FR3121754A1 - Systeme d’estimation d’etat de charge de batterie de traction de vehicule automobile, procede et vehicule comprenant un tel systeme - Google Patents
Systeme d’estimation d’etat de charge de batterie de traction de vehicule automobile, procede et vehicule comprenant un tel systeme Download PDFInfo
- Publication number
- FR3121754A1 FR3121754A1 FR2103591A FR2103591A FR3121754A1 FR 3121754 A1 FR3121754 A1 FR 3121754A1 FR 2103591 A FR2103591 A FR 2103591A FR 2103591 A FR2103591 A FR 2103591A FR 3121754 A1 FR3121754 A1 FR 3121754A1
- Authority
- FR
- France
- Prior art keywords
- charge
- current
- state
- battery
- estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
- G01R31/3832—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration without measurement of battery voltage
- G01R31/3833—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration without measurement of battery voltage using analog integrators, e.g. coulomb-meters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
L’invention concerne un système d’estimation (3a) d’un état de charge d’une batterie de traction (1) de véhicule automobile (5), le système comprenant - des données expérimentales de paramètres de fonctionnement de la batterie (1), et d’états de charges correspondants ; - un modèle d’estimation de l’état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie (1) et desdites données expérimentales, les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé. L’invention porte en outre sur un procédé et véhicule comprenant un tel système. Figure 1
Description
L’invention se rapporte au domaine des systèmes et procédés d’estimation d’état de charge de batterie, en particulier pour une batterie de traction de véhicule automobile, plus particulièrement pour un véhicule hybride ou électrique.
Les véhicules automobiles comportant une batterie de traction ont besoin d’une gestion poussée de l’autonomie. Ainsi, une estimation au plus juste de l’état de charge est un point crucial pour l’utilisateur, notamment en termes de confort, d’utilisation d’autres dispositifs électriques du véhicule automobile, et d’estimation précise du vieillissement de la batterie.
À l’heure actuelle, deux mécanismes permettent l’estimation de l’état de charge. Le premier mécanisme a trait à une estimation en cours de fonctionnement. Lorsque le véhicule est en fonctionnement, on intègre le courant de charge ou de décharge de la batterie. Le résultat de l’intégrale donne la variation d’énergie dans la batterie, et donc l’état de charge actuel du véhicule (ou SOC : State of Charge en anglais).
Cependant les incertitudes de mesures de courant induisent des erreurs d’estimation d’état de charge non négligeables.
Le deuxième mécanisme a trait à une estimation à l’arrêt du véhicule. En effet, l’état de charge est l’image de la concentration moyenne d’ions au sein des particules constituant des électrodes. La tension est l’image de la concentration d’ions en surface de ces particules. Lors du fonctionnement, la concentration est inhomogène et varie d’abord sur une couche périphérique de ces particules constituant des électrodes, avant que la variation ne se diffuse vers l’intérieur. Lors de l’arrêt du véhicule, il n’y a plus de sollicitation de la batterie et la concentration en ions s’homogénéise spatialement dans les électrodes. La concentration surfacique devient alors progressivement égale à la concentration moyenne, qui est l’image de l’état de charge.
Lors de ce phénomène physique, la tension que l’on mesure aux bornes d’une cellule va varier pour converger vers une valeur fixe : la tension en circuit ouvert (OCV : open-circuit voltage). Ce phénomène est appelé « relaxation de la tension ». À l’issue de la relaxation, la concentration en ions s’est totalement homogénéisée dans chacune des électrodes, et la concentration surfacique est devenue égale à la concentration moyenne. À partir de cet instant, il est possible d’estimer l’état de charge (image de la concentration moyenne) en mesurant la tension en circuit ouvert (OCV - image de la concentration surfacique) et en se référant à une cartographie liant tension et état de charge propre à la batterie, connu au préalable.
Le défaut de cette méthode est qu’elle ne peut être appliquée qu’après l’arrêt du véhicule en patientant potentiellement plusieurs minutes. Cependant, la précision de la mesure de la tension selon cette deuxième méthode est meilleure que celle du courant selon la première méthode.
Malheureusement, l’intégration du courant pendant le roulage selon la première méthode présente un problème de précision. L’estimation de l’état de charge (SOC) par la mesure de la tension en circuit ouvert (OCV) selon la deuxième méthode ne peut être réalisée qu’après relaxation de la tension, et ne peut donc pas être utilisée en cours de roulage.
Un premier objectif de la présente invention est de proposer une solution permettant d’avoir une estimation de l’état de charge précise quelle que soit la situation du véhicule automobile, en particulier en cours de fonctionnement.
Un deuxième objectif est de proposer une méthode simple d’estimation de l’état de charge de la batterie complète tenant compte de la concentration à la surface et à l’intérieur de la batterie.
Pour atteindre ces objectifs, l’invention propose un système d’estimation d’un état de charge d’une batterie de traction, de véhicule automobile, le système comprenant
- des données expérimentales de paramètres de fonctionnement de la batterie, et d’états de charges correspondants ;
- un modèle d’estimation de l’état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé.
- des données expérimentales de paramètres de fonctionnement de la batterie, et d’états de charges correspondants ;
- un modèle d’estimation de l’état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé.
En particulier, l’invention propose d’appliquer un modèle pour estimer l’état de charge dans la batterie sur la base d’une une méthode de type statistique : après un apprentissage sur une quantité suffisante de données, un algorithme est capable d’estimer l’état de charge courant du véhicule à partir de certaines informations sur le fonctionnement du véhicule.
Avantageusement, la prise en compte de l’intégrale du courant sur un horizon passé permet d’inclure le comportement complet de la batterie dans l’estimation, et tenir compte de manière simple des changements de concentrations en ions à la surface et à l’intérieur de la batterie.
Selon d’autres aspects pris isolément, ou combinés selon toutes les combinaisons techniquement réalisables :
- les paramètres de fonctionnement de la batterie sont en outre choisis parmi une tension, une dérivée de la tension, un courant, une dérivée du courant, un paramètre ambiant tel que la température ou plusieurs de ces paramètres ; et/ou
- l’intégrale de courant sur l’horizon passé est relative à environ 120 secondes ; et/ou
- ledit modèle est choisi parmi des modèles basés sur une chaîne de Markov, des cartographies, des fonctions polynomiales ou une combinaison d’au moins deux de ces modèles ; et/ou
- ledit modèle est un modèle d’apprentissage automatique par réseau de neurones ; et/ou
- le modèle d’apprentissage automatique comprend une couche cachée à au moins cinq neurones ; et/ou
- le modèle d’apprentissage automatique comprend trente neurones.
- les paramètres de fonctionnement de la batterie sont en outre choisis parmi une tension, une dérivée de la tension, un courant, une dérivée du courant, un paramètre ambiant tel que la température ou plusieurs de ces paramètres ; et/ou
- l’intégrale de courant sur l’horizon passé est relative à environ 120 secondes ; et/ou
- ledit modèle est choisi parmi des modèles basés sur une chaîne de Markov, des cartographies, des fonctions polynomiales ou une combinaison d’au moins deux de ces modèles ; et/ou
- ledit modèle est un modèle d’apprentissage automatique par réseau de neurones ; et/ou
- le modèle d’apprentissage automatique comprend une couche cachée à au moins cinq neurones ; et/ou
- le modèle d’apprentissage automatique comprend trente neurones.
L’invention porte en outre sur un procédé d’estimation d’un état de charge d’une batterie de traction de véhicule automobile, le procédé comprenant des étapes pour
- réaliser un modèle d’estimation d’état de charge à partir de données expérimentales de paramètres de fonctionnement de la batterie, et d’états de charges correspondants ;
- mettre en œuvre ledit modèle d’estimation pour estimer un état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé.
- réaliser un modèle d’estimation d’état de charge à partir de données expérimentales de paramètres de fonctionnement de la batterie, et d’états de charges correspondants ;
- mettre en œuvre ledit modèle d’estimation pour estimer un état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé.
Un autre objet de l’invention concerne un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes du procédé d’estimation selon l’invention, lorsque ledit programme fonctionne sur un ordinateur.
L’invention porte également sur un véhicule automobile comprenant un système d’estimation selon l’invention.
L’invention sera davantage détaillée par la description de modes de réalisation non limitatifs, et sur la base des figures annexées illustrant des variantes de l’invention, dans lesquelles :
- illustre schématiquement un système d’estimation d’un état de charge selon une variante préférée de l’invention dans un véhicule automobile ;
- illustre schématiquement un histogramme d’erreurs d’estimations obtenues en appliquant le système d’estimation selon la variante préférée avec un modèle d’apprentissage automatique à 5 neurones ;
- illustre schématiquement un diagramme d’estimation d’un état de charge en roulage au moyen du système d’estimation selon la variante préférée ; et
- illustre schématiquement une comparaison d’estimations d’états de charge en roulage au moyen du système d’estimation selon la variante préférée et selon une méthode coulombmétrique de l’art antérieur.
-
-
-
-
L’invention concerne un système d’estimation 3a d’un état de charge d’une batterie 1, en particulier une batterie de traction de véhicule automobile 5. Il s’agit par exemple d’un véhicule hybride ou électrique.
Le système 3a est basé sur un modèle d’estimation qui peut être ou comprendre un modèle statistique donné tel qu’un modèle basé sur une chaîne de Markov, une ou plusieurs cartographies ou des fonctions polynomiales.
De préférence, le modèle d’estimation est ou comprend un modèle d’apprentissage automatique par réseau de neurones. En particulier, il s’agit d’un modèle d’apprentissage automatique qui comprend une couche cachée à au moins cinq neurones, de préférence de trente neurones.
Le modèle d’estimation peut être une combinaison d’au moins deux de ces modèles, c'est-à-dire que le résultat obtenu avec deux modèles (ou plus) est corrigé ou moyenné pour augmenter davantage la précision. L’invention peut être utilisée conjointement à un autre système d’estimation par exemple basé sur un filtre de Kalman.
Le modèle d’estimation est réalisé à partir de données d’entrée qui sont liées aux paramètres de fonctionnement de la batterie 1. Ces paramètres peuvent comprendre une tension, une dérivée de la tension, un courant, une dérivée du courant, un paramètre ambiant tel que la température, une intégrale de courant pendant un temps passé donné (ou horizon passé).
L’invention peut être mise en œuvre avec des paramètres supplémentaires liés au fonctionnement de la batterie 1 et/ou des paramétrées ambiants supplémentaires liés à l’environnement de la batterie 1. Les paramètres listés ci-dessus ont l’avantage de pouvoir être facilement mesurés avec précision dans le véhicule automobile 5 (ou issus de mesures dans le véhicule 5).
Des variations de ces paramètres permettent d’obtenir des données expérimentales portant sur les paramètres de fonctionnement de la batterie 1, ainsi que les états de charge correspondants.
Une fois les données expérimentales obtenues, elles sont prises en compte dans la mise en œuvre du modèle d’estimation en utilisation dans un véhicule automobile 5 correspondant aux expérimentations.
Ainsi, sur la base d’un état de charge précédent, le modèle d’estimation détermine un état de charge actuel, en prenant en compte les paramètres de fonctionnement actuels de batterie 1 et lesdites données expérimentales.
Selon l’invention, les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé, de préférence de 120 secondes.
En particulier, l’invention propose d’appliquer un modèle pour estimer l’état de charge dans la batterie 1 sur la base d’une une méthode de type statistique : après un apprentissage sur une quantité suffisante de données, un algorithme est capable d’estimer l’état de charge courant du véhicule 5 à partir de certaines informations sur le fonctionnement du véhicule 5, en particulier l’état de charge à l’instant précédent, la tension, la dérivée de la tension, le courant et la température à l’instant courant, ainsi que l’intégrale du courant sur les 120 dernières secondes.
Avantageusement, la prise en compte de l’intégrale du courant sur un horizon passé permet d’inclure le comportement complet de la batterie 1 dans l’estimation, et de tenir compte de manière simple des changements de concentrations en ions à la surface et à l’intérieur de la batterie 1.
Plutôt que de se baser uniquement sur la mesure de la tension ou l’intégrale du courant, le système combine ces deux principes de mesure pour obtenir une estimation précise (plus que par l’intégration du courant) et disponible en cours de roulage (contrairement à la mesure de la tension après relaxation).
Ainsi, la connaissance plus précise de l’état de charge de la batterie 1, permet non seulement davantage de confort pour l’utilisateur, mais également une amélioration de certains aspects du fonctionnement du véhicule 5 par le biais d’un meilleur fonctionnement des algorithmes embarqués, notamment l’estimation de l’autonomie restante, les profils de charge ou encore une amélioration de l’estimation du taux de vieillissement.
La illustre un schéma de fonctionnement d’une chaîne de traction électrique. La batterie 1 est le système de stockage d’énergie. La ou les machines électriques 2 prélèvent du courant dans la batterie 1 pour transmettre du couple C aux roues 4, ou la rechargent lors de phases de freinage récupératif.
Le système de contrôle 3 comprenant un ou plusieurs calculateurs a pour fonction de contrôler (Ct) la machine électrique 2 sur la base de la demande en couple du conducteur (et sur la base de la consigne fournie par la gestion d’énergie dans le cadre d’un véhicule hybride). Il a également pour fonction de gérer la batterie 1 et notamment d’estimer la charge restante. Il inclut donc le système d’estimation 3a de l’invention.
Il est possible d’intégrer un courantIà chaque instant pour en déduire la quantité d’énergie prélevée au fur et à mesure par la batterie 1 : c’est la méthode coulombmétrique. Cependant, l’imprécision sur la mesure du courant peut se traduire par une erreur sur l’estimation de l’état de charge pouvant être de l’ordre du pourcent ou plus. Pour améliorer ce résultat, il est possible de prendre en compte l’information fournie par la mesure de tension.
La concentration en ions des électrodes va varier dans le temps lors de la charge ou la décharge de la batterie 1. La concentration n’est pas homogène spatialement : en fonctionnement, la concentration va d’abord varier en surface des particules constituant les électrodes, avant de diffuser vers l’intérieur de ces particules. La tension est fonction des concentrations surfaciques des particules constituant les électrodes, et l’état de charge est fonction des concentrations moyennes. S’il est donc impossible en fonctionnement d’estimer l’état de charge de la batterie 1 directement à partir de la mesure de la tension, cette mesure porte toutefois une information pertinente et peut donc être intégrée dans une estimation statistique de l’état de charge selon l’invention.
Le modèle d’estimation peut être réutilisé pour d’autres situations, notamment pour réaliser un apprentissage sur des données de charge ou de charge rapide pour estimer les tensions en circuit ouvert et les états de charge.
L’invention concerne également un procédé d’estimation correspondant.
Le procédé comprend une étape pour réaliser un modèle d’estimation d’état de charge à partir de données expérimentales de paramètres de fonctionnement de la batterie 1, et d’états de charges correspondants.
Le modèle peut être un modèle du type mathématique et statistique pour estimer l’état de charge à partir d’entrées suivantes correspondant aux paramètres de fonctionnement et d’environnement ambiant de la batterie :
- L’état de charge à l’instant précédent,
- La tension à l’instant présent,
- La dérivée de la tension à l’instant présent,
- Le courant à l’instant présent,
- La température à l’instant présent,
- L’intégrale du courant sur un horizon du passé proche (de préférence d’environ 120s).
- L’état de charge à l’instant précédent,
- La tension à l’instant présent,
- La dérivée de la tension à l’instant présent,
- Le courant à l’instant présent,
- La température à l’instant présent,
- L’intégrale du courant sur un horizon du passé proche (de préférence d’environ 120s).
Pour réaliser l’apprentissage du modèle on a besoin de données. Pour les obtenir on peut utiliser un modèle haute-fidélité qui est très précis :
- On génère N profils de courants, par exemple en piochant de manière aléatoire des séquences issues de roulages réels ;
- Une fois ces profils générés, on les simule à l’aide du modèle haute-fidélité ;
- À l’issue des N simulations, on a donc N combinaisons d’entrées telles que décrites précédemment, associées à N états de charge correspondants, en sortie.
- On génère N profils de courants, par exemple en piochant de manière aléatoire des séquences issues de roulages réels ;
- Une fois ces profils générés, on les simule à l’aide du modèle haute-fidélité ;
- À l’issue des N simulations, on a donc N combinaisons d’entrées telles que décrites précédemment, associées à N états de charge correspondants, en sortie.
Une fois ces données obtenues, il est possible d’utiliser une méthode d’apprentissage donnée pour réaliser un estimateur de l’état de charge.
Ainsi, le procédé comprend une étape pour mettre en œuvre ledit modèle d’estimation pour estimer un état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie 1 et desdites données expérimentales. Les paramètres de fonctionnement comprennent une intégrale de courant sur un horizon passé comme expliqué plus haut.
Une étude a été réalisée avec comme modèle un réseau de neurones avec une couche cachée à 5 neurones, en simulant 500 nouveaux profils de charge, qui n’ont donc pas servi à l’apprentissage. Dans le cadre des essais une erreur de mesure surévaluant le courant de 1% est appliquée.
La illustre un histogramme d’erreurs d’estimations d’états de charge (ErSOC) obtenues avec ces 500 nouveaux profils p.
Malgré l’incertitude de mesure, la quasi-totalité des estimations sont en-dessous de 1% d’erreur. Deux tiers des erreurs sont inférieurs à 0,5% de SOC, ce qui en fait un très bon résultat.
La illustre un diagramme d’estimation d’un état de charge en roulage avec ces 500 nouveaux profils. En considérant l’erreur de mesure, on observe que l’estimation reste largement sous le seuil de 1% d’erreur d’estimation de l’état de charge.
La illustre une comparaison d’estimations d’états de charge en roulage au moyen d’un réseau de neurones avec une couche cachée à 5 neurones, et selon une méthode coulombmétrique de l’art antérieur.
La méthode de référence coulombmétrique, qui vise uniquement à intégrer le courant rentrant ou sortant de la batterie 1 pour obtenir l’état de charge, accumule les erreurs liées à la mesure et à la modélisation et diverge légèrement au cours de la décharge. De la même façon, cette méthode de référence ne sera pas capable de corriger une erreur dans l’estimation initiale de l’état de charge. Ce point est illustré dans la : la courbe “SOCR” représente l’état de charge réel, et les courbes “Co” et “ SOCNN” représentent respectivement les estimations d’état de charge obtenues par la méthode coulombmétrique et par le système de l’invention (5 neurones), en considérant une erreur de SOC initiale. On constate que le système de l’invention (courbe SOCNN), en prenant en compte les informations liées à la tension et l’intégrale du courant, permet de recaler progressivement l’état charge pour corriger petit à petit l’erreur initiale. Le modèle d’apprentissage automatique par réseau de neurones est donc préféré notamment parce qu’il permet en outre de corriger les erreurs d’estimation.
L’invention porte également sur un véhicule automobile 5 comprenant un système d’estimation 3a tel que décrit précédemment. Il s’agit par exemple d’un véhicule électrique ou d’un véhicule hybride.
Par ailleurs, le système et le procédé permettent d’estimer un état de charge d’une batterie auxiliaire de véhicule équipé d’une pile à combustible.
Claims (10)
- Système d’estimation (3a) d’un état de charge d’une batterie de traction (1) de véhicule automobile (5), le système comprenant
- des données expérimentales de paramètres de fonctionnement de la batterie (1), et d’états de charges correspondants ;
- un modèle d’estimation de l’état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie (1) et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé. - Système d’estimation (3a) selon la revendication 1, caractérisé en ce que les paramètres de fonctionnement de la batterie (1) sont en outre choisis parmi une tension, une dérivée de la tension, un courant, une dérivée du courant, un paramètre ambiant tel que la température, ou plusieurs de ces paramètres.
- Système d’estimation (3a) selon l’une quelconque des revendications 1 à 2, caractérisé en ce que l’intégrale de courant sur l’horizon passé est relative à environ 120 secondes.
- Système d’estimation (3a) selon l’une quelconque des revendications 1 à 3, caractérisé en ce que ledit modèle est choisi parmi des modèles basés sur une chaîne de Markov, des cartographies, des fonctions polynomiales ou une combinaison d’au moins deux de ces modèles.
- Système d’estimation (3a) selon l’une quelconque des revendications 1 à 4, caractérisé en ce que ledit modèle est un modèle d’apprentissage automatique par réseau de neurones.
- Système d’estimation (3a) selon la revendication 5, caractérisé en ce que le modèle d’apprentissage automatique comprend une couche cachée à au moins cinq neurones.
- Système d’estimation (3a) selon l’une quelconque des revendications 5 à 6, caractérisé en ce que le modèle d’apprentissage automatique comprend trente neurones.
- Procédé d’estimation d’un état de charge d’une batterie de traction (1) de véhicule automobile (5), le procédé comprenant des étapes pour
- réaliser un modèle d’estimation d’état de charge à partir de données expérimentales de paramètres de fonctionnement de la batterie (1), et d’états de charges correspondants ;
- mettre en œuvre ledit modèle d’estimation pour estimer un état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie (1) et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé. - Programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes du procédé d’estimation selon la revendication 8, lorsque ledit programme fonctionne sur un ordinateur.
- Véhicule automobile (5) comprenant un système d’estimation (3a) selon l’une quelconque des revendications 1 à 7.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2103591A FR3121754A1 (fr) | 2021-04-08 | 2021-04-08 | Systeme d’estimation d’etat de charge de batterie de traction de vehicule automobile, procede et vehicule comprenant un tel systeme |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2103591A FR3121754A1 (fr) | 2021-04-08 | 2021-04-08 | Systeme d’estimation d’etat de charge de batterie de traction de vehicule automobile, procede et vehicule comprenant un tel systeme |
| FR2103591 | 2021-04-08 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3121754A1 true FR3121754A1 (fr) | 2022-10-14 |
Family
ID=76283934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2103591A Pending FR3121754A1 (fr) | 2021-04-08 | 2021-04-08 | Systeme d’estimation d’etat de charge de batterie de traction de vehicule automobile, procede et vehicule comprenant un tel systeme |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3121754A1 (fr) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008041300A1 (de) * | 2008-08-18 | 2010-02-25 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln des Ladezustands eines Akkumulators |
| EP3207388A1 (fr) * | 2014-10-17 | 2017-08-23 | Jaguar Land Rover Limited | Surveillance d'état de batterie |
| EP3623829A1 (fr) * | 2017-10-10 | 2020-03-18 | LG Chem, Ltd. | Appareil permettant d'estimer un état de charge d'une batterie secondaire et procédé associé |
| US20200355749A1 (en) * | 2018-01-11 | 2020-11-12 | Semiconductor Energy Laboratory Co., Ltd. | Device detecting abnormality of secondary battery, abnormality detection method, and program |
-
2021
- 2021-04-08 FR FR2103591A patent/FR3121754A1/fr active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008041300A1 (de) * | 2008-08-18 | 2010-02-25 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln des Ladezustands eines Akkumulators |
| EP3207388A1 (fr) * | 2014-10-17 | 2017-08-23 | Jaguar Land Rover Limited | Surveillance d'état de batterie |
| EP3623829A1 (fr) * | 2017-10-10 | 2020-03-18 | LG Chem, Ltd. | Appareil permettant d'estimer un état de charge d'une batterie secondaire et procédé associé |
| US20200355749A1 (en) * | 2018-01-11 | 2020-11-12 | Semiconductor Energy Laboratory Co., Ltd. | Device detecting abnormality of secondary battery, abnormality detection method, and program |
Non-Patent Citations (1)
| Title |
|---|
| ISMAIL MAHMOUD ET AL: "Battery state of charge estimation using an Artificial Neural Network", 2017 IEEE TRANSPORTATION ELECTRIFICATION CONFERENCE AND EXPO (ITEC), IEEE, 22 June 2017 (2017-06-22), pages 342 - 349, XP033129435, DOI: 10.1109/ITEC.2017.7993295 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2888599B1 (fr) | Procédé d'estimation du vieillissement d'une batterie | |
| FR2956486A1 (fr) | Methode de diagnostic in situ de batteries par spectroscopie d'impedance electrochimique | |
| EP2434304A1 (fr) | Système et procédé de diagnostic in situ de batteries par spectroscopie d'impédance électrochimique | |
| EP4111219B1 (fr) | Procédé d'estimation de l'état de santé énergétique d'une batterie | |
| EP3276364A1 (fr) | Procédé de détermination de l'état de santé des cellules d'une batterie | |
| WO2017207891A1 (fr) | Procede d'estimation de l'etat de sante d'une batterie | |
| EP3667345A1 (fr) | Procédé de détermination de l'état de santé des cellules d'une batterie | |
| EP3870985B1 (fr) | Procede de determination de l'etat de charge et de l'etat de vieillissement d'une batterie electrochimique en fonction d'une cartographie de la tension a circuit ouvert | |
| EP2775313A1 (fr) | Procédé de détermination de la capacité résiduelle d'une batterie | |
| FR2917178A1 (fr) | Systeme et procede de determination de la perte de capacite et de l'energie d'une batterie. | |
| FR3121754A1 (fr) | Systeme d’estimation d’etat de charge de batterie de traction de vehicule automobile, procede et vehicule comprenant un tel systeme | |
| FR3121643A1 (fr) | Systeme d’estimation de tension en circuit ouvert de batterie de traction de vehicule automobile, procede et vehicule comprenant un tel systeme | |
| WO2023111409A1 (fr) | Procede de recalage de l'etat de charge d'un systeme de batterie | |
| FR3135145A1 (fr) | Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme | |
| FR3009754A1 (fr) | Diagnostic de la resistance interne d'une batterie electrique | |
| EP2259080A1 (fr) | Système et procédé de détermination de la perte de capacité d'une batterie | |
| EP3254885A1 (fr) | Procédé de détermination de caractéristiques physiques de batteries embarquées dans un véhicule électrique en fonction des missions à effectuer | |
| FR2965361A1 (fr) | Procede d'estimation de l'etat de sante d'une batterie d'un vehicule et vehicule mettant en oeuvre un tel procede | |
| EP2947471B1 (fr) | Procédé et dispositif de diagnostic d'aptitude à la régénération d'une batterie | |
| CA3164286A1 (fr) | Evaluation de l'autonomie reelle maximale d'un vehicule electrique | |
| FR3016219A1 (fr) | Methode pour estimer l'aptitude d'une batterie a fournir un profil de puissance predetermine | |
| WO2023156216A1 (fr) | Methode d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride | |
| EP3870984B1 (fr) | Procede d'estimation de la tension a circuit ouvert d'un accumulateur electrochimique de systeme de batterie | |
| FR3045217A1 (fr) | Caracterisation d'une cellule electrochimique de batterie en vieillissement | |
| FR3130038A1 (fr) | Procede de determination et de recalage de l’etat de charge des batteries d’un vehicule hybride |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20221014 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |