Développement d’algorithmes adaptatifs embarqués et débarqués du système de gestion batterie pour l’estimation des états de la batterie en usage automobile

Development of embedded and off-line adaptive algorithms of the battery management system for estimating the states of the battery in automotive use

• Auteur / Autrice : Kodjo Mawonou
• Direction : Didier Dumur
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 23/06/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des signaux et systèmes (Gif-sur-Yvette, Essonne ; 1974-....)
• Partenaire(s) de recherche : Référent : CentraleSupélec (2015-....)
• Jury : Président / Présidente : Said Mammar
• Jury : Examinateurs / Examinatrices : Michel Basset, Jean-Michel Vinassa, Xuefang Lin-Shi, Marie-Cécile Péra, Akram Eddahech
• Jury : Rapporteurs / Rapporteuses : Michel Basset, Jean-Michel Vinassa

Mots clés

Mots clés contrôlés

Automobiles -- Matériaux -- Fatigue

Batteries

Automobiles électriques

Kalman, Filtrage de

Mots clés libres

Estimation d'état

Filtre de Kalman

Modèle d’ordre fractionnaire

Batterie lithium-ion

Système de gestion de batterie

Vieillissement

State estimation

Kalman filter

Fractional order model

Lithium-ion batteries

Battery management system

Aging factors

Résumé

Les aspects environnementaux prennent une part croissante dans les préoccupations des pouvoirs publics et de l’opinion. Dans ce contexte les constructeurs automobile doivent y répondre en proposant des véhicules ayant un respect de l’environnement toujours plus important. Ces travaux de thèse s’inscrivent dans le développement de véhicules électriques (VEs). L’énergie des véhicules électriques et hybrides est stockée dans des batteries constituées de nombreuses cellules électro-chimiques (souvent lithium-ion) connectées les unes aux autres en série et en parallèle. Ces cellules nécessitent une étroite surveillance pour assurer un fonctionnement sécurisé des VEs. Cette fonction est assurée dans le véhicule par le système de gestion de batterie (BMS).Dans la première partie de la thèse, nous étudions les solutions de réduction de la charge de calcul du BMS lorsque de nombreuses cellules sont utilisées. Pour augmenter la précision de l’estimation de l’état de charge (SoC), nous avons étudié et implanté un estimateurs d’état à base d’un modèle d’ordre fractionnaire.La deuxième partie de l’étude est consacrée au vieillissement des batteries Li-ion. Tout d’abord nous avons établi des nouveaux indicateurs de vieillissement. Puis à l’aide des données recueillies pendant l’utilisation des VEs, nous avons mise au point un estimateur d’état de santé (SoH) par apprentissage. L’apprentissage est effectué en fonction des comportements des utilisateurs des VEs.Pour finir, nous fournissons un outil de classification des facteurs aggravant du vieillissement.

Environmental issues are increasingly concerning to public opinion and authorities. Accordingly, Automobile manufacturers have to propose more environmental friendly vehicles. This thesis project goes to the general scope of battery-driven vehicles. The energy of the electric and hybrid vehicles is stored in batteries pack made of numerous electrochemical cells. Lithium-ion cells are the most commonly used, and are one another connected in series and parallel. These batteries packs, require an enhanced surveillance assured by a dedicated controller called Battery ManagementSystem (BMS).The first part of the work deals with computational burden reductionin the BMS when several battery cells are utilized in battery packs. To improvethe precision of batteries state of charge (SoC) estimation, we have studied and implemented a fractional order model (FOM) based state estimator for Li-ionbatteries.The second part of the study is dedicated to Li-ion batteries health management. First, new state of health (SoH) indicators were designed. Furthermore, a datadriven SoH predictor was designed using EVs data collected over time. The model training was conducted based on extracted user’s behaviors. Finally, a tool is provided for ageing factors ranking