Entre un tiers et la moitié du coût d’un bus de ville électrique est imputable aux batteries. Leur longévité impacte donc très fortement la viabilité économique d’un concept ou d’une flotte de véhicules. Le concepteur et l’exploitant sont ainsi confrontés a un risque de même nature, même si les modalités différent.
Phimeca a conçu une méthode pour anticiper la longévité d’une population de batteries. Elle repose sur la simulation physique à l’échelle système du vieillissement, et une modélisation probabiliste de la variabilité des facteurs prépondérants. Le modèle physique comporte notamment une partie thermique (échanges entre la batterie et son milieu, climatisation et régulation) car la température de la batterie joue un rôle crucial : une augmentation de 10°C double la vitesse de vieillissement. Les prédictions du modèle sont mises à jour en continu grâces aux données collectées en phase d’exploitation. Ces développements ont contribué à la conception du bus hybride Businova (Girard, Yalamas, and Baudin 2018; Girard 2019).
Le modèle des échanges thermique et du système de climatisation et de chauffage a été conçu à l’aide de la bibliothèque open source ThermoSysPro développée par EDF. Phimeca a conclu en 2020 un partenariat avec EDF R&D autour du développement de ThermoSysPro.
La figure ci-dessous représente des simulations de vieillissement d’une batterie dans deux villes de France. L’impact de la localité sur la longévité est significatif par rapport à la variabilité induite par les aléas de conception (modélisés à partir d’un corpus d’expériences hétérogène) et climatiques (modèle stochastique de température ambiante construit à partir de relevées par Météo France). Phimeca a par ailleurs conçu un algorithme pour mettre à jour continuellement le pronostic de longévité de batteries en exploitation par inférence bayésienne.
Simulation probabiliste de la cinétique de vieillissement d’une batterie de bus (trait plein : moyenne, aplat : intervalle de confiance à 95%).
Références
Girard, Sylvain. 2019. “Projet Businova Evolution : Rapport de L’analyse Des Risques Définitives – Anticiper L’impact de La Longévité Des Batteries Sur Le Coût de Possession.” ADEME.
Girard, Sylvain, Thierry Yalamas, and Michael Baudin. 2018. “Statistical Learning and 0D/1D Modelling: Application to Battery Ageing.” In Lambda Mu 21 Proceedings. Institut de maîtrise des risques (IMdR). https://sylvaingirard.net/pdf/girard18-battery_ageing.pdf.