Comprendre la capacité de la batterie :
Quelles sont les questions clés à poser ?
La durée de vie moyenne d'une batterie est de l'ordre de 10 ans. Mais ses performances resteront-elles constantes pendant toute sa durée de vie ? Quels développements peut-on attendre ?
Pourquoi est-il plus difficile que prévu d'obtenir une estimation précise de la durée de vie utile restante d'une batterie ?
Quels avantages tangibles les outils de prédiction fiables peuvent-ils apporter ?
Dans le paysage dynamique de la technologie des batteries, la fiabilité et les performances des actifs de batterie sont des facteurs essentiels pour les développeurs et les opérateurs. La dégradation de la batterie, qui englobe la perte graduelle de capacité et de performance au fil du temps, pose un défi important. Cependant, avec l'avènement d'outils de modélisation avancés, nous avons maintenant les moyens de prédire et de comprendre avec précision la dégradation de la batterie, ce qui nous permet d'optimiser la conception des actifs, de mettre en œuvre des stratégies de maintenance prédictive rationalisées et de prendre des décisions éclairées concernant la seconde vie.
Dans cet article, nous explorerons les avantages considérables de l'utilisation de ces outils.
Du diagnostic à la prédiction
La SOH (State of Health - État de Santé) et la prédiction de la durée de vie sont deux approches distinctes qui fournissent des informations précieuses sur les performances d'une batterie. La SOH indique la capacité disponible à un moment donné – voir la partie 1 de l'article, tandis que la prédiction de la durée de vie estime la capacité à un moment futur.
La prédiction de la SOH est de la plus haute importance pour plusieurs raisons :
Construire un actif mesuré et durable
La prévision de la dégradation de la batterie n'est pas simplement une option ; elle est devenue une nécessité pour les développeurs et les opérateurs dans leur quête de construction d'actifs de batterie à haute performance. Ces actifs nécessitent une base solide qui peut résister aux rigueurs de l'utilisation réelle et offrir une valeur à long terme au coût initial CAPEX le plus bas. Des outils de prédiction 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 actifs de batterie, sélectionner les chimies appropriées et déterminer les conditions de fonctionnement adéquates. Des prédictions précises de la dégradation de la batterie permettent aux parties prenantes d'affiner leurs conceptions, afin de garantir une performance optimale 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 actifs de batterie en toute confiance, sachant qu'ils répondront aux attentes en matière de performance.
Figure 1. Prédictions de la durée de vie utile restante (RUL) dans différents scénarios d'utilisation pour la conception des actifs
Maximiser et prolonger la durée de vie des actifs
La maintenance prédictive est devenue un élément déterminant dans la gestion des actifs, permettant aux développeurs et aux opérateurs de minimiser les temps d'arrêt, d'optimiser les calendriers de maintenance et de prolonger la durée de vie des actifs de batterie. Les outils de modélisation avancés sont essentiels à la mise en œuvre de stratégies de maintenance prédictive efficaces et à la prise de décisions éclairées.
Lorsqu'ils sont utilisés avec des données de batterie granulaires, ces outils de modélisation aideront à détecter le vieillissement accéléré des modules individuels ou des blocs-batteries qui peuvent limiter les performances de l'actif dans son ensemble. De plus, ce type de surveillance permet de détecter les points de genou, qui font référence à une baisse soudaine et importante de la capacité de la batterie. En identifiant avec précision les points de genou 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, ils permettront de modifier le mix de services pendant les opérations avec une connaissance claire de l'impact sur la durée de vie de l'actif afin de cibler en permanence le meilleur compromis entre l'utilisation et la dégradation de la capacité. La maintenance prédictive réduit les coûts, améliore l'efficacité opérationnelle et garantit que les actifs de batterie fonctionnent au mieux de leurs capacités pendant des périodes prolongées.
Figure 2. Simulation RUL dans différents scénarios d'utilisation pour l'optimisation des actifs
Autonomiser la seconde vie et la monétisation des actifs
Les actifs de batterie ont souvent une durée de vie restante importante, même après leur première utilisation. À titre d'exemple, la fin de vie (EOL) d'une batterie d'eBus survient lorsqu'elle atteint environ 80 % de sa capacité initiale. La réaffectation des batteries à 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, la prise de décisions éclairées concernant la seconde vie nécessite une compréhension approfondie de la dégradation de la batterie.
Les outils de modélisation avancés fournissent des informations cruciales sur la capacité restante et les performances des batteries après leur cycle de vie principal. En simulant différents scénarios de fonctionnement, les développeurs et les opérateurs peuvent déterminer la faisabilité et la rentabilité de la réaffectation des batteries à une seconde vie au lieu de conserver l'application de cyclage en cours. Ces connaissances permettent aux décideurs de faire des choix éclairés, optimisant ainsi la valeur et l'impact environnemental de leurs actifs.
Les prédictions, un art complexe
Bien que les outils de simulation de la dégradation de la batterie offrent des informations précieuses, 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 afin de prendre des décisions éclairées et de définir des attentes réalistes.
Modèles physiques comme première approche
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, tailles des particules, porosité) et de la manière dont ils ont été traités, ce qui est fortement protégé par les fabricants. Les batteries sont des objets profondément complexes et, même avec ces connaissances, il serait difficile de modéliser chaque interaction physico-chimique.
Cependant, il est 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 et à une expertise spécialisées. De plus, le coût peut devenir prohibitif lorsque les calculs s'appliquent sur de longues périodes (comptées en années pour les prédictions de durée de vie) et sur de grands actifs, ce qui le rend moins intéressant pour les applications de terrain en évolution rapide.
Les modèles empiriques peuvent aider
À titre de solution de contournement, l'évolution des performances de la batterie est également déduite de campagnes de tests de vieillissement où les batteries sont cyclées dans de multiples conditions standard (T, SOC, I). La capacité est mesurée à différents moments pendant les tests et les résultats sont utilisés pour calibrer la loi empirique de dégradation.
Cependant, chaque type d'élément suit un chemin de vieillissement différent, et la réalisation d'une campagne de recherche peut prendre du temps et être coûteuse, car elle nécessite généralement des périodes de test de plus d'un an. De plus, l'applicabilité de la dégradation d'un élément lors des tests en laboratoire au niveau du pack et du rack pendant les opérations réelles pose ses propres défis.
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 de manière approfondie et qui sont représentatives de la famille des batteries Li-ion. Le modèle que nous avons dérivé des campagnes de tests est utilisé comme première ébauche, qui est ensuite affinée lors de chaque estimation de SOH via une approche stochastique. Chaque nouveau point de données est utilisé pour continuer à développer la prédiction et à l'enrichir d'indicateurs statistiques.
Figure 3. Correction stochastique de la RUL basée sur les données de surveillance
L'utilisation de cette boucle itérative facilite un meilleur ajustement de la prédiction aux cellules réelles utilisées dans l'actif et nous permet de prendre en compte le large éventail d'architectures de système. Une fois les modèles correctement calibrés sur chaque actif, nous pouvons alors fournir des prédictions sur les performances de la batterie compte tenu de différents scénarios opérationnels.
En parallèle, nous continuons à développer une base de données de références croissante qui alimente les 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 acquise avec de nombreux ensembles de données sur différents types d'opérations afin de garantir une prévision plus rapide et plus fiable.
Le diagnostic et la prédiction de la capacité de la batterie : conclusion
Alors que nous nous aventurons dans l'avenir du stockage d'énergie, il est essentiel d'embrasser le potentiel de la simulation de la dégradation des batteries. En exploitant la puissance de la modélisation avancée, nous pouvons libérer tout le potentiel des actifs de batterie et ouvrir la voie à un monde plus vert et plus efficace.
