Sujet de Collaboration
Titre :
Estimation hybride des cellules lithium-ion dites à « chimie plate » : allier machine learning et automatique
Dates :
2024/02/15 - 2024/09/15
Encadrant(s) : 
Autre(s) encadrant(s) :
RAEL Stéphane (stephane.rael@univ-lorraine.fr) , CLAUSEL Marianne (marianne.clausel@univ-lorraine.fr)
Description :
Contexte
La demande économique mondiale en accumulateurs électrochimiques est de plus en plus importante de
nos jours. Cet essor est principalement dû à l'émergence des véhicules hybrides et électriques (Hybrid-
Electric Vehicle, Plug-in Hybrid Electric Vehicle et Battery-Electric Vehicle) d'une part, et au marché de
stockage de l'énergie en lien avec les énergies renouvelables et la gestion des réseaux électriques d'autre
part.
SAFT est particulièrement présent dans ce contexte en tant que précurseur du déploiement de batteries
lithium. SAFT produit entre autres, des batteries lithium-ion à Poitiers, Nersac et Bordeaux. Ce stage,
financé par SAFT, se déroulera au sein du CRAN à Vandoeuvre-lès-Nancy.

Description du sujet
Les batteries électrochimiques sont omniprésentes dans notre quotidien, que ce soit dans nos ordinateurs
que nos téléphones portables. Parmi les différentes technologies disponibles, les accumulateurs lithium-
ion offrent de nombreux avantages, en termes d'énergie massique, de puissance massique et de leur faible
autodécharge notamment. Ils ne présentent en outre pas d'effet mémoire. En contrepartie, ce type de
batteries nécessite un système de gestion (BMS) pour des raisons de sécurité, mais également pour
prévenir tout vieillissement prématuré.
Le BMS joue un rôle clé sur les performances et la durée de vie de la batterie, et il est essentiel d'alimenter
le BMS avec des données précises sur l'état actuel de la batterie. Le problème est que peu d'informations
sur les variables de la batterie sont directement accessibles par des mesures, généralement le courant, la
tension et éventuellement la température. Pour accéder aux états de la batterie (état de charge, état de
santé, états de fonction), un modèle mathématique de la dynamique de la batterie est généralement
développé, sur la base duquel un estimateur est conçu pour estimer les variables internes non-mesurables.
Différentes approches ont été développées à cette fin, en particulier celles mises au point par le CRAN, le
GREEN et SAFT, basées sur des modèles électrochimiques locaux et mettant en oeuvre un observateur non-
linéaire [1,2,3].
La plupart de ces approches sont cependant peu adaptées aux technologies de cellules lithium-ion dont la
courbe de tension de circuit ouvert (OCV) en fonction de l'état de charge est plate (courbe d'OCV quasi
constante), et qui posent par conséquent un problème majeur pour l'observabilité du modèle induit [4,5].
On parle de « chimie plate », technologie qui peut être amenée à jouer un rôle important dans les
véhicules électriques à l'avenir. Nous avons récemment proposé un estimateur pour ce type de batterie,
néanmoins son bon fonctionnement n'est établi que sous certaines conditions limitantes. En contrepartie,
les techniques d'estimation du machine learning reposant sur des réseaux de neurones offrent de
nouvelles perspectives pour l'estimation de telles batteries. Cependant ces approches ne fournissent
malheureusement pas de garanties de convergence.
L'objectif de ce stage est de tirer parti de ces deux approches, c'est-à-dire de de combiner une méthode
basée machine learning reposant sur des RNN ("Recurrent Neural Networks") avec une méthode basée sur
des observateurs pour lesquelles les conditions d'observabilité sont restreintes. Une des questions clef
sera quand et comment basculer d'un estimateur à l'autre. Nous nous inspirerons pour cela des travaux
récemment développés au CRAN dans un cadre similaire [6].

Plan de l'étude
• Revue bibliographique sur l'estimation de l'état de charge des cellules lithium-ion à OCV plates.
• Prise en main d'un observateur d'état et implémentation sous Matlab-Simulink.
• Développement d'un réseau de neurones récurrent pour l'estimation de la SOC.
• Fusion des deux estimateurs et validation sur des données expérimentales.

Références bibliographiques
[1] P. Blondel, R. Postoyan, S. Raël, S. Benjamin, P. Desprez. Nonlinear circle-criterion observer design for
an electrochemical battery model. IEEE Transactions on Control Systems Technology, 27(2), 889-897, 2018.
[2] P. Blondel, R. Postoyan, S. Raël, S. Benjamin, P. Desprez. Observer design for an electrochemical model
of lithium-ion batteries based on a polytopic approach. 20th IFAC World Congress, 50 (1) 8127-8132,
Toulouse, 2017.
[3] E. Planté, R. Postoyan, S. Raël, Y. Jebroun, S. Benjamin, D. Monier-Reyes. Multiple active material
Lithium-ion batteries: finite-dimensional modeling and constrained state estimation. IEEE Transactions on
Control Systems Technology, à paraître, 2022.
[4] S. Torai, et al., Journal of Power Sources 306 (2016), https://doi.org/10.1016/j.jpowsour.2015.11.070
[5] M. Berecibar, et al., Energy 103 (2016), https://doi.org/10.1016/j.energy.2016.02.163
[6] E. Petri, R. Postoyan, D. Astolfi, D. Nesic, V. Andrieu. Hybrid multi-observer for improving estimation
performance. arXiv preprint arXiv:2303.06936, 2023.
Mots clés :
Automatique, machine learning, batteries, modélisation électro-chimique, observateur, estimation, Ma
Conditions :
Lieu
Ce stage se déroulera au CRAN, UMR CNRS 7039 : 2 avenue de la forêt de Haye, 54516 Vandoeuvre-lès-Nancy

Durée
5 à 6 mois, avec un début prévu entre le 1er février et le 31 mars 2024

Financement
60% du SMIC soit environ 924¬/mois brut (donnée 2022)
Département(s) : 
Contrôle Identification Diagnostic
Financement :
Contrat de collaboration SAFT ou LabCom avec SAFT