Etudiant : KAHIM ABDELHAQ

Filière : Master Physique des Nouveaux Matériaux et Energies Renouvelables (PNOMER)

Encadrant : Pr. KHARBACH JAOUAD

Annèe : 2024

Résumé : Ce projet de fin d’études porte sur l’estimation de l’état de charge (SoC) des batteries Li-ion à l'aide d'un modèle de réseau de neurones convolutif unidimensionnel (1D CNN). Nous avons déterminé les étapes nécessaires pour réaliser ce projet, qui incluent la collecte de données expérimentales, le prétraitement des données, la conception du modèle 1D CNN, l'entraînement et l'évaluation du modèle, ainsi que la comparaison des résultats avec ceux obtenus à l'aide du filtre de Kalman unscented (UKF). Les métriques telles que l'erreur quadratique moyenne (MSE), l'erreur absolue moyenne (MAE) et la racine de l'erreur quadratique moyenne (RMSE) ont été utilisées pour évaluer les performances du modèle 1D CNN. Les courbes de SoC réelles et estimées en fonction du temps ont également été tracées afin de visualiser la précision des prédictions du modèle. Les résultats obtenus par le modèle 1D CNN ont été comparés avec ceux du UKF, une méthode traditionnelle utilisée pour l'estimation du SoC. Nous avons constaté que le modèle 1D CNN offre une meilleure précision et une plus grande robustesse par rapport au UKF. Les métriques d'évaluation montrent une réduction significative des erreurs pour le modèle 1D CNN, et les courbes de SoC estimé sont plus proches des valeurs réelles. L'un des principaux avantages des 1D CNN est leur capacité à apprendre automatiquement des caractéristiques complexes et non linéaires des données brutes. Cela permet de capturer des motifs subtils et variés dans les séries temporelles, ce qui améliore considérablement la précision des estimations de SoC. En conclusion, l'utilisation des réseaux de neurones convolutifs unidimensionnels (1D CNN) pour l'estimation de l'état de charge des batteries Li-ion s'est avérée être une approche très prometteuse. Les résultats montrent que le modèle 1D CNN surpasse le filtre de Kalman unscented (UKF) en termes de précision et de robustesse. Cette étude démontre l'efficacité des 1D CNN dans la gestion et l'estimation du SoC, ouvrant la voie à des applications plus fiables et performantes dans le domaine des systèmes de stockage d'énergie et des véhicules électriques.