Apprentissage automatique pour l'estimation de l'état de charge des batteries

Zilali, Abderrahim (2025). Apprentissage automatique pour l'estimation de l'état de charge des batteries. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 83 p.

PDF Télécharger (7MB) | Prévisualisation

Résumé

RÉSUMÉ : Ce mémoire se concentre sur l'implémentation des techniques d'apprentissage automatique pour l'estimation de l'état de charge (SOC) des batteries, en particulier pour les batteries lithium-ion. L'estimation de l'état de charge est difficile, car il s'agit d'un paramètre qui ne peut pas être mesurée directement, mais qui doit être déduite à partir d'autres quantités comme la tension de la batterie, le courant débité et la température de surface. Ce travail vise à investiguer l'implémentation des méthodes d'apprentissage automatique pour estimer l'état de charge des batteries lithium-ion dans des conditions de charge dynamiques à différentes températures ambiantes. En particulier, il envisage l'estimation à basse température connues par ses défis majeurs en raison de l'altération des comportement électrochimique et dynamique de la batterie sous l'effet du froid. Deux modèles d'apprentissage automatique sont proposés pour l'estimation, C-BLSTM-AE et CatBoost. Le premier, C-BLSTM-AE, repose sur une architecture hybride d'apprentissage profond. Il prend en entrée une séquence de mesures et prédit la valeur du SOC à la fin de cette séquence Cette architecture est conçue pour capturer les dépendances spatio-temporelles, permettant ainsi de révéler les motifs complexes présents dans les séquences d'entrée. Le second modèle, CatBoost, utilise une approche basée sur les arbres de décision. Il prédit le SOC correspondant à un vecteur de mesures en s'appuyant sur une technique d'apprentissage par ensemble. Cette méthode consiste à corriger de manière séquentielle les erreurs commises par les arbres de décision, améliorant ainsi la précision des prédictions. Afin d'optimiser le choix des hyperparamètres des algorithmes proposés, des expériences détaillées ont été menées qui prennent en compte la température ambiante lors des tests ainsi que la taille des données. Pour déterminer les valeurs optimales des hyperparamètres pour chaque modèle, la stratégie de Grid Search a été suivie. Grid Search consiste à explorer de manière exhaustive la grille de combinaisons d'hyperparamètres. Chaque combinaison est évaluée lors de l'étape de test. Les résultats de ce mémoire mettent en évidence le potentiel de l'apprentissage automatique à estimer avec précision le SOC sans recourir à la modélisation physique de la batterie ni à la prise en compte de sa chimie. Le modèle C-BLSTM-AE atteint une erreur absolue moyenne (MAE) de 0,52 % dans des conditions de température ambiante fixe et une MAE de 1,03 % pour des températures variables. Le modèle CatBoost, quant à lui, atteint une MAE de 0,69 % dans les températures fixes et une MAE de 1,09 % dans les températures variables. De plus, il souligne l'influence de la température ambiante sur la qualité de l'estimation, montrant que la précision se dégrade à mesure que l'on se rapproche de conditions climatiques froides. Le bilan sur la performance est établi, concluant que le modèle C-BLSTM-AE surpasse le modèle CatBoost en termes de précision, les estimations produites par le modèle CatBoost présentent davantage de fluctuations et de volatilité, tandis que celles du modèle C-BLSTM-AE sont plus stables et suivent de manière cohérente l'évolution réelle de l'état de charge. Un autre aspect à considérer est la rapidité de calcul. Le modèle C-BLSTM-AE demande un temps de rétro-propagation significatif, ce qui prolonge le temps de calcul sur CPU. Ainsi, l'entraînement du modèle C-BLSTM-AE a pris plusieurs milliers de secondes en CPU. En revanche, l'entraînement du modèle CatBoost a été bien plus rapide, nécessitant seulement quelques dizaines de secondes. -- Mot(s) clé(s) en français : batteries Li-ion, état de charge, SOC, intelligence artificielle, apprentissage automatique. --
ABSTRACT : This thesis focuses on the implementation of machine learning algorithms for estimating the state of charge (SOC) of batteries, particularly lithium-ion batteries. Estimating the SOC is challenging because it cannot be measured directly; it must be inferred from other quantities such as battery voltage, current, and battery temperature. The aim of research is to implement machine learning methods to estimate the state of charge of lithium-ion batteries under dynamic driving conditions at different ambient temperatures. Particularly, it focuses on the estimation at low temperatures which is known to pose major challenges due to the alteration of the electrochemical and dynamic behavior of the battery under the effect of cold. We propose two machine learning models for SOC estimation C-BLSTM- AE and CatBoost. The first model, C-BLSTM-AE utilizes deep learning through a hybrid architecture. It takes a sequence of measurements as input to predict the SOC value at the end of the sequence. This architecture is designed to capture spatiotemporal dependencies thereby revealing complex patterns present in the input sequences. The second model is CatBoost uses a decision tree-based approach. It predicts the SOC corresponding to a vector of measurements by leveraging an ensemble technique. This method sequentially corrects errors made by the decision trees, thereby improving the global prediction accuracy. Detailed experiments were conducted to optimize the hyperparameters of the algorithms, considering the ambient temperature during testing and the size of the dataset. To determine the optimal hyperparameters for each model, the Grid Search strategy was used. Grid Search consists of exhaustively exploring the set of hyperparameter combinations, with each combination evaluated during the testing phase. The results of this thesis highlight the potential of machine learning to accurately estimate SOC without relying on battery physics-based modeling or considering its chemistry. The C-BLSTM-AE model achieved a mean absolute error (MAE) of 0.52% under fixed ambient temperatures and 1.03% MAE under variable temperatures. Whereas the CatBoost model reached 0.69% MAE at fixed temperatures and 1.09% MAE under varying temperature conditions. Additionally, it underscores the influence of ambient temperature on the quality of the estimation, showing that accuracy deteriorates as colder climatic conditions are approached. Finally, the thesis addresses the trade-off between estimation accuracy and the required computational resources. The performance assessment concluded that the C-BLSTM-AE model outperforms CatBoost in terms of regression accuracy. The estimation produced by the CatBoost shows greater fluctuations and volatility whereas those by C-BLSTM-AE are more stable and consistently track the true state of charge evolution. Another consideration is the computational speed. The C-BLSTM-AE model required significant backpropagation time, leading to prolonged CPU computation. As a result, training the C-BLSTM-AE model took several thousand CPU seconds. In contrast the CatBoost model trained much faster requiring only a few tens of seconds. -- Mot(s) clé(s) en anglais : Li-ion batteries, State of charge, SOC, artificial intelligence, machine learning.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Adda, Mehdi
Co-directeur(s) ou co-directrice(s) de mémoire/thèse :	Berger, Maxime
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en ingénierie en vue de l'obtention du grade de maître ès sciences appliquées (M. Sc. A.).
Mots-clés :	Batteries au lithium-ion; Énergie - Stockage; Apprentissage automatique; Apprentissage profond; État de charge; Soc.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Date de dépôt :	09 oct. 2025 17:24
Dernière modification :	09 oct. 2025 17:24
URI :	https://semaphore.uqar.ca/id/eprint/3344