Algorithme d'estimation d'état de charge pour système de gestion de batterie avancée

La popularité des véhicules électriques a grandement progressé durant les dernières années. Cependant, ceux-ci font encore face à certaines problématiques qui nuisent à leur adoption rapide comme l’autonomie et le coût. L'utilisation de batterie lithium-ion dans les véhicules électriques nécessite un système électronique et un algorithme embarqué de gestion du bloc batterie. Le système de gestion de batterie a comme tâche d'estimer son état de charge ou en d’autres mots d'estimer l'énergie stockée dans la batterie en temps réel. L'état de charge est une donnée très importante, car elle permet d'estimer le nombre de kilomètres pouvant être parcouru par le véhicule. La précision de cet algorithme est primordiale pour donner à l'utilisateur du véhicule une meilleure estimation de son autonomie et ainsi il pourra mieux planifier le moment de la prochaine recharge et éviter de tomber en panne. Ce projet propose d'une part de développer un système de validation Hardware-in-the-loop (HIL) qui servira à valider les performances de l'algorithme développé et ensuite programmé dans un système de gestion de batterie. Ce système permettra de répliquer fidèlement le comportement d’une batterie en opération à partir d’un modèle électrique équivalent en émulant les signaux électriques requis par le système de gestion de batterie (BMS). Le système HIL permet de tester les algorithmes d'estimation d'état de charge en répliquant des situations réelles et assure la répétabilité des tests ce qui est très difficile et dispendieux à obtenir lors de test avec de vraies batteries. De plus, un algorithme issu du domaine du contrôle avancé a été développé et nouvellement utilisé pour estimer l'état de charge de la batterie. L'algorithme basé sur des observateurs de perturbations (Disturbance Observer (DOB)) a été couplé à un modèle mathématique de batterie afin d'estimer l'état de charge avec une grande précision. Les performances de cet algorithme ont été comparées à d'autres algorithmes présents dans la littérature telle que le filtre de Kalman étendue et un BMS commercial. Des résultats de simulation et de validation avec le système HIL sont présentés afin de démontrer le grand potentiel de ce nouvel algorithme d'estimation parfaitement adapté à être implémenté sur des microcontrôleurs utilisés dans l’industrie automobile.Abstract: The popularity of the electric vehicle has increased in the last years. However, they face some issues like range and cost, that affect the massive adoption by the population. Lithiumion battery in an electric vehicle needs an electronic circuit and an embedded algorithm for the battery management. The battery management system has to estimate in real-time the state-of-charge (SoC) or in other words, the remaining energy stored in the battery. The state-of-charge estimation is crucial information because it will be used to estimate the remaining mileage that can be traveled by the vehicle. The precision of the algorithm is upmost important to have a better estimation of electric vehicle range, also help to plan the best moment to recharge the vehicle and avoid to run out energy. This project proposes to develop an Hardware-in-the-loop system (HIL) for performance validation of algorithms programed into the battery management system. This system allows replicating the battery behavior accordingly to an equivalent circuit model by emulating the electrical signals required by the battery management system (BMS). The HIL facilitates the testing of SoC algorithms by replicating real scenarios and ensure the tests repeatability that is very difficult to obtain during tests with real batteries. In addition, an algorithm from the advanced control field has been developed and newly used to estimate the SoC of the battery. The Disturbance Observer algorithm has been merged to a mathematical model of the battery to estimate the SoC accurately. The performance of this algorithm has been compared to other algorithms present in the literature like extended Kalman filter and a commercial BMS. Simulation results and validation by HIL are presented to demonstrate the great potential of this novel estimation algorithm. This new algorithm is perfectly adapted to be implemented into automotive industry microcontrollers