Prédiction de l’état de santé (soh) d’une batterie lithium- ion à l’aide de méthodes hybrides d’apprentissage profond

Résumé

L’estimation précise de l’état de santé (soh) des batteries lithium-ion est essentielle pour optimiser la gestion des batteries et éviter les défaillances prématurées. Avec la dépendance croissante aux batteries lithium-ion dans les véhicules électriques et les systèmes de stockage d’énergie, la prédiction fiable du soh est plus importante que jamais. Cependant, cette estimation reste difficile en raison de l’évolution continue des caractéristiques des batteries au fil du temps et des limites des approches existantes. Les méthodes traditionnelles, telles que les modèles de circuits équivalents ou les modèles électrochimiques, peuvent être complexes, longues à exécuter et manquent souvent de flexibilité. Les approches basées sur les données offrent des alternatives prometteuses, mais elles nécessitent généralement de grandes quantités de données étiquetées et peinent à bien généraliser à des conditions variables. En bref, l’estimation précise du SOH des batteries lithium-ion est cruciale pour éviter les pannes et optimiser leur gestion, surtout avec leur rôle central dans les véhicules électriques et le stockage d’énergie. Or, ce défi est compliqué par l’évolution des caractéristiques des batteries au fil du temps. Les méthodes classiques sont souvent rigides et chronophages, tandis que les approches basées sur les données exigent d’énormes quantités de données étiquetées et généralisent mal. En intégrant ces justifications, le résumé répondra aux attentes académiques, tout en montrant pourquoi c’est crucial. Pour relever ces défis, ce mémoire propose un modèle hybride d’apprentissage profond com binant un autoencodeur masqué (mae) et un réseau de neurones lstm (sans mécanisme d’attention) pour l’estimation du SOH. Le modèle intègre également une fonction de perte contrastive (cl) afin d’améliorer l’apprentissage des représentations. Il est entraîné sur des fenêtres glissantes de longueur 100 (taille de lot 16, 100 époques), à partir des caractéristiques normalisées cycle_norm et capacity, extraites des cycles de charge-décharge des batteries B0005, B0006 et B0007. Le modèle est ensuite évalué sur une batterie de test indépendante, B0018, pour laquelle il atteint un rmse de 1,51, un mae de 0,81 et un coefficient de détermination R² de 0,98. Ces résultats montrent que la combinaison de MAE (pour gérer les données manquantes), cl (pour renforcer la généralisation) et LSTM (pour la modélisation temporelle) constitue une architecture auto-supervisée efficace. Globalement, l’approche proposée confirme le potentiel de l’apprentissage auto-supervisé pour un diagnostic de santé des batteries à la fois précis et évolutif.

Date	7 janv. 2026
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Bassant Selim (Directeur(-trice)) & Waël Jaafar (Codirecteur(-trice))