Prédiction de l’état de santé (soh) d’une batterie lithium- ion à l’aide de méthodes hybrides d’apprentissage profond

Nikjou, Alireza (2026). Prédiction de l’état de santé (soh) d’une batterie lithium- ion à l’aide de méthodes hybrides d’apprentissage profond. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

L’estimation précise de l’état de santé (soh) des batteries lithium-ion est essentielle pour optimiser la gestion des batteries et éviter les défaillances prématurées. Avec la dépendance croissante aux batteries lithium-ion dans les véhicules électriques et les systèmes de stockage d’énergie, la prédiction fiable du soh est plus importante que jamais. Cependant, cette estimation reste difficile en raison de l’évolution continue des caractéristiques des batteries au fil du temps et des limites des approches existantes. Les méthodes traditionnelles, telles que les modèles de circuits équivalents ou les modèles électrochimiques, peuvent être complexes, longues à exécuter et manquent souvent de flexibilité. Les approches basées sur les données offrent des alternatives prometteuses, mais elles nécessitent généralement de grandes quantités de données étiquetées et peinent à bien généraliser à des conditions variables.

En bref, l’estimation précise du SOH des batteries lithium-ion est cruciale pour éviter les pannes et optimiser leur gestion, surtout avec leur rôle central dans les véhicules électriques et le stockage d’énergie. Or, ce défi est compliqué par l’évolution des caractéristiques des batteries au fil du temps. Les méthodes classiques sont souvent rigides et chronophages, tandis que les approches basées sur les données exigent d’énormes quantités de données étiquetées et généralisent mal. En intégrant ces justifications, le résumé répondra aux attentes académiques, tout en montrant pourquoi c’est crucial.

Pour relever ces défis, ce mémoire propose un modèle hybride d’apprentissage profond com binant un autoencodeur masqué (mae) et un réseau de neurones lstm (sans mécanisme d’attention) pour l’estimation du SOH. Le modèle intègre également une fonction de perte contrastive (cl) afin d’améliorer l’apprentissage des représentations. Il est entraîné sur des fenêtres glissantes de longueur 100 (taille de lot 16, 100 époques), à partir des caractéristiques normalisées cycle_norm et capacity, extraites des cycles de charge-décharge des batteries B0005, B0006 et B0007. Le modèle est ensuite évalué sur une batterie de test indépendante, B0018, pour laquelle il atteint un rmse de 1,51, un mae de 0,81 et un coefficient de détermination R² de 0,98.

Ces résultats montrent que la combinaison de MAE (pour gérer les données manquantes), cl (pour renforcer la généralisation) et LSTM (pour la modélisation temporelle) constitue une architecture auto-supervisée efficace. Globalement, l’approche proposée confirme le potentiel de l’apprentissage auto-supervisé pour un diagnostic de santé des batteries à la fois précis et évolutif.

Titre traduit

Prediction of lithium-ion battery state of health using hybrid deep learning methods

Résumé traduit

Accurate estimation of the state-of-health (SOH) of lithium-ion batteries is critical for optimizing battery management and preventing premature failures. With the growing reliance on lithium-ion batteries in electric vehicles and energy storage systems, reliable SOH pre diction is more important than ever. However, SOH estimation remains challenging due to the evolving nature of battery characteristics over time and the limitations of existing approaches. Traditional methods, such as equivalent circuit models and electrochemical models, can be complex, time-consuming, and lack adaptability. Piloté par les données techniques offer promising alternatives but often require large labeled datasets and may struggle with generalization across varying conditions.

To address these challenges, this thesis presents a hybrid deep learning model combining a masked autoencoder (MAE) and a Long Short-Term Memory (LSTM) network (without an attention mechanism) for SOH prediction. The model also incorporates a specific contrastive learning (CL) loss criterion to enhance representation learning. It is trained on sliding win dows of length 100 (batch size 16, 100 epochs) using normalized cycle_norm and capacity as input caractéristiques, derived from the charge-discharge cycle data of batteries B0005, B0006, and B0007. The model is evaluated on a separate test battery, B0018, where it achieves an RMSE of 1.51, an MAE of 0.81, and a coefficient of determination R² of 0.98. These results demonstrate that the combination of MAE for handling incomplete data, CL for improving generalization, and LSTM for temporal modeling forms an effective self-supervised architecture. Overall, the proposed approach confirms the potential of self-supervised learning for scalable and accurate battery health diagnostics.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie électrique". Comprend des références bibliographiques (pages 65-70).
Mots-clés libres:	état de santé (soh), batteries lithium-ion, apprentissage profond, autoencodeur masqué (mae), perte contrastive (cl), réseaux lstm, apprentissage auto-supervisé, prédiction de défaillance des batteries
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Selim, Bassant
Codirecteur:	Codirecteur Jaafar, Waël
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	04 mars 2026 18:57
Dernière modification:	04 mars 2026 18:57
URI:	https://espace.etsmtl.ca/id/eprint/3819

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt