Dans l'ensemble des installations de stockage d'énergie par batterie (BESS) à grande échelle en service, une part importante des pertes de performance et des risques opérationnels ne provient pas de défaillances majeures, mais d'anomalies quotidiennes qui passent inaperçues ou sont mal comprises.
Comme le montre notre analyse des actifs d'exploitation intitulée «Le coût réel des anomalies des systèmes de stockage d'énergie par batterie », l'impact cumulé de ces problèmes peut représenter près de 10 % de perte de chiffre d'affaires annuel, résultant à la fois d’une dégradation progressive et de pertes de disponibilité intermittentes.
Ces anomalies apparaissent souvent de manière progressive et restent en dessous des seuils détectables par les systèmes de surveillance traditionnels, ce qui pose un défi majeur :
Pourquoi est-il encore si difficile de modéliser avec précision le comportement des batteries dans des conditions réelles ?
1. Introduction
Dans le contexte d'une électrification à grande échelle, la compréhension et la prévision du comportement des batteries sont devenues un enjeu crucial, non seulement d'un point de vue technique, mais aussi sur les plans opérationnel et économique.
Malgré la disponibilité croissante des données et les progrès de l'intelligence artificielle, il reste difficile de modéliser avec précision les systèmes de batteries dans des conditions réelles. Cela s'explique par la combinaison de phénomènes électrochimiques complexes qui ne peuvent être appréhendés par les seules données, d'un comportement hétérogène des systèmes et de conditions d'exploitation variables d'un équipement à l'autre.
Cela a conduit à l'adoption généralisée de deux grandes approches de modélisation :
- modèles basés sur la physique
- modèles basés sur les données et l'intelligence artificielle (IA)
Si chaque approche offre des atouts importants, leurs limites apparaissent clairement lorsqu'elles sont utilisées isolément.
Ces défis sont communs tant aux systèmes stationnaires de stockage d'énergie par batterie (BESS) qu'aux flottes de véhicules électriques (VE), où la variabilité de l'utilisation, de l'environnement et du vieillissement complique encore davantage la modélisation précise.
Pour mieux comprendre ces défis, il est utile d'examiner les deux principales approches de modélisation utilisées aujourd'hui.
2. Modèles basés sur la physique: Indispensables maisincomplets
Les modèles basés sur la physique s'appuient sur la description des phénomènes électrochimiques sous-jacents au sein de la batterie (diffusion ionique, réactions aux électrodes, transport de charge, comportement thermique, etc.).
Une approche largement répandue consiste à modéliser les batteries à l'aide de modèles de circuits équivalents (ECM), qui offrent un bon compromis entre précision et complexité de calcul pour décrire le comportement en tension et thermique.
Leurs avantages et leurs limites sont décrits ci-dessous.
En conséquence, les approches purement basées sur la physique ont souvent du mal à rester précises et évolutives face à la variabilité et à la complexité des données d'exploitation réelles.
3. Modèles basés sur l'IA: Puissants mais fondamentalement limités
Les modèles basés sur l'IA apprennent directement à partir des données (mesures de courant, de tension et de température, historique de consommation, etc.) afin de prévoir les indicateurs clés de performance.
Leurs avantages et leurs limites sont décrits ci-dessous.
Dans la pratique, les approches reposant uniquement sur l'IA peuvent donner de bons résultats dans des conditions connues, mais elles perdent en fiabilité lorsqu'elles sont confrontées à de nouveaux environnements, aux effets du vieillissement ou à des événements rares mais critiques — en particulier lorsqu'elles ne s'appuient pas sur des principes électrochimiques.
4. IA fondée sur la physique : faire le lien entre les modèles et la réalité
Déploiementsdéploiements en conditions réelles mettent systématiquement mettent systématiquement la même conclusion : associer la physique et l'IA n'est pas facultatif, mais nécessaire.
- Les modèles basés sur la physique offrent une cohérence physique et une interprétabilité.
- L'IA permet l'adaptation aux données du monde réel et au comportement des systèmes complexes.
Cette convergence a conduit à l'émergence de des approches d'intelligence artificielle fondées sur la physique .
Cette complémentarité n'est pas seulement théorique ; elle se traduit directement par des avantages opérationnels mesurables.
5. De la physique à l'IA : le rôle de l'apprentissage par transfert
Dans la pratique, l'intégration entre les modèles basés sur la physique et l'IA n'est pas seulement conceptuelle: elle est opérationnelle. L'un des principaux mécanismes permettant cette interaction est l'apprentissage par transfert.
Les approches de modélisation hybride suivent souvent un processus en trois étapes :
1. Pré-entraînement basé sur la physique
Des modèles physiques et des données de laboratoire sont utilisés pour générer des ensembles de données structurés et de haute qualité qui reflètent les comportements électrochimiques connus.
2. Transfert de connaissances
Les modèles d'IA sont initialisés à partir de ces données fondées sur la réalité physique, ce qui leur permet d'intégrer des contraintes essentielles telles que la réponse en tension attendue, la dynamique thermique et les tendances de dégradation.
3. Mise au point en conditions réelles
Le modèle est ensuite adapté à l'aide de données opérationnelles, ce qui lui permet de prendre en compte les effets spécifiques au site, le bruit de mesure et les phénomènes qui n'avaient pas été modélisés auparavant, tout en tout en cohérent avec principes .
Cette approche offre un avantage décisif : le modèle n'apprend pas à partir de zéro, mais part d'une base physiquement significative et l'affine à partir d'observations du monde réel.
En conséquence, l'apprentissage par transfert réduit considérablement les besoins en données, améliore la robustesse et permet un déploiement plus rapide sur l'ensemble des actifs.
Il est important de noter que ce processus repose sur une modélisation électrochimique précise et sur des données de laboratoire validées. Sans ces bases, les modèles fondés sur les données risquent d’apprendre des corrélations trompeuses plutôt que le véritable comportement des batteries, ce qui limite leur fiabilité dans des conditions réelles.
6. Cas d'utilisation
Un exemple concret illustre l'efficacité de cette approche hybride dans des conditions réelles : PowerUp a développé un jumeau numérique thermique à partir d'un modèle électrothermique associé à l'apprentissage automatique. Cette approche combine la modélisation physique et un étalonnage continu basé sur les données, ce qui permet de détecter les premiers signes de problèmes de gestion thermique.
Dans les systèmes de stockage stationnaires (BESS), les anomalies thermiques sont fréquentes et peuvent :
- accélérer le vieillissement
- nuire aux performances
- provoquer des arrêts de sécurité et créer des risques pour la sécurité
Le modèle hybride modèle permet :
- détection précoce des anomalies thermiques avant qu'elles n'aient d'impact sur la disponibilité ou la sécurité
- adaptation permanente aux conditions réelles d'exploitation
- besoins en données réduits, environ deux semaines de fonctionnement suffisant pour initialiser le modèle.
Cet exemple illustre une exigence fondamentale pour l'analyse avancée des batteries : la combinaison de modèles fondés sur la physique, l'adaptation aux données du monde réel et un déploiement évolutif.
Une telleapprochepeut peuventpas être élaboréesà partir des seules données : elles nécessitent une expertise .et et vvalidé tests de laboratoire validés pour garantir fiabilité. across conditions de fonctionnement.
FPour plus d'informations, consultez: Protection du stockage par batterie : détection HVAC basée sur l'IA – PowerUp.
7. Conclusion
À mesure que les systèmes de batteries ne cessent de gagner en taille, en complexité et en importance économique, les limites des approches fondées uniquement sur les données ou sur la physique deviennent de plus en plus évidentes.
Les meilleures analyses de batteries ne se définissent pas uniquement par les capacités de l'IA, mais par la capacité à intégrer la physique, les données et la validation en conditions réelles dans un cadre de modélisation unifié.
Les approches hybrides, communément appelées « intelligence artificielle fondée sur la physique », constituent une étape décisive dans cette direction, car elles permettent d'obtenir des informations plus précises, plus interprétables et plus pertinentes sur le plan opérationnel.
En fin de compte, cette convergence est essentielle pour améliorer les performances, la sécurité et la durée de vie des batteries lithium-ion, tant dans les systèmes de stockage stationnaires que dans les applications de mobilité électrique.
