Estimation en ligne des grandeurs thermodynamiques pour l'analyse de l'état de santé et de la composition des batteries lithium-ion

par Sohaïb El outmani

Thèse de doctorat en Signal image parole telecoms

Sous la direction de Olivier Sename.


  • Résumé

    Les batteries rechargeables et notamment les batteries Li-Ion sont déjà présentes dans une multitude d'applications parmi lesquelles on peut citer le stockage d'énergie éolienne ou solaire, les téléphones portables, les avions et les automobiles. Dans ce dernier secteur, la part de marché des véhicules hybrides ou électriques devrait bondir de 1% à 30% dans les prochaines années, les batteries vont donc connaître un essor sans précédent. Dans toutes ces applications, le diagnostic des batteries représente un enjeu majeur en termes de performance et de sécurité. L'actualité est riche d'exemples de problèmes de surchauffe, voire d'incendie ou d'explosion de batteries. Il est donc primordial de développer des outils qui permettent de mieux diagnostiquer l'état des batteries, et notamment l'état de santé des batteries. On sait qu'il existe un lien entre l'état interne d'une batterie et les grandeurs thermodynamiques qui lui sont associées, en particulier la variation d'entropie. En effet, il a été observé que les profils thermodynamiques présentent une dépendance avec certaines caractéristiques de la batterie. Ces profils dépendent du vieillissement par charge-décharge, du vieillissement par surcharge et du vieillissement thermique. Ils dépendent aussi de la composition chimique de la batterie. Une connaissance des données thermodynamiques est donc une riche source d'informations sur l'état et le passé d'une batterie. A partir de ce constat, trois contributions majeures ont été apportées dans cette étude. La première contribution est la détermination des éléments chimiques d'une cellule lithium-ion. La connaissance des éléments composants les électrodes d'une cellule peut jouer un rôle critique dans l'évaluation de la qualité à différentes étapes du processus de fabrication. De plus, pour une deuxième vie des cellules de batterie, il est également important de connaître les caractéristiques de la batterie, telles que sa composition, pour pouvoir les assembler en pack. Nous proposons une nouvelle approche pour déterminer la composition chimique d'une cellule. Cette méthodologie consiste à mesurer des profils thermodynamiques de différentes cellules. Ensuite par apprentissage, des algorithmes de Machine Learning reconnaissent la composition chimique des batteries à partir de ces profils. Le travail effectué dans le cadre de cette étude est surtout une première approche qui nécessite des approfondissements. La deuxième contribution est l'estimation de l'état de santé (SOH). L'état de santé de la batterie est un paramètre clé, car il contrôle l'énergie et les performances de la batterie, ainsi que son cycle et sa durée de vie. Une évaluation précise du SOH est très importante pour la performance et la prévision de la durée de vie. Dans ce travail, nous avons développé une nouvelle méthode pour évaluer le SOH de la batterie par analyse de profil de variation d'entropie ∆S. Une relation entre ∆S et SOH est ensuite établie par des algorithmes de Machine Learning. La dernière contribution est l'estimation des grandeurs thermodynamiques en temps réel. Il est apparu nécessaire de développer une méthodologie d'estimation in-situ et en temps réel des grandeurs thermodynamiques d'une cellule lithium-ion. Cela permettra d'augmenter l'intérêt de la mesure thermodynamique dans le domaine de la batterie. En effet la méthodologie existante de référence est longue, il faut plusieurs jours/semaines pour obtenir les profils thermodynamiques. Nous proposons une approche d'identification de système pour estimer la variation d'entropie. Cela nous permet d'accéder aux valeurs thermodynamiques rapidement et de les mettre à jour pendant l'utilisation de la cellule.

  • Titre traduit

    On-line estimation of thermodynamic properties for Lithium-Ion battery state of health and composition analysis


  • Résumé

    Rechargeable batteries and especially Li-Ion batteries are already present in a multitude of applications among which we can mention the storage of wind or solar energy, mobile phones, airplanes and automotive. In the latter sector, since the market share of hybrid or electric vehicles is expected to increase from 1% to 30% in the coming years, batteries will experience unprecedented growth. In all these applications, battery diagnosis represents a major challenge in terms of performance and safety. The news is full of battery issue examples: overheating, fire or even explosion. It is therefore essential to develop tools that provide a better diagnose of the state of the batteries, and in particular the state of health. There is a relationship between the internal state of a battery and the thermodynamic quantities associated with it, in particular the entropy variation. Indeed, it has been observed that the thermodynamic profiles are dependent on some battery characteristics. These profiles depend on cycle, overcharge and thermal ageing. They also depend on the chemical composition of the battery. A knowledge of thermodynamic data is therefore a valuable source of information on the state and the past of a battery. From this observation, three major contributions have been done in this study. The first contribution is the determination of a lithium-ion cell chemical elements. Electrode cell components can play a critical role in assessing quality at different stages of the manufacturing process. In addition, for a second life of battery cells, it is important to know the battery characteristics, such as its composition, to be able to assemble them in battery packs. We propose a new approach to determine the chemical composition of a cell. This methodology consists of measuring thermodynamic profiles of different cells. Then by training, machine learning algorithms recognize the chemical composition of the batteries from these profiles. The work done in this study is a first approach that requires confirmation. The second contribution the state of health (SOH) estimation. The battery state of health is a key parameter because it controls the energy and performance of the battery, as well as its cycle and its life. An accurate assessment of SOH is very important for life performance and prediction. In this work, we have developed a new methodology to evaluate the SOH of the battery by entropy variation (ΔS) profile analysis. A relationship between ΔS and SOH is then established by Machine Learning algorithms. The last contribution is the real-tie estimation of battery cell thermodynamic quantities. It has become necessary to develop a methodology for in-situ and real-time estimation of lithium-ion cell thermodynamic quantities. This will emphasize the interest of the thermodynamic measurement in the battery field. Indeed the existing standard methodology is long, it takes several days / weeks to obtain the thermodynamic profiles. We propose a system identification approach to estimate entropy variation. This allow us to access the thermodynamic value quickly and to update it while the cell is in use.