Embedded integrated monitoring of the state of charge and health of storage batteries

Monitoring intégré embarqué de l’état de charge et de santé des batteries de stockage La demande croissante en batteries lithium-ion pour la mobilité verte nécessite une surveillance de l'état en temps réel et embarquée. Cette thèse propose un nouveau "modèle de boîte grise intelligent" (IGBM) pour combler ce vide. L'IGBM combine l'EEIS non invasive et les modèles de circuits équivalents multiphysiques (ECM) avec l'apprentissage automatique pour diagnostiquer l'état de charge (SOC) et l'état de température (SOT) des batteries en temps réel.Dans un premier temps, une analyse critique examine les techniques de caractérisation existantes et les limitations des systèmes embarqués. Un banc d'essai expérimental est ensuite développé pour l'acquisition de données en temps réel tenant compte des contraintes opérationnelles et d'intégration. À partir des données acquises, un modèle d'ordre fractionnaire capture la dynamique de la batterie, tandis qu'une nouvelle méthode d'optimisation hybride identifie efficacement les paramètres de l'ECM.L'IGBM exploite l'apprentissage automatique pour la détection sans capteur du SOT de cellules individuelles dans un pack et pour une meilleure estimation du SOC grâce au réseau Cross-BiLSTM amélioré. Contrairement aux modèles classiques de type "boîte noire", l'IGBM offre une amélioration significative des performances des modèles d'apprentissage automatique légers grâce à sa technique unique de réduction de la dimensionnalité et du bruit.Ce travail met en évidence la mise en oeuvre réussie de l'IGBM pour la détection du SOT en temps réel sur un microcontrôleur STM32 standard de l'industrie, démontrant la faisabilité d'exécuter des réseaux de neurones légers sur des appareils embarqués à ressources limitées.Cela ouvre la voie à des solutions fiables, précises et rentables de surveillance et de diagnostic de l'état des batteries embarquées.