Estimation auto-adaptative de l'état de charge des batteries : vers une conception des Battery Management Systems avancés basée sur des modèles électrochimiques // Ageing-aware self-tuning battery state of charge estimation: towards electrochemical-model-

Les systèmes de stockage de l'énergie deviennent omniprésents en tant qu'éléments clés de la transition énergétique ; ainsi, un vaste effort de recherche continue à être orienté à trouver le meilleur compromis entre l'efficacité des stockages, leur fiabilité et leur coût. Pour ce faire, les systèmes de monitoring temps réel, contrôle et supervision – e.g., les Battery Management Systems (BMS) avancés – sont cruciaux. En se focalisant sur les batteries comme type très répandu de stockage électrochimique, leurs états de charge (state of charge, SoC) et états de santé (state of health, SoH) sont des indicateurs fiables de leur état interne et fonction principale. Les deux états sont reliés, puisque l'estimation du SoC peut devenir imprécise le long du fonctionnement de la batterie, en raison de la variation de ses paramètres internes avec le vieillissement. D'où la nécessité de pouvoir pertinemment caractériser les états internes à travers des estimations fidèles, idéalement temps réel, de tous les paramètres significatifs. Pour ce faire, les modèles électrochimiques, exprimés par des complexes équations paraboliques à dérivées partielles (EDP) qui décrivent les phénomènes de diffusion et d'intercalation et la cinétique électrochimique, sont parmi les plus précis et fidèles ; par contre, leurs paramètres sont notoirement difficile, voire impossible à mesurer ou estimer.
L'objectif principal de cette thèse est de proposer une méthode d'identification des paramètres et états internes d'une batterie, à la fois précise et facile à implémenter en temps réel ; pour ce faire, il faut envisager le meilleur compromis entre complexité numérique et bonne fidélité. Il est proposé ici que cela se réalise en utilisant les fonctions de modulation comme outils puissants pour l'estimation simultanée aussi bien des états, que des paramètres d'un système décrit par des EDPs. En effet, la transformée intégrale à la base des fonctions de modulation, qui transpose la nature distribuée des phénomènes internes d'une batterie dans une représentation « concentrée » de ses caractéristiques les plus déterminantes, est attendue à faciliter l'embarquement dans des unités de calcul temps réel. Alors que les fonctions de modulation se sont avérées pertinentes pour une multitude d'applications, à notre connaissance, leur application à l'estimation des batteries est nouvelle et pratiquement pas investiguée à présent. Ces fonctions peuvent être utilisées dans ce cas : a) soit uniquement pour l'identification des paramètres – en combinaison avec un estimateur basé sur une approximation par des équations différentielles ordinaires (EDO) des EDPs – ou b) pour un estimateur complet auto-ajustable, i.e., s'appuyant directement sur les EDPs, possiblement sur deux niveaux séparés d'un point de vue dynamique : l'estimation des états internes (i.e., les concentrations de lithium dans les deux électrodes, positive et négative, respectivement) sur le niveau le plus rapide et mise à jour des paramètres sur un niveau plus lent. Le cas b) représente l'estimation concomitante des états et des paramètres, où les deux niveaux dynamiques seraient intuitivement nécessaires. Une analyse comparative basée sur des données réelles est envisagée afin de conclure sur l'efficacité globale de l'estimation.
Des données réelles – courant d'entrée, tension de sortie, capacité résiduelle de décharge, résistance interne – seront obtenues sur une plateforme d'expérimentation ouverte, dédiée à l'assemblage et la caractérisation des batteries, qui est disponible à LEPMI. De telles données sont déjà disponibles d'une étude de cas qui a fait l'objet d'un projet antérieur, où deux technologies de batteries Li-ion ont été cyclées, puis caractérisées, à température constante dans des conditions spécifiques aux applications d'électromobilité (i.e., avec des profils de courant associés à des cycles standards de conduite des véhicules électriques).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The energy storage units are now becoming ubiquitous as key enablers of the green energy transition; thus, a lot of research effort has been lately done to trade off storage efficiency, reliability and affordable cost. Storage real-time monitoring, supervising and control by means of built-in embedded algorithms – such as the Battery Management Systems (BMS) with advanced functions – are crucial. Focusing on batteries as a widely-used type of electrochemical storage, the state of charge (SoC) and the state of health (SoH) of a battery are indicators of its internal state and main function. The two states are related, as SoC estimation may become inaccurate during battery service time, because of its internal parameter variations with ageing. Thus, pertinent characterization of battery internal states is necessary by accurate, ideally real-time, on-line estimation of relevant parameters. To this end, electrochemical models, consisting of complex parabolic partial-differential equations (PDE) which describe the underlying phenomena of diffusion and intercalation and electrochemical kinetics, are arguably the most precise and accurate; however, their parameters are notoriously difficult or even impossible to measure or estimate.
The focus of this project is on how to render accurate on-line battery parameter identification easy to embed in real time. So numerical complexity and satisfactory accuracy should be traded off. To this end, investigation of modulating functions as a powerful tool of estimating both the states and the parameters of PDEs-described systems is proposed. Indeed, the underpinning integral transform that maps the distributed nature of battery internal phenomena into a “lumped” representation of most determinant features is expected to facilitate embedding into a real-time numerical unit. While modulating functions are pertinent for a wide range of use cases, to the best of our knowledge, their application to battery estimation is new and practically not investigated. Modulating functions can here be used: a) either for only parameter identification – in combination with an ODE-approximation-based estimator – or b) for a complete self-tuning SoC estimation, i.e., directly relying on the governing PDEs, presumably on two dynamically-separated levels: estimation of battery internal states (i.e., Li concentrations in the positive and negative electrode) on a faster level and parameters' update on a slower level. Case b) is the simultaneous state and parameter estimation, with intuitive need of keeping two dynamical levels. Comparative real-data validation of different methods will conclude about overall estimation performance.
Real data measures – input current, output voltage, residual capacity of discharge, internal resistance – will be obtained on an open platform dedicated to assembly and characterization of batteries, available at LEPMI. Such data are already available from a use case studied during a previous project: constant-temperature battery cycling specific to electric vehicle (EV) applications (i.e., under current profiles associated to standard driving cycles) and characterization of two battery technologies used for EV applications.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrat doctoral

Concours pour un contrat doctoral

Université Grenoble Alpes

220 EEATS - Electronique, Electrotechnique, Automatique, Traitement du Signal

Le/la candidat.e idéal.e doit posséder un master en automatique et commande des systèmes avec d'excellentes compétences en modélisation mathématique, estimation et identification des systèmes dynamiques et ayant un intérêt et des connaissances dans les applications du stockage électrochimique de l'énergie. De bonnes compétences dans les équations à dérivées partielles sont fortement appréciées. Une excellente maîtrise de l'environnement logiciel MATLAB®/Simulink® est indispensable. Une excellente maîtrise de l'anglais technique est requise. Il est aussi nécessaire que le/la candidat.e possède de très bonnes compétences dans l'écriture scientifique et une très bonne connaissance des logiciels de traitement du texte (e.g., Microsoft Word et LaTex). La présentation des preuves d'une excellente performance académique et notamment une preuve du classement du / de la candidat.e est obligatoire. Avoir déjà fait des publications dans des journaux et/ou des conférences de très bon niveau est un plus (mais pas obligatoire).
Ideally, a person holding a master degree in control systems engineering and having a strong background in mathematical modelling, estimation and identification of dynamical systems, with interest and skills in applications of electrochemical energy storage, is sought for. Good knowledge of partial differential equations is highly appreciated. Proficiency in MATLAB®/Simulink® is indispensable. Proficiency in technical English is highly expected. Good skills in scientific writing and text processing software tools (e.g., Microsoft Word and LaTex) are necessary. Proven high academic performance (excellent transcripts and ranking) is expected and must be provided. A record of publications in high-level journals and/or scientific conferences is a plus (but not mandatory).