Évaluer l’impact des méthodes d’estimation de la tension en circuit ouvert sur la performance de l’UKF pour l’estimation de l’ECS et de l’ESR des batteries lithium‑ion

Pourquoi des jauges de batterie meilleures comptent

Quiconque conduit une voiture électrique, utilise un smartphone ou dépend d’un stockage d’énergie domestique se fie à un petit nombre affiché à l’écran : combien d’énergie reste‑t‑il et dans quel état d’usure se trouve la batterie. Derrière cette interface simple se cache un problème d’estimation complexe. Cet article examine un élément clé de ce casse‑tête — la façon dont on modélise la relation entre la tension de repos d’une batterie et son niveau de charge — et montre que le choix de la méthode peut rendre les « jauges de batterie » embarquées plus rapides, plus précises et meilleures pour suivre la santé à long terme.

Deux manières d’écouter une batterie

Pour estimer le taux de charge d’une batterie lithium‑ion, les ingénieurs s’appuient sur une courbe qui relie la tension en circuit ouvert (la tension mesurée après repos) à l’état de charge (SOC). Les auteurs étudient deux méthodes courantes pour construire cette courbe. La méthode à faible courant (LC) charge et décharge doucement la cellule avec un courant très faible de sorte que la tension mesurée se rapproche de la valeur de repos. Cette procédure est simple mais tend à lisser les variations brusques de la courbe. La méthode par courants incrémentaux (IC), au contraire, utilise de courtes impulsions de courant à de nombreux niveaux de charge, séparées par des périodes de repos. Cela demande plus d’effort expérimental mais capture des détails plus fins là où la tension varie rapidement avec la charge, ce qui s’avère crucial pour une estimation précise.

Relier les courbes aux estimateurs intelligents

Les systèmes modernes de gestion de batterie utilisent de plus en plus des algorithmes d’estimation avancés, comme le filtre de Kalman unscented (UKF), pour inférer en temps réel des grandeurs cachées telles que le SOC et l’état de santé (SOH). Les auteurs combinent ces algorithmes avec un modèle électrique simple mais largement utilisé — un « circuit équivalent » de la cellule : une source de tension dépendant du SOC, une résistance série principale et une branche résistance‑condensateur capturant les effets transitoires. Dans ce modèle, ils injectent soit la courbe tension‑charge basée sur LC, soit celle basée sur IC, puis évaluent dans quelle mesure chaque version permet à l’UKF de suivre le SOC et la résistance série R0, qu’ils utilisent comme indicateur pratique de vieillissement.

Tests dans des conditions de conduite réelles

Plutôt que de se limiter à des cycles de laboratoire doux, l’étude soumet le modèle à un profil de conduite très dynamique proche d’une conduite automobile, connu sous le nom de FUDS. Le courant alterne rapidement entre charge, décharge et phase neutre, ressemblant de près au trafic urbain. En utilisant des jeux de données publics de la NASA et du dépôt CALCE, les chercheurs montrent d’abord que la capacité et la résistance interne de la batterie évoluent ensemble sur de nombreux cycles, ce qui soutient l’idée que R0 est un marqueur de santé utile. Ils laissent ensuite l’UKF fonctionner avec les deux courbes tension‑charge, en comparant ses estimations de SOC, la tension terminale prédite et la R0 suivie à un modèle de référence détaillé, en utilisant des mesures d’erreur standard sur l’ensemble du trajet.

Des estimations plus rapides et plus nettes grâce à un détail plus fin

Les résultats favorisent nettement la méthode plus détaillée IC. Lorsque l’UKF part d’une incertitude initiale aléatoire, la courbe basée sur IC donne des erreurs moyennes de SOC plus faibles et une meilleure reconstruction de la tension de la batterie, tout en conservant la même charge de calcul que la version LC. Lorsque les auteurs infligent délibérément au filtre une grosse erreur initiale sur le SOC — en le démarrant à 65 % alors que la batterie est en réalité à 80 % — le contraste est marqué : avec la courbe IC, l’estimation revient à la bonne valeur en moins de dix pas de temps ; avec la courbe LC, il faut plus de 200 pas. Ce comportement s’explique par une idée simple : là où la pente de la courbe tension‑charge est plus forte, de petites discordances de tension contiennent plus d’information, si bien que le filtre peut corriger le SOC de façon plus décisive.

Lire le vieillissement de la batterie en temps réel

Pour l’estimation de la santé, l’UKF reconstruit en continu la résistance interne R0 à partir du courant et de la tension mesurés. Les auteurs lissent ensuite ce signal avec une moyenne mobile et examinent sa tendance à long terme. Avec la courbe basée sur LC, la résistance estimée saute et oscille, surtout lors de variations rapides du courant, alors que la vraie résistance physique ne peut pas changer aussi vite. Un tel bruit numérique pourrait déclencher de fausses alertes dans un système de gestion. Avec la courbe IC, R0 évolue beaucoup plus en douceur et présente une tendance de hausse plus réaliste et graduelle, offrant une image plus propre du vieillissement progressif sans sacrifier la réactivité aux changements réels.

Ce que cela signifie pour les batteries du quotidien

En termes clairs, l’étude montre qu’une carte tension‑charge plus informative rend le « cerveau » du système de gestion de batterie plus intelligent. L’utilisation de la courbe basée sur courants incrémentaux permet à l’UKF de retrouver rapidement le vrai niveau de charge, d’ignorer les mauvaises hypothèses initiales et de suivre la résistance interne de façon stable sous des profils de conduite réels. Comme l’effort supplémentaire concerne principalement la caractérisation en laboratoire une fois pour toutes, plutôt que le calcul embarqué, les fabricants peuvent adopter l’approche IC sans complexifier l’électronique de bord. Le gain se traduit par des estimations d’autonomie plus fiables, une opération plus sûre et de meilleures alertes précoces du vieillissement des batteries dans les véhicules électriques et autres dispositifs de stockage d’énergie.

Citation: Mikhak-Beyranvand, M., Salehi, M. & Mohammadkhani, M.A. Assessing the impact of open-circuit voltage estimation methods on UKF performance for lithium-ion battery SOC and SOH estimation. Sci Rep 16, 7605 (2026). https://doi.org/10.1038/s41598-026-38846-4

Mots-clés: batteries lithium‑ion, estimation de l’état de charge, surveillance de l’état de santé des batteries, filtre de Kalman, batteries de véhicules électriques