèle intégré nécessite beaucoup de ressources de calcul BMS.
Le choix des variables d'entrée affecte directement la qualité de l'RNA.
F. L’Apprentissage statistique [10]
L'apprentissage est une phase du développement d'un réseau de neurones durant

laquelle le comportement du réseau est modifié jusqu'à l'obtention du comportement
désiré. L'apprentissage neuronal fait appel à des exemples de comportement.
Dans le cas des réseaux de neurones artificiels, on ajoute souvent à la description du

modèle L’algorithme d'apprentissage. Dans la majorité des algorithmes actuels, les variables
modifiées pendant l'apprentissage sont les poids des connexions. L'apprentissage est la
modification des poids du réseau dans l'optique d'accorder la réponse du réseau aux
exemples et à l'expérience. Il est souvent impossible de décider à priori des valeurs des
poids des connexions d'un réseau pour une application donnée.
Au niveau des algorithmes d'apprentissage, il a été défini deux grandes classes selon
que l'apprentissage est dit supervisé ou non supervisé. Cette distinction repose sur la forme
des exemples d'apprentissage. Dans le cas de l'apprentissage supervisé, les exemples sont
5
Plett, L. G. (2004). Extended Kalman ltering for battery management systems of LiPB-based HEV battery packs. Journal of Power Sources,
134 :262{276

45
des couples (Entrée, Sortie associée) alors que l'on ne dispose que des valeurs (Entrée)
pour l'apprentissage non supervisé.
G. Conclusion
À la lumière de ce qui précède, les méthodes d’apprentissage automatique permettent

d’acquérir le comportement de la batterie au moyen de données réelles, sans qu’il soit
absolument nécessaire de disposer d’une description physique de la batterie. Ils peuvent être
utilisés pour identifier les paramètres de modèles de régression physique ou statistique
prédéfinis. Les données collectées lors d'un test expérimental, telles que le courant, la
température et la tension, sont appelées données d'apprentissage. Ainsi, le modèle appris
fournit une estimation précise du SoC pour une technologie de batterie identique avec des
conditions expérimentales proches de celles de ses données d’apprentissage correspondantes.
Par conséquent, afin de fournir un modèle valable pour toutes les technologies de batterie,
quelles que soient les conditions d'utilisation, des données de formation exhaustives couvrant
une grande variété de situations sont nécessaires. Cependant, le comportement de la batterie
change et les conditions d'utilisation ne sont pas contrôlées. Ainsi, aucun modèle n'est valide à
tout moment. Une mise à jour en ligne du modèle SoC est donc cruciale. La mise à jour d'un
modèle en ligne se heurte à deux contraintes: la première étant les limitations matérielles et la
seconde l'absence de valeurs SoC fiables. Une fois que ces problèmes ont été résolus, les
méthodes d’apprentissage automatique peuvent fournir un estimateur de SoC "idéal".

46
Chapitre III
MODELISATION ET TEST DE DECHARGE DE LA BATTERIE
III.1 MODELE DYNAMIQUE DE LA BATTERIE [11]
Afin de décrire le comportement dynamique d'une batterie, nous utilisons le circuit

équivalent de Thevenin à la Figure III-1 :
Figure III-1 - Circuit équivalent de Thevenin
Les éléments du circuit équivalent de batterie illustré à la Figure III-1 sont les suivants
est la tension de circuit ouvert, est la résistance ohmique des collecteurs et des
électrodes de la batterie, est le courant de charge / décharge et V représente la tension aux
bornes de la cellule de batterie. Comme le montre la Figure III-1, le courant qui coule à
travers la résistance peut être exprimé par l'équation suivante:
L'équation ( peut être réécrite comme suit:
où est la chute de tension due à la polarisation. Par conséquent, la tension aux bornes de
la cellule est déterminée par la tension en circuit ouvert et les différentes chutes de
tension données par l'équation (3.3) :
L’équation (3. 3) précédente peut aussi s’écrire sous la forme :
(3.4)
47
dans laquelle t est le temps transitoire lorsque la cellule passe de l’état de charge ou de
décharge à l’état de repos et vice versa.
III.2 EQUATION DECRIVANT LA DECHARGE DE LA BATTERIE
Selon les études menées par C.M. Shepherd l’équation de la décharge d’une batterie
peut être écrite comme suit [12] :
( ) (3.5)
Avec V la tension nominale de la batterie (V) ; voltage constant de la batterie ; K la

résistance de polarisation (Ohms) ; Q la capacité de la batterie (Ah) ; it la charge actuelle de
la batterie (Ah) ; A amplitude de la zone exponentielle (V) ; B zone exponentielle constante
de temps inverse (A/h), Résistance interne de la batterie et ib courant de la batterie (A) :
avec
L’équation (3 .5) peut encore être écrite sous cette forme :
( ) . (3.6)
Or nous savons que (voir l’équation (2.2)) :
Donc correspond au avec 1 le SoC initial.
III.3. SIMILITUDE ENTRE LES EQUATIONS DE THEVENIN ET DE LA

DECHARGE DE LA BATTERIE
En comparant l’équation (3.4) et (3.6) nous remarquons que :
( ) (3.7.a)
L’équation (3.7.a) peut aussi s’écrire sous la forme :
( ) (3.7.b)

48
(3.8)
et
III.4 BATTERIE ETUDIEE ET DISPOSITIF EXPERIMENTAL
Dans la Tableau III-1 ci-dessous se trouve les paramètres nominaux de la batterie

utilisée 6 :
Tableau III-1-Paramètres nominaux de la batterie
Paramètre Valeur
Tension Nominale (V) 3.7
Poids (g) 44
Capacité (Ah) 2.15
Tension Nominale à la fin de la décharge 2.90
Tension Maximale à la charge 4.20
Résistance interne ( ) à 1 Hz 150
La phase expérimentale va se faire au travers d’un labo Virtuel sur

MATLAB/SIMILINK.
III.5 DECHARGE DE LA BATTERIE
La batterie est déchargée à différents courants constants dans la plage de 0,6 à 3 A

(0,2 à 1,4 C). Les résultats du test sont présentés sur les Figure III-2 et III-3. Le taux de
décharge de la batterie influe sensiblement sur la courbe de tension. Au fur et à mesure que le
courant augmente, la courbe de tension diminue de manière significative. Pour un courant de
décharge élevé (3 A), la courbe de décharge est déformée et la capacité de la batterie diminue
nettement (le temps de décharge diminue sensiblement), c’est-à-dire que la batterie se
décharge rapidement :
6
Panasonic DataSheet. Available online: http://www.alldatasheet.com/datasheet-pdf/pdf/219494/
PANASONIC/CGR18650CF.html (accessed on 11 Mars 2019).

49
Figure III-2- Caractéristique de la décharge à plusieurs courants de décharge
Figure III-3 - Caractéristique de la décharge à un courant nominal de 0.93478

A
Les Figures III-2 et III-3 représentent la caractéristique à la décharge de la batterie.

La Figure III-2 représente la caractéristique typique de décharge de notre batterie ; cette
caractéristique est repartie en trois zones :
 La première zone, l’aire en jaune représente la chute de tension exponentielle

lorsque la batterie est chargée ;

50
 La deuxième zone, l’aire en grise représente la charge pouvant être extraite de

la batterie jusqu’à ce que la tension tombe en dessous de la tension nominale
de la batterie ;
 La troisième zone, limité par la courbe en bleu représente la décharge totale de
la batterie lorsque la tension chute rapidement.
A partir du test de décharge, nous obtenons les paramètres suivants :
La Figure III-4 ci-dessous représente le SoC pour un courant de décharge nominal

c’est-à-dire pour :
Figure III-4 - Variation de l’état de charge en fonction du temps
Nous remarquons qu’après deux heures de fonctionnement, il y a chute rapide de la

tension et nous tendons vers une décharge complète (décharge profonde) ce qui endommage
la batterie. Afin d’éviter cela, on utile le système de gestion de batterie (BMS) qui peuvent
limiter la décharge a un SoC de 13%.

51
Figure III-5 - variation de la tension en circuit ouvert en fonction de l’état de

charge
La Figure III-5 représente la variation de la tension en circuit ouvert en fonction de

l’état de charge et cette variation est non linéaire. Et à chaque point de SoC, on mesure une
valeur de la tension OCV. Nous remarquons que de 0 à 13% la tension OCV croit de façon
linéaire. Et à partir de 35% de SoC la tension OCV prend une valeur stable de 4.112 Volts.
Comme démontrer plus haut, la tension en circuit ouvert est toujours fonction du SoC (voir
équation (3.7.b)).
III.6 DETERMINATION DES PARAMETRES DU MODELE DE THEVENIN (R ET

C)
La constante de temps du modèle est donné par :
A partir de l’équation (3.8) on peut tirer l’expression de :
En remplaçant Q, B et par leurs valeurs respectives, nous trouvons la valeur

numérique de la constante de temps. En ce qui concerne , nous allons considérer dans ce cas
la valeur du courant nominal de décharge.
Donc .
52
Connaissant la valeur de , on peut alors trouver l’expression de R et C.
La solution de l’équation (3.2) qui est une équation différentielle se présente sous la
forme :
( )
De l’équation (3.3), on tire l’expression de u
A partir de l’équation (3.10) on peut tirer l’expression de R
* ( ( ))+
En remplaçant u par son expression l’équation (3.12) devient :
* ( ( ))+
Or le est fonction du , donc nous remarquons déjà à partir de cette

expression que la résistance R est aussi fonction du SoC et comme R et C sont dépendants,
donc C aussi varie en fonction du SoC. On peut alors voir sur le diagramme si dessous, la
variation de la résistance de polarisation par rapport au Et ceci peut être fait pour
diffèrent courant de décharge :

53
Figure III-6 - Variation de la Résistance par rapport au pour différents courants de

décharge
On constate que la variation de la résistance est plus grande pour le inférieur à

30% et tend vers 0 pour le supérieur à 30%. Et plus le courant augmente, la résistance
diminue :
Figure III-7 - Variation de la Capacité par rapport au SoC pour différents courants de
décharge

54
De même pour la capacité, pour le inférieur à 80%, la capacité tend vers 0 et

pour le supérieur à 80% on a une valeur supérieure de la capacité. Plus le courant est
grand, plus on a une grande variation de C.
III.7 MODELE DE LA BATTERIE LI-ION SUR MATLAB/SIMULINK
A partir de l’équation suivante :
( )
on peut élaborer un modèle étendu de la batterie Li-Ion.
Sachant que :
( )
et que
( )
on peut appeler, la chute de tension ohmique Z :
On peut aussi appeler la partie exponentielle C
Donc
Alors :
De ces équations, (3.5) devient :
On peut alors construire notre modèle.

55
Figure III-8 -Modèle réalisé de la batterie Li-ion
La Figure III-8 représente le modèle réalisé sous MATLAB/SIMULINK en

Utilisant l’équations (3.5). Et après simulation du modèle, on trouve la figure ci-dessous, qui
représente la caractéristique à la décharge de la batterie à un courant de décharge de 3 A :

56
Figure III-9 - Caractéristique à la décharge du modèle réalisé
Le modèle proposé précédemment a été utilisé pour simuler les caractéristiques

dynamiques de la batterie au lithium. La précision relative du modèle peut être validée pour
différents profils de tension par des méthodes expérimentales sur un banc d’essai. Dans notre
travail nous nous limitons juste à des simulations à des différents courants de décharge.
III.8 CONCLUSION
En utilisant les équations précédentes, un modèle de batterie étendue (EBM) a été

construit avec l'environnement MATLAB / SIMULINK. Pour déterminer les paramètres de
notre batterie, plusieurs tests ont été effectués à l'aide de courants de décharge par impulsions.
Et enfin on a présenté des résultats de simulation de modèle qu’on a réalisé sous
Matlab/Simulink.
Nous allons maintenant examiner dans le chapitre suivant des étapes supplémentaires
pour estimer les paramètres d’une batterie réelle en temps réel.

57
Chapitre IV
ESTIMATION DE L’ETAT DE CHARGE PAR LES RESEAUX DE NEURONES
ARTIFICIELS
IV.1 RAPPEL SUR LE RESEAU DE NEURONE
Le cerveau naturel est le plus mystérieux de tous les organes biologiques qui
composent un être vivant. Son fonctionnement commence à être bien compris par les
scientifiques. Néanmoins la gestion des informations qui lui sont communiquées, leur
arrangement, leur interprétation, la capacité et la motivation d'utilisation de ces données,
toutes ces actions sont autant de mécanismes difficilement définissables et reproductibles de
manière artificielle. Cependant les découvertes effectuées sur les neurones, composants de
base d'un cerveau, ont donné lieu à des recherches en intelligence artificielle. L'avènement de
l'informatique a contribué au développement de cette science qui semble trouver son intérêt
essentiellement dans la modélisation de phénomènes non linéaires mal connus.
Le cerveau est en réalité constitué d'un très grand nombre de neurones (de l'ordre de
cent milliards), étroitement connectés entre eux par plusieurs milliers d'interconnexions pour
chaque neurone. Chaque neurone est une cellule spécialisée, capable de créer, envoyer et
recevoir des signaux électrochimiques. Comme toutes les cellules biologiques, les neurones
possèdent un corps cellulaire, des prolongements apportant des informations au neurone
(les dendrites), et un prolongement qui communique les informations recueillies par le
neurone (les axones). L'axone d'une cellule est connecté aux dendrites d'une autre par
l'intermédiaire d'une synapse. Lorsqu'un neurone est activé, il envoie un signal
électrochimique au travers de l'axone.
Cette impulsion traverse les synapses vers des milliers d'autres neurones, qui peuvent
à leur tour, envoyer et donc propager le signal à l'ensemble du système neuronal (c'est-à-dire,
le cerveau biologique). Un neurone ne va émettre une impulsion que si le signal transmis au
corps cellulaire par les dendrites dépasse un certain seuil appelé seuil de déclenchement. Si un
neurone n'est pas en mesure d'accomplir une tâche à lui tout seul, les résultats peuvent devenir
spectaculaires dès lors qu'un grand nombre de neurones unissent leurs efforts. Ils peuvent
ainsi créer ou accomplir diverses tâches cognitives extrêmement complexes comme
l'apprentissage ou même le savoir. Par conséquent, grâce à un très grand nombre d'unités
rudimentaires de traitement, le cerveau réussit à réaliser des tâches extrêmement complexes.

58
Et ce sur ce principe du fonctionnement du cerceau que se base le réseau de Neurone

Artificiel [13].
Les réseaux de neurones artificiels sont des réseaux fortement connectés de

processeurs élémentaires fonctionnant en parallèle. Chaque processeur élémentaire calcule
une sortie unique sur la base des informations qu'il reçoit. Toute structure hiérarchique des
réseaux est évidemment un réseau [13].
La principale force des réseaux de neurones, qu’on peut cataloguer dans

l’intelligence artificielle, réside dans leur capacité d’apprentissage. Cet apprentissage permet
de modéliser des caractéristiques linéaires et non linéaire ou discontinues à partir
d’échantillons [13].
Il semble intéressant de comparer la technologie floue à la technologie neuronale, car

elles sont toutes deux issues de la même famille, l'intelligence artificielle, mais diffèrent dans
l'élaboration des modèles. L'avantage des réseaux de neurones par rapport à la logique floue
est le non recours à un expert pour définir les règles. Le concepteur intervient à un niveau
hiérarchiquement supérieur dans l’élaboration d'un modèle ou d'un correcteur neuronal. Alors
qu'en logique floue le concepteur peut se tromper sur l'exactitude des règles, avec l'approche
neuronale, ces règles, ou plus précisément les équations, sont issues directement d'un
apprentissage à partir d'échantillons ; celles-ci sont forcément très proches de la réalité [13].
Dans la littérature, les réseaux neuronaux et la logique floue sont généralement

associés, car ils s'empruntent mutuellement des propriétés. L'apprentissage neuronal sert à
l'extraction automatique des règles, les ensembles flous permettent aux réseaux de neurones
de focaliser l'apprentissage sur certaines parties du domaine d'échantillonnage.
IV.1.1 LE NEURONE FORMEL [13]
Le neurone formel est un processeur mathématique élémentaire qui applique à son

état une fonction de nature linéaire ou non. On appelle état, ou activité, d'un neurone la
somme ou le produit de ses entrées pondérées. Il représente en quelque sorte l'information
synaptique globale qui arrive sur ce neurone. La figure ci-dessous en est sa représentation
graphique :

59
Figure IV-1- Le Neurone
est l'état ou l'activité ; la sortie, les entrées ; entrée n ; est la fonction

d'activation du neurone.
Le neurone réalise une sommation puis une transformation comme l'indique les
équations suivantes :
Chaque neurone utilisé dans un réseau, se voit connecté à un biais, c’est-à-dire à une
valeur constante pour l’une de ses entrées. Ceci permet au neurone de translater son domaine
d’activité et d’ajuster son seuil d’efficacité.
IV.1.2 Notion de couches
On appelle couche, un ensemble de n neurones possédant chacun entrées (

entrées + un biais).
La Figure IV-2 représente une couche k composée de n neurones. Les équations

(4.3) et (4.4) ci-dessous expriment l'activité et la sortie d'un neurone j de cette couche :
et
avec poids reliant le neurone i de la couche k-1 au neurone j de la couche k.

60
Biais du neurone j de la couche k.
Figure IV-2 - Couche k composée de n neurones
Chaque neurone est capable de reproduire sa propre fonction d'activation. La

connexion en couches puis en réseau, va permettre de démultiplier leurs capacités en profitant
des propriétés de toutes les fonctions d'activation. Ainsi, par ajustement des poids et des biais,
qui sont autant de degré de liberté, le réseau sera capable d'approcher n'importe quelle
fonction. On peut donc considérer le réseau de neurones comme 'une boite noire' capable de
synthétiser n'importe quelles sorties fonctions d'entrées. Il paraît alors naturel de créer un
réseau dont le flux d'informations transite de l'entrée vers la sortie; c'est pourquoi on
organise une architecture dite à couches.
En disposant les neurones en plusieurs couches, nous construisons un réseau de type

feed-forward, dans lequel les connexions n'existent que d'une couche vers la suivante ; le
système ainsi défini est donc statique. Au sein de celui-ci, les neurones pourront être
différents d'une couche à l'autre, ainsi qu'à l'intérieur d'une même couche. Les entrées et les
sorties sont pourvues de neurones à fonctions d'activation linéaires pour respectivement
distribuer et récolter les informations. Lorsque l'état d'un neurone est formé par la somme des
entrées, on le symbolise par le signe somme. De même, pour les fonctions d'activation, on
représente la fonction soit par une lettre soit par un dessin décrivant la fonction.
Les neurones de la couche d'entrée et de sortie ne servent respectivement qu'à

distribuer et à recueillir les informations. C'est pour cette raison que les fonctions d'activation
de ces neurones sont toujours linéaires. De plus la couche d'entrée, qui n'a qu'un rôle de
distribution, possède des poids unitaire et aucun décalage, les biais sont donc nuls. Par

61
ailleurs, on appelle également couche cachée toute couche n'appartenant ni à la couche

d'entrée ni à la couche de sortie.
La qualité d'émulation augmente généralement avec le nombre de neurones. Dans le

cas des réseaux monocouches, la recherche de l’amélioration conduit à augmenter l'unique
couche cachée. Afin d'éviter une hypertrophie de cette couche, on utilise généralement des
réseaux possédant plusieurs couches cachées :
Figure IV-3 - Réseau à une couche cachée
IV.1.3 Notion d’Apprentissage [13]
L'intérêt d'un réseau de neurones réside dans sa capacité à composer avec ses
fonctions d'activation pour approcher n'importe quelle fonction, linéaire ou non, à partir
d'échantillons expérimentaux. Les poids et les biais sont autant de paramètres à régler, dont
une seule combinaison offrira une approche optimale au sens des moindres carrés. En effet,
on utilise généralement la somme des écarts quadratiques comme critère d'ajustement, d'une
part car ce dernier ne peut pas s'annuler par simple retranchement des erreurs et, d'autre part,
la somme des écarts quadratiques possède des propriétés statistiques liées à la définition
même de la variance. Afin d'aboutir à cette synthèse, il est nécessaire d'effectuer une phase
dite d'apprentissage, qui consiste à trouver les poids et les biais optimaux pour une
architecture de réseau donnée.
Comme les fonctions d'activation et les fonctions à approcher sont généralement

de nature non linéaire, les méthodes employées s'inspirent des méthodes d'optimisation non
linéaires. Les plus connues sont le recuit simulé, les algorithmes génétiques, la méthode
des directions conjuguées et la descente de gradient. L'apprentissage peut être de type

62
supervisé, dans ce cas on présente au réseau des entrées, et au même temps les sorties
désirées pour cette entrée. Le réseau doit ajuster ses poids de façon à réduire l'écart
entre la réponse désirée et la sortie du réseau. Cette procédure est répétée jusqu'à ce qu'un
critère de performance soit satisfait. L'algorithme le plus utilisé est celui de la rétro
propagation de l'erreur et cette méthode est réalisée suivant le schéma de la figure 4 de sorte
que l'erreur entre la fonction réelle et la fonction estimée soit réduite au maximum.
L’apprentissage peut aussi être de type non-supervisé on parle dans ce cas d'apprentissage
supervisé, Pour les réseaux à apprentissage non supervisé, aucune information sur la
réponse désirée n’est fournie au réseau. On présente une entrée au réseau et on le
laisse évoluer librement jusqu'à ce qu'il se stabilise. Ce comportement est connu sous le
nom « auto-organisation » :
Figure IV-4 - Schéma d'apprentissage supervisé
IV.1.4 Rétro-propagation d’erreur [14]
L’apprentissage du MLP (Multi layer perceptron) est attaché à l’algorithme de

la rétro propagation des erreurs. Cet algorithme, utilisé par les réseaux multicouches,
consiste simplement en une descente de gradient, qui est une méthode d’optimisation
universelle. On cherche à minimiser une fonction de coût (qui représente l'erreur entre la
sortie désirée et la sortie obtenue). L’algorithme de la rétro propagation consiste alors à

63
mesurer l’erreur entre les sorties désirée, et les sorties observées et à rétro propager cette
erreur à travers les couches du réseau en allant des sorties vers les entrées.
La sortie désirée dans notre cas est le SoC calculé par la méthode d’ampère-heure au
chapitre 3.
La fonction de coût peut être minimisée avec tout algorithme reposant sur le calcul
du gradient, quasi-newtonien, ou autre. Le gradient est calculé avec l'algorithme de
rétro-propagation. L’apprentissage d’un réseau de neurones récurrent s’effectue alors de la
façon suivante :
 initialisation des paramètres du réseau (poids et biais) ;
 propagation à travers le réseau déplié temporellement ;
 calcul du gradient de la fonction de coût (en tenant compte des poids
partagés) ;
 mise à jour des paramètres du réseau, puis retour à l’étape 2 pour une
nouvelle itération.
Dans ce travail, l’algorithme de retro-propagation sera effectué sur MATLAB qui

dispose d’une interface puissante pour résoudre des tels problèmes.
IV.2 CHOIX DE LA STRUCTURE NEURONALE
La première chose dans l’implémentation de réseau de neurones est le comptage des

variables d’entrée et de sortie du problème. On a deux variables comme entrées ( , )
une variable en sortie qui est le SoC sachant que notre réseau est un réseau non récurent c’est-
à-dire, que la sortie n’est pas reliée avec les entrées (boucle ouvert). Dans notre travail, on a
construit un réseau de neurones multicouches avec :
 Une couche d’entrée à deux neurones ;
 une couche cachée à dix neurones ;
 une couche de sortie à un neurone.
Pour la fonction de transfert de la couche d'entrée et de celle de sortie ainsi que la

couche cachée, on va utiliser la fonction sigmoïde. Et nous utiliserons l’apprentissage
supervisé.

64
Figure IV-5 - Structure de notre Réseau de Neurone
IV.3 MODELISATION DE LA BATTERIE A BASE DE RESEAU DE NEURONE
Partant des équations (4.1) et (4.2) Le modèle mathématique de notre réseau de

neurone est la suivante :
L’équation (4.5) peut aussi être écrite sous forme matricielle :
[ ] [[ ][ ] [ ]]
[[ ][ ] [ ]] (4 .8)
avec et les fonctions de transfert, des couches cachées et de sorties

respectivement, [ ] matrice des poids de connexions liant la couche d’entrée à la

65
couche cachée, [ ] vecteur des entrées, [ ] vecteur des biais des cellules de la couche
Cachée, sortie du réseau, [ ]matrice des poids des connexions liant la couche cachée à
la couche de sortie, [ ] vecteur des biais des cellules de la couche de sortie.
IV.3.1 Base d’apprentissage et base de test
L’apprentissage d’un réseau de neurones nécessite une base de données assez

représentative sur l’espace de fonctionnement. Sur la gamme de fonctionnement de la batterie
étudiée, notre base d’apprentissage est constituée de différentes valeurs des courants et des
tensions utilisée dans le chapitre 3 pour la décharge de la batterie.
Chaque exemple est représenté par un vecteur avec :

V tension mesurée à la borne de la batterie ; Courant de décharge mesuré à la borne de la
batterie, SoC l’état de charge correspondant au couple d’entrée (V, ).
Après avoir construit la base de données on procède à la phase de séparation

entre la base d’apprentissage et la base de test (validation). On doit noter ici qu’il n’y a pas
de règles précises concernant cette séparation, malgré cela, d’une manière générale la
base de test représente entre 10 et 25% de la base de données, suivant le problème étudié.
Les deux bases de données ainsi obtenues par cette séparation doivent impérativement
couvrir l’espace de fonctionnement. Il est important de ne pas utiliser aucun élément de
la base de test pendant toute la durée de l'apprentissage. Cette base est réservée uniquement à
la mesure finale de la performance. Autrement dit, elle sert à vérifier si le réseau de neurones
à une bonne performance sur les exemples qu’il n’a pas appris.
IV.3.2 Etape d’apprentissage
Afin de fixer l’architecture du RNA on lance l’apprentissage de notre système

pour qu’il détermine les poids et les biais optimal par minimisation d’erreur entre la sortie du
réseau de neurones et la sortie désirée à partir de l’algorithme de retro-propagation d’erreur.
L’interface de MATLAB contient une bibliothèque des RNA ce qui facilite l’étape
d’apprentissage, on peut choisir juste le taux et l’algorithme d’apprentissage et le nombre
d’itération et des autres paramètres.
Le taux d’apprentissage varie de et son choix est empirique :

 si η est trop petit, le nombre d'itérations peut être très élevé ;

66
 si η est trop grand, les valeurs de la suite risquent d'osciller autour du

minimum sans converger.
Pour notre cas, on a choisi .
Figure IV-6 - Architecture choisie pour notre RNA sur MATLAB
Figure IV-7 - Etat de charge désiré

67
Figure IV-8 - Etat de charge estimé
Après la phase d’apprentissage nous avons testé le modèle pour des données
qui appartiennent à la base d’apprentissage. En observant les Figures IV-7 et IV-8, on
remarque qu’on a exactement la même figure entre état de charge désiré et l’état de charge
estimé. Ce qui signifie que la relation entre le SoC estimé et le SoC désiré est exactement
linéaire. Ceci prouve aussi que le modèle proposé permet d’obtenir des performances
satisfaisantes pour l’estimation du SoC avec une grande précision :
Figure IV-9 - Erreur de prédiction

68
En observant la Figure IV-9 nous remarquons que l’erreur de prédiction qui est
l’écart entre le SoC estimé et le Soc désiré est très petite. Ce qui fait que la courbe de SoC
estimé est confondue à celle du SoC désiré :
Figure IV-10 - Phase d’apprentissage du Réseau de Neurones sur MATLAB
La Figure IV-10 montre la phase d’apprentissage de notre réseau sur MATLAB, elle
s’arrête aux 24ème itérations, c’est à ce moment que notre réseau se stabilise :
Figure IV-11 - Performance du RNA

69
La Figure IV-11 montre l’erreur atteint après 24 itérations, ce qui est inférieur à la
valeur limite. En d’autres termes, elle montre la meilleure performance du réseau qui est
atteint après 24 itérations :
Figure IV-12 - Performance de régression
La Figure IV-12 montre la performance de la régression, entre les données

d’apprentissage et les résultats de simulation attendues et cette corrélation est exactement
linéaire ce qui explique le fait que la courbe du SoC estimé est confondue à celle du SoC
désiré.
IV.4 CONCLUSION
L'estimation du SoC est très importante pour le système de gestion de

l'énergie, car la connaissance de cette valeur permet de concevoir le système de gestion de
batterie, son autonomie, d'optimiser l'énergie et la puissance dans tout le système et permet
d'augmenter sa durée d'utilisation. Le principal objectif de ce chapitre, est de disposer
d'une bonne estimation de l’état de charge.

70
CONCLUSION GENERALE
Nous voici ainsi au terme de notre travail qui a été consacré à l’estimation de l’état
de charge d’une batterie par le réseau de neurones.
Tout au long de ce travail, nous avons présenté plusieurs technologie des batteries
ainsi que des méthodes d’estimations de l’état de charge ; et nous avons porté notre choix sur
la technologie Li-Ion qui représente une solution attractive pour les systèmes de stockage
d’énergie en termes de performances, notamment d’énergie spécifique, de densité d’énergie,
une tension relativement élevée, une puissance spécifique élevée, aucun effet de mémoire et
de faibles taux d'autodécharge pendant le stockage. Pour ce qui est de la méthode
d’estimation, nous avons choisi la méthode de réseaux de neurones artificielle car elle permet
d’acquérir le comportement de la batterie au moyen de données réelles, sans qu’il soit
absolument nécessaire de disposer d’une description physique de la batterie et donne plus des
précisions par rapport à d’autres méthodes.
Nous avons ensuite modélisé notre batterie en se basant sur le circuit équivalent de
Thevenin ainsi que l’équation décrivant la décharge de la batterie proposé dans la littérature
par C.M. Shepherd. Ainsi nous avons procédé par analogie entre les équations du modelé de
Thevenin et celles de C.M. Shepherd pour déterminer l’OCV et par conséquent le SoC ainsi
que d’autre paramètre du modèle de Thevenin en effectuant un test de décharge de la batterie
dans l’environnement MATLAB /SIMULINK. Les données de ce test constituent la base
d’apprentissage pour l’estimation de l’état de charge avec le réseau de Neurones.
Et enfin, nous avons procédé à l’estimation de l’état de charge en se basant sur les
données du test des décharges. Nous avons présenté la structure de notre réseau qui après
simulation, nous a présenté des résultats acceptable et satisfaisant. Mais toute fois ces résultats
ne peuvent être validés qu’après plusieurs essais de validation qui doivent encore être menées
et aussi après des études expérimentales car nous nous sommes limités qu’à la partie
simulation par manque des bancs d’essais des batteries dans nos laboratoires et des matériels
appropriés.
Il serait pertinent de poursuivre ce travail en se basant sur une étude expérimentale

avec une batterie réelle et comparer ces résultats avec celle des simulations en utilisant
beaucoup plus des données des charges et de décharges.

71
Ce travail nous a permis d’avoir une connaissance sur les batteries et de nous
familiariser avec l’intelligence artificielle. Ces deux domaines batteries et intelligence
artificielle font l’actualité que l’ingénieur dont sommes appelés à devenir ne peut s’en passer.

72
BIBLIOGRAPHIE
[1] Lycée Jules Ferry Versailles (S-Si) : cours de Stockage de l’énergie
[2] LASNE LUC : Energie Electrique. 2ème Edition Dunod, Mallakoff, 2015, ISBN : 978-2-
10-077883-6
[3] BOUTTE AÏSSA : Identification des paramètres internes d’une batterie pour des
applications photovoltaïques. Thèse de doctorat en Sciences, Université des sciences et de la
technologie d’Oran Mohamed Boudiaf, 2014-2015
[4] AKRAN EDDAHEC : Modélisation du vieillissement et détermination de l’état de santé

de batteries Lithium-Ion pour des applications véhicules électriques et hybride. Thèse de
doctorat, Université de Bordeaux 1, 2013
[5] FERREIRA H.L, R. GARDE, G.FULLI, W.KLING and JP. LOPES :

Characterisation of electrical energy storage technologues Energy. 2013, Vol 53, Pages 288-
298
[6] KURZWELL and BRANDT : Secondary Batteries Lithium rechargeable systems.

Encyclopedia of Electrochemical power sources, 2009 pages 1-26
[7] DEKKICHE ABDELILLAH : Modèle de batterie générique et estimation de l’état de

charge. Thèse Doctorat, Ecole de technologie supérieure Université du Québec, 2008
[9] KALAWOUN JANA : Modélisation statistique de l’Etat de charge des batteries

électrique. Systèmes dynamiques. Thèse de Doctorat, Université de Paris-Saclay, 2015
Français
[10] TOUZET CLUADE : Les réseaux de Neurones artificiels introduction au

connexionnisme cours, exercices et travaux pratiques, Juillet 1992
[11] YASSER DIAB et AL : Estimating Lithium-Ion Battery State of Charge and Parameters
using a continuous-discrete extended Kalman filter, July 2017
[12] SHEPHERD. CM : Design of Primary and Secondary Cells II. An Equation

Describing Battery Discharge, U. S. Naval Research Laboratory, Washington D.C, July
1965, Vol 112, Pages 657-664

73
[13] FORGEZ CHRISTOPHE : Méthode de Modélisation et de commande par réseaux de

neurones pour des dispositifs électrotechniques non linéaires, Thèse de Doctorat, Université
Technologie de Lille, Décembre 1998
[14] MERZOUKA NOURESSADAT, Etat des performances de neurones dynamiques à

représenter des systèmes réels : une approche dans l’espace d’état, Mémoire Présenté,
Université de SETIF 1 d’Algérie, 2009
Référence web
[5] http://fr.m.wikipedia.org/wiki/:système de contrôle des batteries accumulateur 05/02/2019

74
ANNEXES
A. ANNEXES : BLOCK DES PARAMETRES DES BATTERIES SUR MATLAB

75
B. ANNEXES : PARAMETRES DE COMMANDE SUR MATLAB

76
C. ANNEXES : ALGORITHME DE COMMANDE ET CREATION DU RESEAU DE

NEURONE SUR MATLAB
syms t
t=[0 0.5 1 1.5 2 2.5 3];
E=4.1384; % voltage constant de la batterie
R=0.15; % resistance interne de la batterie
K=0.0099093; % résistance de polarisation
A= 0.2018 % amplitude de la zone exponentielle
A=
0.2018
B=28.401; % zone exponentielle constante de temps inverse

Q=2.15; % capacité de la batterie
ib=0.93478;% courant nominale de la batterie
SoC= 1-[(ib*t)/Q] % état de charge désiré par la methode d'ampere heure
SoC =
1.0000 0.7826 0.5652 0.3478 0.1304 -0.0870 -0.3043
OCV=E-K*(1./SoC)*ib % tension en circuit ouvert
OCV =
4.1291 4.1266 4.1220 4.1118 4.0674 4.2449 4.1688
I=[0.6 0.8 1.2 1.9 1.8 2 3;3.7 3.7 3.7 3.7 3.7 3.7 3.7];% entrée dans le reseau de neurone avec
differnt courant de decharge et la tension d'entrée
net=newff(minmax(I),[10,1],{'logsig', 'purelin','trainlm'});
Warning: NEWFF used in an obsolete way.
> In nnerr.obs_use (line 17)
In newff>create_network (line 126)
In newff (line 101)
See help for NEWFF to update calls to the new argument list.
net.iw(1,1);
net.b(1);
net.trainparam.epochs=1000; % les nombres maximales d'iterations posssible
net.trainparam.goal=1e-25; % precise l'erreur à atteindre
net.trainparam.lr=0.01; % donne le taux d'apprentissage
net=train(net,I,SoC)
SoCe=net(I)
SoCe =
1.0000 0.7826 0.5652 0.3478 0.1304 -0.0870 -0.3043

77
error=SoC-SoCe
error = 1.0e-09 *
0.0060 -0.0066 0.0120 0.8514 -0.3627 -0.4354 0.0235

D. ANNEXES : FONCTION D’ACTIVATION

78
E. ANNEXES : ALGORITHME DE RETRO-PROPAGATION DE L’ERREUR

79

80

TFE-COMPLET-KABASELE-corrige-FRANCOIS 1

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TFE-COMPLET-KABASELE-corrige-FRANCOIS 1

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DE LUBUMBASHI

ESTIMATION DE L’ETAT DE CHARGE D’UNE

Par KABASELE BAMPENDE Ruffin

« Il faut tendre vers l’impossible : les grands

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

Je dédie humblement ce mémoire :

A mes frères et sœurs biologiques JOSUE BAKAFUTA BAMPENDE, GLORIA KANKU

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

A la fin de notre formation d’Ingénieur Civil à l’université de Lubumbashi, il nous est

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

Nos sincères remerciements au Professeur FRANCOIS NTAMBWE qui a accepté de

A l’Ingénieur Civil JEAN PIERRE BAZOLANA pour avoir accepté de codiriger ce

A toute la famille spirituelle du ministère chrétien du combat spirituel et

A mes proches, MARIE-VODEI KIKUDI, TRESOR MULIMBI, MARYSE

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

Mots-clés : batterie, estimation de l’état de charge, apprentissage statistique, réseau des

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

TABLE DES MATIERES

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

III.1 Modèle dynamique de la batterie ................................................................................. 46

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

Tableau I-1 - Caractéristiques de technologies de stockage d’énergie ...................................... 8

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

LISTE DES ABREVIATIONS

ARMA : Moyenne mobile autorégressive

BMS : Battery management system (Système de gestion des batteries)

CAES : Compress air enrgy storage

CC : Protocole de charge courant constant

CCA : courant de charge maximum

CV : protocole de charge à tension constante

DCL : courant de décharge maximum

DOD : Depth of discharge (profondeur de décharge)

EDL : Electric double Layer

EKF : Filtre étendu de KALMAN

EMC : Carbonate Ethyle méthyle

EMF : Force Electromotrice

KOH : Hydroxyde de potassium

LCD : Protocole de charge à décroissance de courant linéaire

Li-Ion : Lithium Ion

LiPF6 : Lithium hexafluorophosphate

NI-MH : Nickel-Hydrure métallique

OCV : Open circuit voltage (tension en circuit ouvert)

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

Pb-Acide : Plomb acide

PID : Proportionnel Intégré Dérivé

PTC : Positive thermal coefficient

RNA : Réseaux de neurones artificiels

SLA : Sealed Lead Acid

SoC : State of charge (état de charge)

SoH : state of Health (état de santé)

SoF : State of function (état de fonction)

SVR : régression de vecteur de support

VRLA : valve regulated lead acid battery

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

Récemment, les énergies renouvelables et les véhicules électriques ont suscité un

Cependant, il est difficile de déterminer ou d’estimer les caractéristiques de la batterie,

Cependant, la batterie étant un système électrochimique complexe, ni son SoC ni sa

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

puissance de calcul limitée du système de contrôle de la batterie (Battery Management

TRAVAIL DE FIN D’ETUDE PAR KABASELE BAMPENDE RUPHIN

Hormis l’introduction et la conclusion générale, nous avons subdivisé ce travail en 4

Dans le premier chapitre, on va présenter une étude bibliographique sur les

Les travaux présentés dans le troisième chapitre s’attachent à la modélisation de la