La durée de vie moyenne d'une batterie est de l'ordre de 10 ans. Mais les performances seront-elles constantes tout au long de sa durée de vie ? Quelles sont les évolutions à attendre ?
Pourquoi est-il plus difficile que prévu d'obtenir une estimation précise de la durée de vie utile restante d'une batterie ?
Quels sont les avantages concrets que peuvent apporter des outils de prévision fiables ?
Dans le paysage dynamique de la technologie des batteries, la fiabilité et la performance des actifs des batteries sont des facteurs cruciaux pour les développeurs et les opérateurs. La dégradation des batteries, qui englobe la perte progressive de capacité et de performance au fil du temps, constitue un défi de taille. Cependant, grâce à l'avènement d'outils de modélisation avancés, nous disposons désormais des moyens de prédire et de comprendre avec précision la dégradation des batteries, ce qui nous permet d'optimiser la conception des actifs, de mettre en œuvre des stratégies de maintenance prédictive rationalisées et de faire des choix éclairés en matière de seconde vie.
Dans cet article, nous allons explorer les nombreux avantages de l'utilisation de ces outils.
Du diagnostic aux prévisions
Le SOH (State of Health) et la prédiction de durée de vie sont deux approches distinctes qui fournissent des informations précieuses sur les performances d'une batterie. Le SOH indique la capacité disponible à un moment donné - voir l'article partie 1 - tandis que la prédiction de la durée de vie estime la capacité à un moment futur.
La prédiction du SOH est de la plus haute importance pour plusieurs raisons :
Construire un patrimoine mesuré et durable
La prévision de la dégradation des batteries n'est pas simplement une option ; elle est devenue une nécessité pour les développeurs et les opérateurs qui cherchent à construire des batteries de haute performance. Ces actifs nécessitent une base solide capable de résister aux rigueurs de l'utilisation réelle et d'offrir une valeur à long terme au coût CAPEX initial le plus bas. Des outils de prévision fiables jouent un rôle essentiel dans la réalisation de ces objectifs.
En utilisant des outils de modélisation avancés, les développeurs peuvent optimiser les paramètres de conception des batteries, sélectionner les produits chimiques appropriés et déterminer les conditions de fonctionnement adéquates. Des prévisions précises de la dégradation des batteries permettent aux parties prenantes d'affiner leurs conceptions, afin de garantir des performances optimales tout au long de la durée de vie de l'actif. Grâce à des outils de prédiction fiables, les développeurs peuvent donner vie à leurs batteries en toute confiance, en sachant qu'elles répondront aux attentes en matière de performances.
Figure 1. Prévisions de la durée de vie utile restante (RUL) sur la base de différents scénarios d'utilisation pour la conception des actifs
Maximiser et prolonger la durée de vie des actifs
La maintenance prédictive a changé la donne dans la gestion des actifs, permettant aux développeurs et aux opérateurs de minimiser les temps d'arrêt, d'optimiser les calendriers de maintenance et d'allonger la durée de vie des batteries. Les outils de modélisation avancés sont essentiels pour mettre en œuvre des stratégies de maintenance prédictive efficaces et prendre des décisions éclairées.
Lorsqu'ils sont utilisés avec des données granulaires sur les batteries, ces outils de modélisation permettent de détecter le vieillissement accéléré des modules individuels ou des packs de batteries qui peuvent limiter les performances de l'actif dans son ensemble. En outre, ce type de surveillance permet de détecter les points d'inflexion, qui correspondent à une baisse soudaine et importante de la capacité de la batterie. En identifiant précisément les points d'inflexion grâce à la simulation, les développeurs et les opérateurs peuvent planifier de manière proactive les activités de maintenance et prévenir les défaillances potentielles tout en optimisant l'utilisation des ressources. Enfin, il sera possible de modifier la combinaison de services au cours des opérations et de connaître clairement l'impact sur la durée de vie des actifs afin de viser en permanence le meilleur compromis entre l'utilisation et la dégradation de la capacité. La maintenance prédictive permet de réduire les coûts, d'améliorer l'efficacité opérationnelle et de garantir que les batteries fonctionnent de manière optimale pendant de longues périodes.
Figure 2. Simulation RUL sur différents scénarios d'utilisation pour l'optimisation des actifs
Favoriser la monétisation des actifs et de la seconde vie
Les batteries ont souvent une durée de vie restante importante, même après leur première utilisation. Par exemple, la fin de vie d'une batterie eBus survient lorsqu'elle atteint environ 80 % de sa capacité initiale. La réutilisation des batteries pour des applications secondaires, telles que les systèmes de stockage d'énergie ou les stations de recharge de véhicules électriques, offre la possibilité de maximiser la valeur de la batterie et de minimiser les déchets. Cependant, pour faire des choix éclairés en matière de seconde vie, il faut avoir une connaissance approfondie de la dégradation des batteries.
Les outils de modélisation avancés fournissent des informations cruciales sur la capacité et les performances restantes des batteries après leur cycle de vie principal. En simulant différents scénarios d'exploitation, les développeurs et les opérateurs peuvent déterminer la faisabilité et la rentabilité de la réutilisation des batteries pour une seconde vie au lieu de conserver l'application de cyclage en cours. Ces connaissances permettent aux décideurs de faire des choix éclairés et d'optimiser la valeur et l'impact environnemental de leurs actifs.
Les prévisions, un art complexe
Si les outils de simulation de la dégradation des batteries offrent des perspectives inestimables, il est important de reconnaître les défis et les limites associés à leur mise en œuvre. Les développeurs et les opérateurs doivent être conscients de ces facteurs pour prendre des décisions éclairées et fixer des attentes réalistes.
Les modèles physiques comme première tentative
Le développement de modèles précis de prédiction de la dégradation nécessite une compréhension approfondie de la chimie, de la physique et du comportement électrochimique des batteries. Le premier obstacle est la connaissance de chacun des composants de la batterie (mélange d'électrolytes, additifs, taille des particules, porosité) et de la manière dont ils ont été traités, qui est fortement protégée par les fabricants. Les batteries sont des objets très complexes et même avec ces connaissances, il serait difficile de modéliser toutes les interactions physico-chimiques.
Il est toutefois possible d'obtenir de bons résultats avec de tels modèles physiques ; certains logiciels industriels sont disponibles sur le marché et fournissent des résultats tout à fait satisfaisants. Le problème est que le calcul complexe nécessite l'accès à des installations d'essai spécialisées et à une expertise. En outre, le coût peut devenir prohibitif lorsque les calculs s'appliquent à de longues périodes de temps (comptées en années pour les prévisions de durée de vie) et à de grands actifs, ce qui les rend moins intéressants pour les applications sur le terrain qui évoluent rapidement.
Les modèles empiriques peuvent aider
En guise de solution de contournement, l'évolution des performances des batteries est également déduite des campagnes d'essais de vieillissement au cours desquelles les batteries sont soumises à de multiples conditions standard (T, SOC, I). La capacité est mesurée à différents moments au cours des essais et les résultats sont utilisés pour calibrer la loi de dégradation empirique.
Cependant, chaque type de cellule suit une trajectoire de vieillissement différente, et la conduite d'une campagne de recherche peut être longue et coûteuse, car elle nécessite généralement des périodes d'essai de plus d'un an. En outre, l'applicabilité de la dégradation d'une cellule lors des essais en laboratoire au niveau du pack et du rack pendant les opérations réelles pose ses propres problèmes.
Les modèles hybrides avancés sont la solution
La solution de PowerUp est basée sur un certain nombre de "cellules de référence" que nous avons étudiées en profondeur et qui sont représentatives de la famille des batteries Li-ion. Le modèle que nous avons dérivé des campagnes de test est utilisé comme une première esquisse qui est ensuite affinée lors de chaque estimation SOH via une approche stochastique. Chaque nouveau point de données est utilisé pour continuer à développer la prédiction et l'enrichir d'indicateurs statistiques.
Figure 3. Correction stochastique de la RUL sur la base des données de surveillance
L'utilisation de cette boucle itérative facilite une meilleure adaptation de la prédiction aux cellules réelles utilisées dans l'actif et nous permet de prendre en compte la large gamme d'architectures de systèmes. Une fois les modèles correctement calibrés sur chaque actif, nous pouvons alors fournir des prévisions sur les performances de la batterie en fonction de différents scénarios opérationnels.
En parallèle, nous continuons à développer une base de données croissante de références qui alimente des modèles d'apprentissage automatique afin de pouvoir prédire la durée de vie restante des cellules. Ces prédictions améliorent notre approche traditionnelle et englobent toute l'expérience que nous avons avec de nombreux ensembles de données sur différents types d'opérations afin de garantir une prévision plus rapide et plus fiable.
Dans l'ensemble
Alors que nous nous aventurons dans l'avenir du stockage de l'énergie, il est essentiel d'exploiter le potentiel de la simulation de la dégradation des batteries. En exploitant la puissance de la modélisation avancée, nous pouvons libérer le plein potentiel des actifs des batteries et ouvrir la voie à un monde plus vert et plus efficace.
