État de santé : Une métrique importante pour la capacité de la batterie
La durée de vie moyenne d'une batterie est de l'ordre de 10 ans. Mais les performances seront-elles constantes jusque-là ? Quelles modifications peut-on prévoir ?
Pourquoi est-il plus difficile que prévu d'obtenir une vision précise de l'état de santé d'une batterie en fonctionnement ?
Quels avantages concrets peut apporter une surveillance étroite de cet indicateur ?
Avez-vous déjà constaté une dégradation soudaine de la batterie, entraînant une diminution des performances par rapport à son premier jour de fonctionnement ? En effet, en tant qu'entités électrochimiques dynamiques, les batteries lithium-ion sont affectées par des mécanismes de vieillissement qui se traduisent par une perte de capacité.
La bonne nouvelle est que ce phénomène est surveillé par une métrique bien connue que nous appelons l'état de santé (SOH). Oui, la santé, comme pour les humains. Mais pour les batteries, ce "niveau de santé" est généralement exprimé comme un rapport entre la capacité actuelle C(t) et la capacité initiale de la batterie C(t=0).
Un SoH approximatif (ou potentiellement complètement erroné) n'est pas sans conséquence : les opérateurs de batteries (que ce soit dans les secteurs du stockage d'énergie ou de la mobilité électrique) doivent s'appuyer sur cet indicateur pour des décisions hautement stratégiques : par exemple, pour optimiser l'allocation des ressources, définir des stratégies d'utilisation ou trouver un équilibre entre l'utilisation des actifs et la préservation de la durée de vie de la batterie...
Mais c'est là que le bât blesse : il n'existe pas de mesure facile pour la "capacité C(t)" susmentionnée en fonctionnement, ce qui rend l'estimation du SOH délicate. Certes, des courbes de tendance peuvent être dérivées des spécifications de la fiche technique de la batterie, sur la base d'une utilisation théorique et d'un profil standardisé. C'est souvent ce que nous avons constaté être l'option par défaut pour les opérateurs de batteries. Cependant, il est essentiel de réaliser que cette méthode ne parvient pas à intégrer les implications des conditions d'utilisation réelles, ce qui nécessite en retour des analyses supplémentaires afin d'évaluer avec précision le SOH.
Le vieillissement suit toujours un modèle
Même si elle dépend de l'utilisation, les batteries se dégradent généralement lentement dans la première partie de leur vie : tout comme les premières rides mettent quelques décennies à apparaître sur le visage d'une personne, les batteries ne perdent généralement que quelques pourcents de leur capacité au cours de leurs premières années de fonctionnement.
Cependant, le vieillissement est un phénomène non linéaire : à un certain moment, la tendance change radicalement, et une forte baisse du SoH peut être observée dans une fenêtre de temps limitée (plusieurs pourcents en quelques semaines). Ce changement de tendance est appelé point de genou (voir figure 1), et cette accélération brutale de la perte de capacité peut précipiter la nécessité d'une maintenance, voire paralyser tout un système si elle n'est pas détectée suffisamment tôt.
De plus, certaines conditions d'utilisation plus que d'autres peuvent provoquer une accélération de ce processus de vieillissement - une arme à double tranchant selon que les opérateurs ont ou non la possibilité de modifier et d'améliorer les conditions de fonctionnement.
Figure 1. Phénomène de point de genou : chute soudaine de la capacité de la batterie
Établir un diagnostic
Plus complexe qu'un bilan de santé de routine
Un diagnostic traditionnel standard implique d'interrompre le fonctionnement de l'actif de la batterie pour effectuer une charge et une décharge complètes de l'actif à un rythme lent. Mais de telles interruptions ne sont pas seulement coûteuses en temps, elles sont aussi coûteuses et ne peuvent pas être effectuées à un rythme fréquent. Elles présentent également un risque de ne pas identifier une situation de point de genou (voir ci-dessus).
Ce qui apparaît alors comme plus pratique (voire nécessaire), ce sont des diagnostics SOH non intrusifs plus fréquents sur les actifs en fonctionnement. Mais cela pose deux défis importants, car les actifs en fonctionnement effectuent principalement des charges et des décharges partielles dans des conditions "en direct" en constante évolution :
- Comment estimer la quantité totale d'énergie qui peut être extraite d'une batterie si l'actif ne fonctionne pas sur toute la plage de l'état de charge (SOC) ? Des informations doivent être extraites de récupérations de données partielles.
- Comment effectuer des estimations SOH comparables alors que les conditions de fonctionnement (température, courant) de la batterie fluctuent constamment ? Le comportement dynamique doit être filtré pour se concentrer sur le "comportement statique" de la batterie, généralement défini sur la fiche technique du fabricant (par exemple, 25°C et C/10), qui sera utilisé comme système de référence pour toute estimation SOH.
De plus en plus, les opérateurs d'actifs de batterie ont accès aux estimations de l'état de santé (SoH) des systèmes de gestion de batterie (BMS). Dans ce cas, le BMS évalue le SoH en mesurant la capacité échangée sur une période de temps et en la comparant à l'évolution du SOC. Malheureusement, ce ratio peut être une estimation grossière du SoH, fortement dépendante de la précision des mesures.
La bonne nouvelle est que nous pouvons surmonter les deux obstacles décrits précédemment en tirant parti d'une combinaison d'outils allant de l'OCV à l'analyse incrémentale de la capacité (ICA). Cette signature fait référence à un comportement standard qu'une cellule aura pendant la charge et la décharge, qui peut être représenté sous la forme d'un graphique de la tension en fonction du niveau de SOC.
Sachant cela, nous pouvons identifier et sélectionner des points de données partiels éligibles de charges ou de décharges et les normaliser pour revenir à la signature "nominale" (Figure 2). Grâce aux campagnes de vieillissement réalisées en laboratoire, nous avons acquis une compréhension approfondie de la signature complète des cellules, ce qui signifie que même face à des fragments de celle-ci, nous pouvons reconnaître et reconstruire sa gamme complète. La modélisation électrochimique permet finalement d'extraire la signature de la cellule et nous permet de travailler sur ses caractéristiques pour identifier les mécanismes de dégradation et leur impact sur les performances de la batterie.
Figure 2. Normalisation d'un ensemble hétérogène de points de données pour le diagnostic SOH
Et comme nous savons comment la signature de la cellule évolue au fur et à mesure que la batterie se dégrade, nous pouvons finalement trouver la correspondance entre (1) la signature "normalisée" de la cellule étudiée et (2) le niveau SOH associé.
Finalement, notre solution complète le BMS de multiples façons : elle permet une estimation précise du SoH en filtrant les éventuelles défaillances des capteurs et ajoute de la puissance de calcul pour approfondir les données. L'analyse s'appuie également sur des connaissances transversales sur les mécanismes de dégradation des batteries pour consolider les estimations.
État de santé (SoH) :
Établir un diagnostic correct est la première étape pour trouver un remède
Si vous êtes arrivé jusqu'ici dans l'article, vous vous demandez probablement « quel est l'intérêt » de tout cela ? Comme mentionné dans l'introduction, les opérateurs de batteries doivent étayer leurs décisions opérationnelles sur la gestion des actifs avec des données et des indicateurs fiables, parmi lesquels le SoH.
Concrètement, cela donne aux opérateurs le bon outil pour :
- Modéliser avec précision l'impact financier de la perte de capacité (baisse du SOH) sur les performances de l'actif
- Détecter les modules limitatifs ou défectueux avec un SOH inférieur qui entravent les performances globales de l'actif, afin de mettre en œuvre des remplacements de pièces ou une maintenance
- Identifiez précisément les changements de tendance de la dégradation de l'état de santé (SoH) au fil du temps (accélération, décélération) et surveillez avec précision le moment où le SoH se rapproche d'un seuil critique afin d'anticiper la fin de la première vie et les opérations induites potentielles (revente d'anciens actifs, remplacement des dépenses d'investissement).
- À une échelle plus globale, déterminez si les conditions d'utilisation actuelles entraînent un vieillissement accéléré de l'actif afin d'effectuer des tests ou des modifications des conditions d'utilisation pour ralentir la dégradation et la perte de SoH et prolonger la durée de vie de l'actif (et le rendement financier à long terme).
En surmontant les limitations de la disponibilité des données et en tirant parti de notre expertise en électrochimie des batteries, PowerUp fournit une solution de diagnostic de batterie fiable et précise qui permet aux opérateurs d'optimiser les performances de la batterie et d'assurer un fonctionnement efficace et durable en temps quasi réel.
Du diagnostic à la prédiction
Un diagnostic précis et fréquent du SoH est, d'autre part, la première étape de la prédiction de la durée de vie des batteries. Associé à des méthodes de modélisation avancées, il permet de prévoir l'évolution de la dégradation en fonction de profils d'utilisation spécifiques. Cette capacité de pronostic permet des pratiques de maintenance prédictive, réduisant l'impact des perturbations opérationnelles.
Pendant la phase de conception, les fabricants d'équipement d'origine (OEM) fournissent souvent des informations estimées sur la durée de vie, basées sur une utilisation théorique ou un nombre fixe de cycles équivalents sur un profil standardisé. Cependant, notre approche va au-delà de ces prédictions statiques. En tirant parti de vastes campagnes de vieillissement des batteries et en employant des techniques de modélisation stochastique alimentées par l'apprentissage automatique, notre méthode adapte les prédictions aux schémas d'utilisation réels des batteries, évoluant continuellement avec chaque nouveau diagnostic de SoH.
Mais assez parlé, nous vous en dirons plus sur l'importance des prédictions de perte de capacité dans le prochain article !
Vous pouvez trouver le prochain article de cette série ici.
