CIFRE estimateur SOC & SOH batteries Li-ion

Req ID:486291 

Chez Alstom, nous avons une connaissance pointue des réseaux de transport et comprenons ce qui conduit les individus à les emprunter. Des trains à grande vitesse, métros, monorails et tramways aux systèmes intégrés, services, infrastructures, et solutions de signalisation et de mobilité numérique, nous offrons à la diversité de nos clients le portefeuille le plus vaste du secteur.  Chaque jour, plus de 80 000 collaborateurs dans le monde qui ouvrent la voie à des solutions de mobilité plus vertes et plus intelligentes pour relier les villes, réduire l’empreinte carbone et remplacer la voiture.

Contexte et Enjeux

Dans un contexte mondial de transition énergétique, l'électrification des transports devient un enjeu crucial pour réduire les émissions de gaz à effet de serre et répondre aux objectifs environnementaux. Le secteur ferroviaire, historiquement l’un des plus efficaces en termes d’énergie, joue un rôle clé dans cette transformation. Toutefois, de nombreux réseaux de trains, notamment dans les régions non électrifiées, continuent d’utiliser des locomotives diesel, contribuant à la pollution de l’air et aux émissions de carbone.

Les trains hybrides et électriques représentent une alternative prometteuse. Ils permettent de réduire la dépendance aux combustibles fossiles tout en améliorant l'efficacité énergétique. Au cœur de cette évolution, les batteries lithium-ion deviennent indispensables, non seulement pour alimenter les trains dans les sections non électrifiées, mais aussi pour stocker et restituer de l'énergie en fonction des besoins du réseau. Cependant, pour garantir la performance, la sécurité et la durabilité des systèmes de batteries, il est essentiel de développer des outils avancés de gestion de l'énergie.

Objectif de la Thèse

Cette thèse vise à développer et implémenter un estimateur en temps réel de l’état de charge (SOC) et de l’état de santé (SOH) pour des cellules lithium-ion, en mettant un accent particulier sur les cellules LFP et en adaptant ces estimateurs pour les cellules NMC. L'objectif est de développer un algorithme à la fois précis et robuste, capable d'augmenter la durée de vie du pack de batteries tout en prédisant les pannes potentielles et en fournissant des indicateurs de santé fiables pour le service après-vente (SAV).

Missions Principales

1. Revue Bibliographique :
   • Étudier les modèles de batteries (circuits équivalents, modèle à 2 électrodes, vieillissement) ainsi que les méthodes d’observation (filtre de Kalman, Luenberger,…)
   • Comparaison de ces méthodes d’estimations avec les estimateurs classique (méthode de coulométrie, mesure de la tension,…)

Quantification des avantages :

• Une réduction de l'erreur de SOC entre 2 et 8 % en fonction d'un offset de courant ou une cellule vieillie (Référence : Berrueta et al. IEEE 2016 - Conférence de la Société IEEE de l'Électronique Industrielle)
• erreurs de mesure de SOC de 20 % sont désormais courantes, ce qui entraîne des problèmes de performance à l'échelle de l'industrie (Ref. Overcoming SOC Inaccuracies in LFP Batteries – ACCURE Battery Intelligence)
  • Analyser l’impact des paramètres environnementaux (température, cycles de charge) sur les performances de l’estimateur

2. Développement du modèle électrique et de l’estimateur de SOC & SOH(cyclage et calendaire):
   • Développement du modèle de circuit RC et comparaison avec celles d’un modèle à deux électrodes
   • Implémenter sous Matlab un estimateur de SOC et SOH basé sur un modèle circuit électrique et un observateur de Kalman.
   • Coupler cet estimateur à un coulomb métrique et une actualisation de la capacité et de la résistance interne via un observateur de SOH et de T°C.
   • Etudier les indicateurs de vieillissement qui permette d’estimer précisément le SOH dans le cas de vieillissement calendaire.
   • Développement de fonctions basées sur des courbes de Whöler permettant de remplacer les tables OCV-SOC en fonction de SOH.
   • Tester et optimiser ce modèle pour garantir des résultats fiables en temps réel.
   • Comparer les performances de l’estimateur avec la méthode de comptage Coulomb et le modèle OCV de circuit RC. Analyser la précision des deux approches et leur pertinence pour des observations en temps réel.
   • Tester les performances de l’estimateur sur des données réelles issues de tests en laboratoire sur différentes technologies de batteries (NMC, LFP).
   • Analyser les résultats pour améliorer la robustesse et la précision du modèle.

3. Développement de l’estimateur au niveau module
   • Adapter l'observateur d'état de charge pour qu'il fonctionne à l'échelle module/pack
   • Étudier et optimiser la méthode de calcul du SOC et du SOH au niveau module, tout en comparant l'estimation globale d'un seul SOC et d'un seul SOH avec une estimation locale d'un SOC et d'un SOH par cellule, et déterminer l'optimisation appropriée.
   • Valider le modèle et l’estimateur à l'échelle module en utilisant des données expérimentales (utilisation d’un banc de test module d’ALSTOM)

4. Développement d'Algorithmes Prédictifs :
   • Implémenter des algorithmes capables de prédire les pannes potentielles et de fournir des indicateurs de santé précis pour le service après-vente (SAV).
   • Ces algorithmes s'appuieront sur des données en temps réel et les historiques de performance des batteries dans les trains électriques et hybrides.
   • Ils seront basés sur l'analyse des variations des paramètres critiques (tels que la capacité résiduelle, les cycles de charge/décharge, les températures de fonctionnement, etc.) afin de détecter les signes avant-coureurs de dégradation ou de défaillance des cellules de batterie.

Il n’y a pas que les passionnés de trains qui s’épanouissent chez nous. Nul doute que vous ressentirez beaucoup de fierté lorsque vous monterez dans l’un de nos trains avec votre famille ou vos amis. Si vous aimez le challenge, nous serions ravis d’échanger avec vous !

Remarque importante

En tant qu’employeur présent dans plus de 63 pays, nous souscrivons au principe d’égalité d’accès à l’emploi et valorisons la diversité. Nous nous sommes engagés à créer un environnement de travail inclusif pour tous.

Job Type:​Jeune diplômé