Gestion de batterie : estimer l’état de charge

Un système de gestion de batterie connaît deux choses d’une cellule : le courant qui la traverse et la tension à ses bornes. Aucune des deux n’est l’état de charge. Le courant ne donne la charge que si le capteur de courant dit la vérité, et il ne dit jamais s’il la dit. La tension renseigne, mais seulement à travers une courbe, et cette courbe n’est pas droite.

Cette étude de cas construit l’estimateur qu’exécute un vrai BMS : un filtre de Kalman étendu qui observe les deux signaux, apprend le décalage de celui auquel il ne peut pas se fier, et annonce la charge avec sa propre incertitude.

La cellule

Une cellule lithium-ion 18650, sous forme de circuit de Thévenin : une résistance ohmique, une branche de polarisation et une tension à vide qui dépend de la charge.

V=VOC(SOC)−V1−R0IdSOCdt=−I3600 Qcap,dV1dt=−V1τ+IC1V = V_{OC}(SOC) - V_1 - R_0 I \qquad \frac{dSOC}{dt} = -\frac{I}{3600\,Q_{cap}}, \qquad \frac{dV_1}{dt} = -\frac{V_1}{\tau} + \frac{I}{C_1}

Les quatre valeurs ci-dessous sont un exemple chiffré, pas une fiche technique. La fiche de Panasonic pour la NCR18650B indique 3,25 Ah minimum et borne la résistance interne à 100 mΩ maximum ; ni les 3,20 Ah ni les 0,05 Ω n’en sont tirés. Elles sont choisies pour l’échantillonnage plutôt que pour une cellule : un pôle à 0,05 rad/s et vingt échantillons par constante de temps.

ParamètreSignificationValeur
QcapQ_{cap}Capacité3.20 Ah3.20\ \text{Ah}
R0R_0Résistance ohmique0.05 Ω0.05\ \Omega
R1R_1Résistance de polarisation0.02 Ω0.02\ \Omega
C1C_1Capacité de polarisation1000 F1000\ \text{F}
τ=R1C1\tau = R_1C_1Constante de temps de polarisation20 s20\ \text{s}

Deux états. L’un — la tension de polarisation V1V_1 — est facile, car c’est simplement l’écart entre la tension aux bornes et ce que la charge dit que la cellule devrait afficher. L’autre est le problème : la charge n’a pas de cadran.

Pourquoi compter ne suffit pas

On intègre le courant avec un bloc Integrator, on divise par la capacité, on soustrait de la valeur de départ. Pas de modèle, pas de courbe, rien à régler — et pendant une heure, tout semble parfait.

Le piège : l’instrument de mesure n’est pas la cellule. Une erreur du capteur de courant devient une charge qui ne revient jamais :

d SOCerrdt=δI3600 Qcap\frac{d\,SOC_{err}}{dt} = \frac{\delta I}{3600\,Q_{cap}}

Le taux suit le décalage absolu δI\delta I en ampères, et la capacité. Il ne suit pas la charge électrique.

ChargeDécalage du capteurδI\delta IDérive
2 A2 %0,04 A1,25 % par heure
10 A2 %0,20 A6,25 % par heure
10 A5 %0,50 A15,6 % par heure
2 A10 %0,20 A6,25 % par heure
10 A10 %1,00 A31,3 % par heure

Les deux dernières lignes sont l’essentiel, les deux premières sont le piège. Un décalage en pourcentage d’une charge plus forte est un décalage absolu plus grand, si bien que le tableau donne l’impression que la dérive suit la charge. À décalage absolu fixé à 0,20 A, le taux vaut 6,25 % par heure, que la charge soit de 2 A ou de 10 A. Un shunt est spécifié en pourcentage : c’est pourquoi l’erreur est si facile.

Deux conséquences. La dérive est une rampe, invisible sur un axe de charge de 0…100 % — un graphe de la charge absolue paraît parfait tout du long, et c’est précisément l’échec. Et aucune charge ne réduit ce chiffre ; la réponse honnête n’est donc pas un courant plus doux, mais un second avis sur la charge.

Ce que révèle la tension

Coupez le courant et la cellule se stabilise. La tension de polarisation s’amortit, et il reste aux bornes la tension à vide — une fonction de la charge et de rien d’autre.

V=VOC(SOC)V = V_{OC}(SOC)

En simulation, cette relation non linéaire est représentée par un bloc LookupTable 1D à interpolation cubique ou linéaire.

C’est la porte d’entrée. Mais la courbe n’est pas droite, et sa pente varie énormément :

SOC∂VOC/∂SOC\partial V_{OC}/\partial SOCpar rapport au plateau
0–10 %5,00 V par unité de charge8,3×
10–20 %1,502,5×
20–90 %0,60 – 0,90le plateau
90–100 %0,601,0×

Les mêmes 10 % de charge valent un demi-volt en bas de la courbe et six millivolts au milieu. Ce facteur 8,3 n’est pas une curiosité : il fixe directement l’observabilité du modèle. Avec la ligne de mesure C=[∂VOC/∂SOC,  −1]C = [\partial V_{OC}/\partial SOC,\; -1] et une matrice d’état diagonale, le déterminant d’observabilité vaut

det⁡O=(∂VOC∂SOC)(1−0.9512)\det O = \left(\frac{\partial V_{OC}}{\partial SOC}\right)\left(1 - 0.9512\right)

La charge est donc observable exactement tant que la courbe n’est pas plate, et d’autant mieux que la pente est forte.

Un observateur linéaire, et où il échoue

L’estimateur classique prend la mesure, retranche ce qu’attend le modèle et corrige l’état avec un gain tiré des deux niveaux de bruit. C’est le bon mécanisme, et il vous laisse une décision : la relation charge-tension est courbe, donc l’estimateur la linéarise.

Une fois. Le modèle devient affine :

VOC(SOC)≈H0 SOC+[VOC(slin)−H0 slin]V_{OC}(SOC) \approx H_0\, SOC + \left[V_{OC}(s_{lin}) - H_0\, s_{lin}\right]

La pente H0H_0 est un choix. L’ordonnée à l’origine entre crochets en est un autre — et c’est lui qui décide où le filtre se stabilise, car un observateur linéaire converge là où son propre modèle de mesure reproduit la tension mesurée, et ce n’est pas là que se trouve la cellule.

Linéarisez en un point de fonctionnement, restez au repos : le résultat est un biais systématique, pas un retard.

Tangente prise enCharge réelleBiais final
0,450,05−53,3 %
0,450,85+7,5 %
0,050,45−28,8 %
0,050,05−0,0 %

Avec la tangente à 45 % et une charge réelle de 5 %, l’estimation se fige à −0,48 : une charge qu’aucune cellule ne peut avoir. Seule une tangente tracée près du vrai point de fonctionnement donne un petit biais ; le choix du point de travail se paie donc pendant tout l’essai.

Un second détail, contre-intuitif : le dommage vient d’une tangente trop raide, pas trop douce. Avec une mauvaise pente, le filtre croit bien trop une mesure bruitée ; son gain s’effondre, l’estimation se traîne — et elle s’arrête à 63 % de la vérité, dernière ligne du tableau ci-dessus. Une tangente trop douce est relativement inoffensive : l’innovation reste assez grande pour ramener l’estimation à la vérité.

Le filtre de Kalman étendu

Le mécanisme ne change pas. Une ligne change : au lieu de figer la pente au départ, on la lit là où se trouve l’estimation :

H=[∂VOC∂SOC∣SOChat,  −1]H = \left[\left.\frac{\partial V_{OC}}{\partial SOC}\right|_{SOC_{hat}},\; -1\right]

La courbe n’est pas linéarisée une fois puis crue sur parole. Elle est relinéarisée au point atteint par le filtre, si bien que la sensibilité utilisée est celle qui existe vraiment. L’EKF est un KalmanFilter qui admet qu’il approxime. Dans BlockWerk, cet estimateur de batterie temps réel est réuni dans le bloc BatterySocEkf.

Tangente enCharge réelleBiais linéaireBiais EKF
0,450,05−53,3 %0,0 %
0,450,85+7,5 %−0,0 %
0,050,45−28,8 %−0,0 %
0,050,85−63,1 %+0,0 %

Un seul jeu de QQ et RR, les deux zones, aucun biais nulle part. Et l’EKF n’est pas uniformément plus rapide : dans la partie raide, il lui faut 71 s contre 2 s pour le filtre linéaire. La relinéarisation est prudente justement là où la mesure est vraiment informative. Ce compromis est l’objet de l’étape de réglage, pas un défaut à cacher.

Partir de la mauvaise réponse

Le cas intéressant n’est pas que le filtre s’accorde avec une expérience patiente, mais qu’il trouve la charge à partir de rien : estimation de départ 0,50, charge réelle 0,90, cellule au repos, rien n’étant réglé pour faciliter la tâche.

Il converge en trois secondes environ. Pas « à la longue » — la courbe d’établissement dans le temps est tout l’intérêt de l’étape, et les deux tracés se superposent ensuite.

L’EKF a une vraie faiblesse, qu’il faut nommer. Le filtre démarre sur le plateau, où la courbe renseigne peu ; la première correction est calculée avec une faible pente et dépasse dans la queue raide. Il atterrit là où la pente est 8,3 fois plus forte — mais la covariance déjà réduite a été calculée pour la mauvaise pente, et une covariance réduite signifie un faible gain. Il récupère, lentement. D’où un temps d’établissement d’environ 3 s à 0,45, 71 s à 0,05 et 71 s à 0,15.

Réglage

QQ est ce que le modèle admet ignorer. RR est ce que le capteur admet ignorer. Le gain est l’arbitrage entre les deux, et aucun réglage n’est juste en soi — seulement juste pour la situation de la cellule.

Augmentez RR et le filtre s’appuie sur son modèle : lisse, lent à remarquer quoi que ce soit. Diminuez-le et il s’appuie sur la tension : réactif, et il croit le bruit. QQ déplace l’autre plateau de la balance, plus subtilement. L’état de charge est presque un intégrateur pur, son erreur dominante est donc le gain du capteur de courant, constant et multiplicatif plutôt que blanc — un qSOCq_{SOC} additif n’est pas du bruit capteur mais une erreur de modèle avouée. C’est une densité par seconde, qui s’accumule :

qSOCq_{SOC}σ après une heureCe qu’il représente
1e-66,0 % de chargeplus d’incertitude factice que la grandeur mesurée
1e-80,6 % de chargedérive non modélisée : température, vieillissement

La question de l’échantillonnage

Les deux filtres tournent à 1 Hz, là où vit un BMS. C’est confortablement dans les clous, pas à la limite : le pôle le plus rapide du procédé vaut 1/τ=0.05 rad/s=7.96 mHz1/\tau = 0.05\ \text{rad/s} = 7.96\ \text{mHz}, soit 20 échantillons par constante de temps et une marge de 63× sur la limite de Nyquist. Le seul pôle du modèle discret est à 0,9512 : le filtre est inconditionnellement stable et aucune limite de pas ne s’applique.

Le procédé et le filtre sont discrétisés séparément et exactement, sur le même intervalle :

Ad=diag(1,  e−Ts/τ)=diag(1,  0.9512)Bd=[−Ts/(3600 Qcap)R1 (1−e−Ts/τ)]=[−8.681×10−59.754×10−4]A_d = \text{diag}\left(1,\; e^{-T_s/\tau}\right) = \text{diag}(1,\; 0.9512) \qquad B_d = \begin{bmatrix} -T_s/(3600\,Q_{cap}) \\ R_1\,(1 - e^{-T_s/\tau}) \end{bmatrix} = \begin{bmatrix} -8.681 \times 10^{-5} \\ 9.754 \times 10^{-4} \end{bmatrix}

Mélanger un AdA_d exact et un BdB_d d’Euler explicite est une vraie erreur, pas un manque de soin : le second terme est 2,52 % au-dessus de la valeur exacte (l’exacte est 2,46 % en dessous) — et dans tous les cas cet écart ressort dans l’innovation de l’observateur, où le filtre ne peut pas le distinguer d’une erreur de modèle. Le bloc recalcule la discrétisation — bruit compris, selon Van Loan — à partir des paramètres ; changer la capacité de la cellule ou le pas d’échantillonnage change aussi le modèle de l’estimateur.

Pour aller plus loin

Le modèle de cette étude de cas n’est pas décrit à partir de rien. Le paquet thevenin du National Renewable Energy Laboratory américain énonce les mêmes équations que ce guide —

$$\frac{d\,SOC}{dt} = \frac{-I\,\eta}{3600\,Q_{\max}} \qquad

\frac{dV_j}{dt} = -\frac{V_j}{R_jC_j} + \frac{I}{C_j} \qquad

V_{\text{cell}} = V_{\text{OCV}}(SOC) - \sum_j V_j - I R_0$$

— avec le terme d’hystérésis à zéro, ce à quoi sert l’ajustement à deux branches ci-dessous.

  • Randall, C. R. thevenin: Equivalent circuit models in Python (NREL, SWR-24-132).

BSD-3-Clause.

— la description du modèle, avec les équations ci-dessus et les paramètres de la

cellule en entrée. Les quatre valeurs de ce guide n’en viennent pas ; elles sont un

exemple chiffré.

  • La modélisation de Thévenin des cellules lithium ; l’extension à deux branches et la

seconde constante RC qu’un modèle à une branche omet

  • Les filtres de Kalman étendus et itérés pour la gestion de batterie, et le rôle de la

pente de la courbe OCV dans l’observabilité atteignable

  • Le carré normalisé de l’innovation, le chiffre qui indique si les QQ et RR supposés

sont ceux de la cellule

Essayez vous-même

La dernière étape de l’étude de cas interactive est un bac à sable, et les deux

réglages qui valent la peine d’être déplacés sont ceux dont parle ce guide :

  • La variance du bruit de mesure RR et le bruit de processus qSOCq_{SOC}, les

deux grandeurs du tableau ci-dessus. Les deux ont des curseurs logarithmiques, car

quatre décades de RR sur une échelle linéaire placeraient tout réglage utile dans le

premier vingtième de la course.

  • La charge réelle de la cellule. À 15 %, l’estimation met 71 s pour rejoindre le

même point que 90 % atteint en 28 s, pour la raison expliquée au paragraphe sur le

plateau.

La charge électrique, le décalage du capteur et son propre bruit y sont aussi ; ce sont

les trois dont traite l’étape 2 de la leçon.

Voir aussi

Questions Fréquemment Posées (FAQ)

Q: How is the measurement Jacobian H_k computed from the nonlinear battery OCV-SOC curve?

In a 1st-order Thevenin equivalent circuit model, battery terminal voltage is Vt(k)=Voc(SOCk)−R0⋅Ik−VRC,kV_t(k) = V_{oc}(SOC_k) - R_0 \cdot I_k - V_{RC,k}. With state vector xk=[SOCk,VRC,k]Tx_k = [SOC_k, V_{RC,k}]^T, the observation equation is nonlinear due to the Open-Circuit Voltage function Voc(SOC)V_{oc}(SOC). The Extended Kalman Filter linearizes this relationship at each time step using the Jacobian Hk=∂Vt∂x∣x^k∣k−1=[dVocdSOC∣SOC^k∣k−1−1]H_k = \left. \frac{\partial V_t}{\partial x} \right|_{\hat{x}_{k|k-1}} = \begin{bmatrix} \left.\frac{d V_{oc}}{d SOC}\right|_{\hat{SOC}_{k|k-1}} & -1 \end{bmatrix}. In chemistries like LFP where the OCV plateau is extremely flat (dVocdSOC≈0\frac{d V_{oc}}{d SOC} \approx 0), Hk≈[0,−1]H_k \approx [0, -1], indicating that terminal voltage provides near-zero SOC observability, forcing the filter to lean on Coulomb counting until cell knee regions are reached.

Q: How do covariance matrices Q and R prevent Kalman filter divergence during current sensor drift?

Pure Coulomb counting accumulates current sensor bias IbiasI_{\text{bias}} indefinitely: ΔSOC=∫IbiasdtCnom\Delta SOC = \frac{\int I_{\text{bias}} dt}{C_{\text{nom}}}. In the EKF, process noise covariance Q=diag(σcurr2(Δt/Cnom)2,σRC2)Q = \text{diag}(\sigma_{\text{curr}}^2 (\Delta t / C_{\text{nom}})^2, \sigma_{RC}^2) quantifies sensor noise and thermal capacity uncertainty, while measurement noise covariance R=σvolt2R = \sigma_{\text{volt}}^2 models ADC quantization noise. Kalman gain Kk=Pk∣k−1HkT(HkPk∣k−1HkT+R)−1K_k = P_{k|k-1} H_k^T (H_k P_{k|k-1} H_k^T + R)^{-1} balances current tracking against voltage feedback. Over rest periods (I≈0I \approx 0), the terminal voltage relaxes to equilibrium OCV, allowing innovation residual (Vt−V^t)(V_t - \hat{V}_t) to correct accumulated integration drift automatically.

Q: Why is a 1st-order Thevenin RC model required for dynamic driving cycles instead of static OCV lookup?

Under transient current loads (e.g. EV acceleration in WLTP/US06 cycles), electrochemical charge transfer and lithium-ion diffusion gradients create dynamic overpotentials. A static OCV lookup table assumes instantaneous thermodynamic equilibrium, misinterpreting polarization voltage drops ΔV=IR1(1−e−t/τ)\Delta V = I R_1 (1 - e^{-t/\tau}) as instantaneous drops in state of charge. The 1st-order Thevenin model (R0+R1∥C1R_0 + R_1 \parallel C_1) explicitly integrates diffusion polarization dynamics V˙RC=−1R1C1VRC+1C1I\dot{V}_{RC} = -\frac{1}{R_1 C_1} V_{RC} + \frac{1}{C_1} I with time constant τ=R1C1≈10–60\tau = R_1 C_1 \approx 10\text{--}60 s, separating dynamic IR/polarization drops from true equilibrium chemical capacity.

Simuler dans BlockWerk

Bac à sable interactif directement dans votre navigateur — aucune installation, moteur WebAssembly.

Simuler dans BlockWerk →