MI-SOH : un modèle de dépendance multi-indicateurs pour l’estimation de l’état de santé des batteries lithium‑ion

Pourquoi une meilleure connaissance de la santé des batteries compte

Les voitures électriques et les systèmes de stockage d’énergie domestique reposent de plus en plus sur des batteries lithium‑ion. Pourtant, comme toutes les batteries, elles s’usent progressivement. Savoir précisément à quel point une batterie est « en bonne santé », bien avant qu’elle ne tombe en panne, est crucial pour la sécurité, le coût et la commodité. Cet article présente une nouvelle méthode pour estimer la santé des batteries qui examine de nombreux signaux simultanément et apprend comment leurs relations évoluent avec l’âge de la batterie, promettant une surveillance plus précise et robuste pour une utilisation réelle.

Voir la santé de la batterie comme autre chose qu’un seul chiffre

L’état de santé d’une batterie, souvent appelé state‑of‑health, décrit la quantité d’énergie utile qu’une batterie peut encore stocker par rapport à son état neuf. Les méthodes traditionnelles reposent sur des mesures en laboratoire, comme la résistance interne ou des tests électrochimiques détaillés, qui sont précis mais coûteux et difficiles à réaliser en continu dans une voiture. Les méthodes récentes, basées sur les données, surveillent des mesures simples telles que la tension, le courant et la température pendant les charges courantes, et utilisent l’apprentissage automatique pour estimer la santé. Cependant, la plupart de ces approches se concentrent soit sur un seul indicateur, soit traitent plusieurs indicateurs comme si leur importance ne changeait jamais, alors que le comportement de la batterie évolue clairement au fil de sa vie.

Écouter de nombreux signaux de batterie en même temps

Les auteurs montrent que les signaux clés de la batterie ne conservent pas des relations fixes entre eux au fur et à mesure que la batterie vieillit. Par exemple, l’importance d’une caractéristique liée au temps de charge par rapport à un pic dans une courbe diagnostique peut chuter fortement en fin de vie, tandis que certaines paires liées à la tension peuvent passer d’une corrélation faiblement négative à une corrélation fortement positive. Pour gérer ce paysage changeant, ils proposent MI‑SOH, un cadre qui combine huit indicateurs de santé différents extraits des données de charge, notamment la durée des phases à courant constant et à tension constante, la rapidité des variations de tension et de courant, l’échauffement de la cellule, et les caractéristiques d’un pic d’incrément de capacité qui reflète la chimie interne. Une étape de pondération particulière mixe deux formes d’analyse de corrélation afin que le modèle puisse mettre l’accent sur les indicateurs les plus informatifs et atténuer ceux qui deviennent moins fiables aux différents stades de vieillissement.

Apprendre au modèle à suivre le temps et les interactions

Une fois les indicateurs pondérés, MI‑SOH les alimente dans un réseau de convolution temporelle qui excelle à repérer des motifs dans le temps, depuis des cycles de charge uniques jusqu’aux tendances d’affaiblissement sur le long terme. Contrairement aux réseaux récurrents traditionnels, cette architecture se calcule efficacement et évite les écueils courants d’entraînement. La sortie est ensuite transmise à un module « transformer » inversé, qui renverse la perspective habituelle : au lieu de se focaliser sur chaque instant, il considère chaque indicateur comme un « canal » séparé et apprend comment ces canaux s’influencent mutuellement sur l’ensemble de l’historique. Cela permet au modèle de capturer la manière dont tension, courant, température et caractéristiques d’incrément de capacité reflètent conjointement l’usure interne de la batterie.

Trouver automatiquement les meilleurs réglages

Les modèles profonds modernes comportent de nombreux hyperparamètres — par exemple le nombre de couches ou leur largeur — qui influent fortement sur les performances. Les régler manuellement ou les parcourir systématiquement est fastidieux et souvent impraticable. Les auteurs ajoutent donc une couche d’optimisation inspirée du comportement de groupe des zèbres, qui cherche de bonnes combinaisons de ces réglages en alternant entre « recherche » (affiner les candidats prometteurs) et « défense » (explorer de nouvelles régions). Ce tuner automatisé configure les blocs temporels et transformer, ainsi que les paramètres d’entraînement comme le taux d’apprentissage et la taille de lot, de sorte que MI‑SOH s’adapte à différents types de batteries et conditions d’utilisation sans essais‑erreurs exhaustifs.

Ce que disent les tests sur des batteries réelles

L’équipe a évalué MI‑SOH sur deux jeux de données publics largement utilisés : les cellules cylindriques de la NASA et les cellules prismatiques du CALCE, qui diffèrent par la chimie, la taille et la durée de vie. Dans les deux cas, leur méthode a suivi l’état de santé des batteries plus précisément que plusieurs solides références, incluant des modèles temporels autonomes, des transformers autonomes, et une simple combinaison des deux sans pondération adaptive ni réglage automatisé. En moyenne, MI‑SOH a réduit les erreurs de prédiction d’environ un tiers à trois quarts par rapport à ces alternatives, tout en conservant une très forte concordance avec la capacité mesurée réelle sur des centaines de cycles. Des tests d’ablation — où des composants individuels sont retirés — ont confirmé que chaque bloc (pondération adaptive, modélisation temporelle, attention croisée entre indicateurs et optimisation automatisée) contribue de manière significative à la précision finale.

Conclusions claires pour la technologie de tous les jours

Pour le lecteur non spécialiste, le message clé est que la santé d’une batterie se comprend mieux non pas à partir d’un seul chiffre ou d’une règle fixe, mais à partir d’un motif changeant composé de nombreux signaux qui évoluent avec l’âge de la cellule. MI‑SOH saisit cette complexité en apprenant quels signaux importent le plus à chaque stade de vie, comment ils évoluent dans le temps et comment ils s’influencent mutuellement. Le résultat est un outil pratique, fondé sur les données, pouvant être intégré aux systèmes de gestion de batterie des véhicules électriques et des systèmes de stockage d’énergie. En fournissant des estimations de santé plus précises et fiables, il peut aider à prévenir les pannes inattendues, prolonger la durée de vie des batteries et réduire le coût et le risque globaux des transports électrifiés et des systèmes énergétiques renouvelables.

Citation: Zhuo, S., Zou, F., Liao, L. et al. MI-SOH: a multi-indicator feature dependency model for lithium-ion battery state-of-health Estimation. Sci Rep 16, 12309 (2026). https://doi.org/10.1038/s41598-026-39986-3

Mots-clés: santé des batteries lithium‑ion, estimation de l’état de santé, diagnostic des batteries, modélisation des batteries par données, batteries de véhicules électriques