Messier Pascal MScA 2019

Faculté de génie
Département de Génie Électrique et Génie Informatique
ALGORITHME D’ESTIMATION
D’ÉTAT DE CHARGE POUR
SYSTÈME DE GESTION DE
BATTERIE AVANCÉE
Mémoire de Maîtrise
Spécialité : Génie Électrique
Pascal Messier
pascal.messier@usherbrooke.ca
Jury :
João Pedro Trovão (Directeur) - Université de Sherbrooke
Soumaya Cherkaoui (Rapporteur) - Université de Sherbrooke
Alain Desrochers (Évaluateur) - Université de Sherbrooke
Sherbrooke (Québec), Canada

12 août 2019
ii
Résumé
La popularité des véhicules électriques a grandement progressé durant les dernières années.
Cependant, ceux-ci font encore face à certaines problématiques qui nuisent à leur adoption
rapide comme l’autonomie et le coût. L’utilisation de batterie lithium-ion dans les véhicules
électriques nécessite un système électronique et un algorithme embarqué de gestion du bloc
batterie. Le système de gestion de batterie a comme tâche d’estimer son état de charge ou
en d’autres mots d’estimer l’énergie stockée dans la batterie en temps réel. L’état de charge
est une donnée très importante, car elle permet d’estimer le nombre de kilomètres pouvant
être parcouru par le véhicule. La précision de cet algorithme est primordiale pour donner à
l’utilisateur du véhicule une meilleure estimation de son autonomie et ainsi il pourra mieux
planifier le moment de la prochaine recharge et éviter de tomber en panne.
Ce projet propose d’une part de développer un système de validation Hardware-in-the-loop

(HIL) qui servira à valider les performances de l’algorithme développé et ensuite programmé
dans un système de gestion de batterie. Ce système permettra de répliquer fidèlement le
comportement d’une batterie en opération à partir d’un modèle électrique équivalent en
émulant les signaux électriques requis par le système de gestion de batterie (BMS). Le système
HIL permet de tester les algorithmes d’estimation d’état de charge en répliquant des situations
réelles et assure la répétabilité des tests ce qui est très difficile et dispendieux à obtenir lors
de test avec de vraies batteries.
De plus, un algorithme issu du domaine du contrôle avancé a été développé et nouvellement

utilisé pour estimer l’état de charge de la batterie. L’algorithme basé sur des observateurs
de perturbations (Disturbance Observer (DOB)) a été couplé à un modèle mathématique
de batterie afin d’estimer l’état de charge avec une grande précision. Les performances de
iii
cet algorithme ont été comparées à d’autres algorithmes présents dans la littérature telle
que le filtre de Kalman étendue et un BMS commercial. Des résultats de simulation et de
validation avec le système HIL sont présentés afin de démontrer le grand potentiel de ce nouvel
algorithme d’estimation parfaitement adapté à être implémenté sur des microcontrôleurs
utilisés dans l’industrie automobile.
Mots clés : Algorithme, état de charge, observateur de perturbations, système de gestion

de batterie, véhicule électrique, batterie lithium-ion, émulation de batterie,
iv
Abstract
The popularity of the electric vehicle has increased in the last years. However, they face
some issues like range and cost, that affect the massive adoption by the population. Lithium-
ion battery in an electric vehicle needs an electronic circuit and an embedded algorithm
for the battery management. The battery management system has to estimate in real-time
the state-of-charge (SoC) or in other words, the remaining energy stored in the battery.
The state-of-charge estimation is crucial information because it will be used to estimate the
remaining mileage that can be traveled by the vehicle. The precision of the algorithm is
upmost important to have a better estimation of electric vehicle range, also help to plan the
best moment to recharge the vehicle and avoid to run out energy.
This project proposes to develop an Hardware-in-the-loop system (HIL) for performance

validation of algorithms programed into the battery management system. This system allows
replicating the battery behavior accordingly to an equivalent circuit model by emulating the
electrical signals required by the battery management system (BMS). The HIL facilitates the
testing of SoC algorithms by replicating real scenarios and ensure the tests repeatability that
is very difficult to obtain during tests with real batteries.
In addition, an algorithm from the advanced control field has been developed and newly used
to estimate the SoC of the battery. The Disturbance Observer algorithm has been merged
to a mathematical model of the battery to estimate the SoC accurately. The performance of
this algorithm has been compared to other algorithms present in the literature like extended
Kalman filter and a commercial BMS. Simulation results and validation by HIL are presented
to demonstrate the great potential of this novel estimation algorithm. This new algorithm is
perfectly adapted to be implemented into automotive industry microcontrollers.
v
vi
Remerciement
Je tiens d’abord à remercier tous les membres de ma famille pour leurs soutiens dans ce
retour aux études et un remerciement très spécial à ma conjointe Amélyse Couture pour son
support moral tout au long de ces deux années et pour m’avoir encouragé à poursuivre mes
études à la maîtrise.
Je tiens à remercier mon directeur de recherche João Pedro Trovão pour m’avoir donné
l’opportunité de faire cette maîtrise, pour son soutient durant ces 2 années ainsi que pour
ses précieux conseils académiques, scientifiques et sur la vie en général. Cette opportunité
m’a offert des expériences qui m’ont permis de grandir comme ingénieur, mais aussi comme
individu. Muito obrigado, Professor.
Un remerciement très chaleureux à mes amis Félix-Antoine LeBel et Louis Pelletier pour
avoir été présent durant ce parcours. Merci pour ces nombreuses discussions qui ont permis
d’alimenter ce travail et de rendre ce parcours de deux années beaucoup plus agréable.
Je veux remercier mes collègues du CTA, Jasmin Rouleau, Jean-Yves Doyon, Maxime Bois-
vert, Bastien Mony, Félix Daoust, David-Bruno Perron et Dany Ducharme pour l’aide tech-
nique tout au long du projet.
vii
viii
Table des matières
Résumé iii
Abstract v
Remerciement vii
Acronymes 3
1 Introduction 5
1.1 Contexte Global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Définition du projet de recherche . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Objectifs du Projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Contributions originales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Plan du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 État de l’art 11
2.1 Cellules au Lithium-ion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.2 Types et formats de cellules au Lithium-ion . . . . . . . . . . . . . . . . 12
2.1.3 Batterie et branchement des cellules . . . . . . . . . . . . . . . . . . . . 13
2.1.4 État de charge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.5 État de santé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.6 Effet de la température . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Système de Gestion de Batterie . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Topologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Composants Matériel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.3 Fonctionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.4 Méthode d’estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.5 Système de gestion de batterie dans l’automobile . . . . . . . . . . . . . 41
2.3 Méthodologie de validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3.1 Validation par système d’émulation matérielle . . . . . . . . . . . . . . . 43
2.4 Synthèse de l’état de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3 Émulateur multi-cellules pour validation de système de gestion de batterie 49

3.1 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2 Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
ix
TABLE DES MATIÈRES
3.3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Review of Battery Management Systems . . . . . . . . . . . . . . . . . . . . 53
3.4.1 Architecture of a Battery Management Systems . . . . . . . . . . . . . . 53
3.4.2 Hardware-in-the-loop System for Battery Emulation . . . . . . . . . . . . 55
3.5 Hardware-in-the-loop System . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5.1 Equivalent circuit based model . . . . . . . . . . . . . . . . . . . . . . . 58
3.5.2 Real-Time Target Computer . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.5.3 Cell Emulators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.6 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4 Estimation de l’état de charge basée sur l’algorithme d’observation de per-

turbations 67
4.1 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2 Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.3.1 Motivation and challenges . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.3.2 Literature Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.3.3 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.3.4 Paper Organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4 SoC estimation methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4.1 Estimation-Oriented Model . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.4.2 Disturbance observer technique . . . . . . . . . . . . . . . . . . . . . . . 82
4.4.3 SoC Estimation Method Based on Disturbance Observer . . . . . . . . . 84
4.5 Disturbance Observer based State of Charge estimation . . . . . . . . . . . 87
4.5.1 Case Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.5.2 Full-Scale Off-line Simulations . . . . . . . . . . . . . . . . . . . . . . . . 89
4.5.3 Hardware-In-the-Loop Simulation Layout . . . . . . . . . . . . . . . . . . 91
4.5.4 Full-Scale HIL Emulation Tests . . . . . . . . . . . . . . . . . . . . . . . 94
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.7 Acknowledgments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.8 Appendix - Kalman Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5 Conclusion et travaux futurs 103

5.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.2 Travaux Futurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
x
Table des figures
2.1 Format de Cellules [19] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.2 Agencements de Cellules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Plage de température des cellules au lithium-ion [18] . . . . . . . . . . . . . 17
2.4 Système de gestion de batterie et les systèmes périphériques dans un véhicule 18
2.5 Topologie de BMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6 BMS Maître-Esclave . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.7 BMS distribué . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.8 Fonction du BMS [21] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.9 État de charge vs tension circuit ouvert . . . . . . . . . . . . . . . . . . . . . 30
2.10 Schéma fonctionnel du modèle de Tremblay [37] . . . . . . . . . . . . . . . . 32
2.11 Représentation des zones paramétriques du modèle de Tremblay sur une courbe
de décharge typique [37] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.12 Modèles équivalents électriques . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.13 Modèle équivalent Thévenin double polarisation . . . . . . . . . . . . . . . . 35
2.14 Modèle de Particule unique [42] . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.15 Modèle de Particule multiple [42] . . . . . . . . . . . . . . . . . . . . . . . . 36
2.16 Réseaux de neurones [30] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.17 BMS d’une Tesla Model S [52] . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.18 Cycle de conception en V . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.19 Système HIL d’émulation de batterie homogène . . . . . . . . . . . . . . . . 45
2.20 Système HIL d’émulation de batterie par BUS de communication . . . . . . 45
2.21 Système HIL d’émulation de batterie par signaux . . . . . . . . . . . . . . . 46
3.1 V-Shape development process . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.2 Battery management system and other peripherals in vehicle . . . . . . . . . 54
3.3 BMS cells electrical connection . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4 High-level architecture of the proposed HIL . . . . . . . . . . . . . . . . . . 56
3.5 Third order equivalent circuit model of the cell . . . . . . . . . . . . . . . . . 59
3.6 Cell emulator circuit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.7 Cell emulator circuit diagram . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.8 Test setup diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.9 Cells voltage under a constant current discharge at 1 C . . . . . . . . . . . . 62
3.10 Cell emulator output error vs the experimental and the simulation data . . . 63
3.11 Emulated cells and battery terminal voltage . . . . . . . . . . . . . . . . . . 64
xi
TABLE DES FIGURES
4.1 OCV-SoC relationship of the LG ICR C2 cell . . . . . . . . . . . . . . . . . 79

4.2 Theorical Impedance Spectrum . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.3 Nyquist plot at different SoC : a) at 23°C and b) at 50°C . . . . . . . . . . . 81
4.4 The principle of the disturbance observer . . . . . . . . . . . . . . . . . . . . 82
4.5 Practical implementation of the DOB . . . . . . . . . . . . . . . . . . . . . . 83
4.6 Proposed DOB-based scheme for batteries SoC estimation . . . . . . . . . . 83
4.7 e-TESC Vehicle Speed profile . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.8 e-TESC Vehicle Current profile . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.9 Simulation using a constant discharge . . . . . . . . . . . . . . . . . . . . . . 90
4.10 Simulation using current vehicle profile . . . . . . . . . . . . . . . . . . . . . 91
4.11 HIL Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.12 HIL schematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.13 Emulated Battery current . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.14 Emulated Battery Module Voltage . . . . . . . . . . . . . . . . . . . . . . . 95
4.15 SoC comparison between the four methods to the emulated SoC with a real
driving profile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.16 SoC comparison between the four methods to the emulated SoC with a constant
current profile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.17 Robustness Test - Voltage drop . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.18 Robustness Test - Correction of an initial SoC error . . . . . . . . . . . . . . 100
xii
Liste des tableaux
2.1 Tableau Comparatif des types de cellule au lithium-ion [17, 18] . . . . . . . . 12

2.2 Comparatif des topologie de BMS . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Circuit intégré d’interface et d’équilibrage pour cellules . . . . . . . . . . . . 25
2.4 Design de BMS de certains véhicules disponibles sur le marché [51] . . . . . 41
3.1 Cell emulator output error vs the experimental and the simulation data . . . 62
4.1 Parameters of the cell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.2 Characteristics of the battery . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.3 Performance of the different SoC estimation algorithms in simulation . . . . 91
4.4 Performance of different SoC algorithm in experimental test . . . . . . . . . 98
4.5 Extended Kalman Filter Equations . . . . . . . . . . . . . . . . . . . . . . . 102
4.6 Microcontroller development platform specifications [102] . . . . . . . . . . 102
1
LISTE DES TABLEAUX
2
Acronymes
Acronyme Définition Française Définition Anglaise
Convertisseur Analogique
ADC Analog Digital Converter
Numérique
Ah Ampère-heure Ampere-hour
BMS Système de Gestion de Batterie Battery Management System
CC Compteur de Coulombs Coulomb Counting
Convertisseur Numérique
DAC Digital Analog Converter
Analogique
DOB Observateur de perturbations Disturbance Observer
ECM Modèle Équivalent Électrique Equivalent Circuit Model
Spectroscopy d’impédance Electrochemical Impedance
EIS
électrochimique Spectroscopy
EFK Filtre de Kalman Étendue Extended Kalman Filter
EV Véhicule Électrique Electric Vehicle
HEV Véhicule Hybride Électrique Hybrid Electric Vehicle
HIL Matériel dans la boucle Hardware-in-the-loop
H∞ H infini H infinity
Li-ion Lithium-ion Lithium-ion
LIB Batterie Lithium-ion Lithium-ion Battery
LPF Filtre passe-bas Low-Pass Filter
MAE Erreur Moyenne absolue Mean Absolute Error
3
LISTE DES TABLEAUX
Acronyme Définition Française Définition Anglaise
MCU Microcontrôleur Microcontroller Unit

Mt Mégatonne Megaton
Lithium Nickel Manganèse Lithium Nickel Manganese
NMC
Cobalt Oxyde Cobalt Oxide
PCB Circuit imprimé Printed Circuit Board
PF Filtre Particulaire Particle Filter
PI Proportionnel Intégrale Proportional Integral
OCV Tension circuit Ouvert Open circuit voltage
SMO Observateur à Mode Glissant Sliding Mode Observer
SOA Zone d’opération sans risque Safe Operating Area
SOC État de charge State of Charge
SOH État de santé State of Health
RLS Moindre Carré Récursif Recursive Least Square
RMS Moyenne quadratique Root-Mean-Square
RTC Ordinateur temps-réel Real-Time Computer
UdeS Université de Sherbrooke University of Sherbrooke
4
Chapitre 1
Introduction
1.1 Contexte Global

Le secteur des transports doit faire face à plusieurs problématiques du point de vue écono-
mique, énergétique et environnemental. Le coût élevé du pétrole, la quantité limitée de cette
ressource sur la planète et la pollution générée par son utilisation incitent les populations,
les industriels et les gouvernements à opter pour d’autres sources d’énergie pour le transport
de marchandises et de personnes. Dans le cas de notre province, il primordial de développer
des technologies qui nous permettront de réduire notre dépendance au pétrole, qui provient
fortement d’importation, pour des énergies renouvelables telles que l’électricité produite lo-
calement à partir de barrages hydroélectriques. Le Québec s’est engagé dans les prochaines
années à réduire les émissions de gaz à effet de serre. Dans un document publié en septembre
2015 par le ministère du Développement durable, de l’Environnement et de la Lutte contre
les changements climatiques, l’objectif de réduction des gaz à effet de serre pour 2030, a été
fixé à 37.5 % [1] en dessous du niveau de 1990, soit 84.7 Mt par année. Ce document propose
deux mesures qui affectent le marché des véhicules :
— Renforcement progressif des normes d’efficacité pour les véhicules légers et les véhicules
lourds.
— Adoption d’une norme pour favoriser la pénétration dans le marché des véhicules à
zéro émission.
5
CHAPITRE 1. INTRODUCTION
Afin d’atteindre ces objectifs, plusieurs solutions sont envisageables afin de réduire la consom-
mation de combustible fossile, telles que l’hybridation ou l’électrification des véhicules. L’hy-
bridation regroupe tous les véhicules qui ont recours à deux sources d’énergie pour se propul-
ser. On y retrouve des véhicules à essence ou diesel combinés avec un système de propulsion
électrique et des véhicules électriques dotés d’une pile à combustible à hydrogène pour aug-
menter l’autonomie. Dans le premier cas, les émissions sont réduites de façon significative
puisque l’ajout du système électrique permet l’utilisation du moteur à combustion de ma-
nière plus optimale et réduit les émissions de celui-ci. Dans le cas de la pile à hydrogène, les
émissions locales sont complètement réduites. Par contre, les infrastructures de production
d’hydrogène ne sont pas actuellement en mesure de fournir un large parc automobile et il y a
peu infrastructure de remplissage. Les véhicules purement électriques permettent de réduire
complètement les émissions locales en utilisant une seule source d’énergie, ce qui réduit la
complexité du système de propulsion. Au contraire des véhicules à pile à hydrogène, les in-
frastructures de production d’électricité peuvent déjà répondre a de grandes demandes et les
réseaux de distribution sont déjà établi puisque les véhicules se recharge sur le même réseau
que les bâtiments.
Tous ces types de véhicule ont en commun une batterie, de taille et de chimie différente,
afin d’accumuler l’énergie électrique nécessaire à la propulsion du véhicule. Les véhicules
purement électriques font face à de grands défis tels que l’anxiété face à l’autonomie et la
durée de vie des batteries. Les véhicules hybrides peuvent compter sur une seconde source
d’énergie pour prolonger leur autonomie, mais une utilisation optimale des batteries sera
privilégiée pour réduire les émissions. Beaucoup de recherches sont actuellement menées sur
les systèmes d’accumulation d’énergie électrique [2, 3], entre autres sur l’optimisation de la
gestion énergétique des véhicules [4, 5, 6], sur les techniques d’estimation d’état de charge
[7, 8, 9, 10, 11] et sur le vieillissement des cellules [12, 13]. Pour optimiser l’utilisation de
la batterie, un système de gestion de batterie (BMS) dans le véhicule est primordial afin de
connaître en temps réel l’état de la batterie. Assurer la sécurité, augmenter la précision de
l’estimation de l’autonomie et de la durée de vie des batteries sont les objectifs visé par le
BMS.
6
1.2. DÉFINITION DU PROJET DE RECHERCHE
1.2 Définition du projet de recherche

Afin de maximiser l’énergie extraite et la durée de vie des batteries au lithium-ion, il est
nécessaire de développer de meilleur système de gestion de batterie et ainsi améliorer les
algorithmes d’estimations de l’état de charge spécifiquement pour des batteries de haute ca-
pacité ayant un grand nombre de cellules. L’estimation de l’état de charge est une donnée
importante, car en sachant la capacité actuelle de la batterie, il est possible d’estimer préci-
sément le nombre de kilomètres pouvant être parcouru par le véhicule. Un algorithme plus
précis permettra de parcourir plus de kilomètres et renforcera le sentiment de confiance de
l’utilisateur et diminuera l’anxiété reliée au risque de tomber en panne avec le véhicule.
Les batteries pour véhicule sont constituées d’un nombre important de cellules qui doivent
être surveillées par le BMS afin de les maintenir dans leur plage d’opération optimale. De
manière générale, plus la batterie contient de cellules, plus le BMS risque d’être complexe
selon la configuration électrique.
De plus un autre aspect important à considérer lors du choix d’un algorithme d’état de
charge, c’est les ressources informatiques nécessaires à son exécution. En fait, il est possible
de développer un algorithme très précis, mais qui nécessite des ordinateurs de calcul très
puissant pour arriver obtenir une valeur précise dans un temps raisonnable. Les systèmes
embarqués dans un véhicule ont des puissances de calcul beaucoup moins élevé que des
ordinateurs traditionnels. Le choix de l’algorithme doit être fait en considérant les ressources
plus limitées des microcontrôleurs.
Troisième considération importante est la validation de l’algorithme. Avec les outils dispo-
nibles aujourd’hui, il est possible de valider les performances d’un algorithme de manière plus
efficace que la méthode classique de soumettre le système à une série de tests dans son en-
vironnement réel. Plusieurs outils permettent par simulation ou par émulation de valider les
performances des algorithmes afin de rendre la phase de test plus rapide, efficace et assurer
la répétabilité des tests.
7
Considérant ces aspects, on formule deux questions de recherche :
— Comment estimer l’état de charge dans un système embarqué en tenant

compte des ressources de calcul limité des microcontrôleurs et en conser-
vant une précision accrue ?
— Comment valider la précision d’un l’algorithme dans son environnement
réel de manière rapide, efficace et précise ?
1.3 Objectifs du Projet

L’objectif du projet est de simplifier le développement des estimateurs d’état de charge pour
les systèmes embarqués et d’en améliorer les performances. Considérant que plus les algo-
rithmes sont complexes, plus la puissance de calcul du microcontrôleur doit être élevée afin
de l’exécuter rapidement. Le coût du microcontrôleur devient aussi plus élevé lorsqu’on sélec-
tionne un modèle ayant une fréquence d’opération plus grande. Par la suite, les performances
de l’algorithme doivent être validées sur le microcontrôleur. Donc le projet à deux objectifs
distinct :
Développement d’algorithme : Développer un algorithme d’estimation d’état de charge

pour système embarqué requérant moins de puissance de calcul et offrant des performances
similaires à ceux qui sont couramment utilisés dans la littérature et commercialement.
Validation : Valider de manière efficace et répétable les performances de l’algorithme une fois
programmé sur le microcontrôleur par le développement et l’utilisation d’outils de simulation
et d’émulation qui permettront de tester le BMS sans batterie. Cette approche permettra
ainsi de créer facilement des tests répétables et spécifiques selon la fonction à tester.
1.4 Contributions originales

Les travaux de recherche développés dans le cadre de ce projet ont apportés deux contri-
butions originales. Premièrement, ce projet propose un algorithme nouvellement utilisé pour
8
1.5. PLAN DU DOCUMENT
l’estimation de l’état de charge de batterie au lithium-ion. L’algorithme supporté par la théo-

rie des observateurs de perturbations issu du domaine du contrôle avancé sera utilisé pour
une première fois pour l’estimation de l’état de charge. Il fut choisi pour sa précision et ses
faibles ressources de calcul nécessaire, ce qui répond bien aux caractéristiques requises pour
les véhicules électrique léger.
Deuxièmement, ce travail propose aussi une méthodologie de validation des algorithmes em-
barquée par l’utilisation de matériel d’émulation de batterie, réduisant ainsi le temps de test
et assurant la répétabilité des tests durant la phase de validation.
1.5 Plan du document

Après cette introduction générale, le chapitre 2 présente l’état de l’art dans le domaine des
batteries en commençant par un bref historique de son l’évolution, un résumé des technologies
courantes de cellule au lithium, des explications sur le fonctionnement du système de gestion
de batterie et sur les algorithmes d’estimation. Les méthodes de validation par émulation de
système y seront aussi présentées. Par la suite le chapitre 3 présentera en détail le système
d’émulation de batterie qui servira à la validation des algorithmes embarqués. Au chapitre 4,
l’algorithme observateur de perturbations et le détail de son adaptation à la problématique
y sera présenté. Au chapitre 5, une conclusion résumera les défis et les contributions de ce
projet de recherche ainsi que des suggestions de travaux futures afin d’améliorer le présent
travail.
9
10
Chapitre 2
État de l’art
2.1 Cellules au Lithium-ion

Avant de concevoir un système d’accumulation d’énergie constitué de cellules au lithium-ion,
il est important de bien connaître le fonctionnement de celles-ci, comment les utilisées, les
différents types et formats existants ainsi que de connaître certaine terminologie propre aux
batteries. Cette section résume les éléments à connaître à propos des cellules au lithium-ion.
2.1.1 Historique
Stocker l’énergie électrique est une problématique présente depuis plusieurs siècles. Depuis
les premiers travaux d’Alessandro Volta en 1800 sur la pile voltaïque, plusieurs innovations se
sont succédé dans le but d’augmenter la capacité énergétique des batteries [14, 15]. William
Cruickshank en 1802 développa la première batterie à électrolyte liquide prête à la production
de masse grâce à son caisson étanche qui permettait à l’électrolyte de ne pas sécher[14, 15].
Par la suite, Gaston Planté en 1859 a mis au point la première batterie rechargeable de
chimie acide/plomb. Cette technologie a permis d’alimenter la voiture "Jamais Contente", la
première voiture à franchir les 100km/h. Cette technologie est toujours utilisée aujourd’hui
pour alimenter le système électrique de nos voitures à combustion interne [14, 15].
En 1979, nous devons la découverte au Professeur John Goodenough, qui démontra qu’il
était possible d’utilisé une cathode de lithium cobalt oxyde (LCO) dans la fabrication de
11
CHAPITRE 2. ÉTAT DE L’ART
batterie rechargeable [16]. Ce n’est qu’à partir de 1991, lorsque la compagnie Sony com-
mercialisa les premières batteries au lithium que leur utilisation massive dans les appareils
sans fil débuta. Cette innovation permit d’augmenter considérablement l’autonomie des télé-
phones cellulaires, ordinateurs portables, caméras, outils électriques et instruments médicaux
[15]. En 2008, la première voiture tout électrique à utiliser des cellules au lithium-ion fait
son apparition. Tesla Motor lance une voiture sport de luxe, la Tesla Roadster, ayant une
autonomie d’environ 320 km sur une seule charge. Depuis, beaucoup de grands manufactu-
riers automobiles commercialise des véhicules électrique ou hybride utilisant des cellules au
lithium-ion.
2.1.2 Types et formats de cellules au Lithium-ion
A. Types de cellules
Les cellules au lithium-ion se caractérisent par la composition de leur cathode et anode. Ces
agencements ont une influence sur la valeur de tension nominale, la plage de tension et la
température d’opération. Ces éléments qui doivent être pris en compte par le système de
gestion de batterie. Le Tableau 2.1 résume les caractéristiques de chaque chimie.
Tableau 2.1 – Tableau Comparatif des types de cellule au lithium-ion [17, 18]
Lithium Lithium
Lithium Nickel Lithium Nickel
Lithium Lithium
Manga- Manga- Fer Phos- Cobalt
Cobalt Titanate
nèse nèse phate Alumi-
Cobalt nium
Acronyme LCO LMO NMC LFP NCA LTO
Tension
3.60 3.80 3.80 3.30 3.60 2.40
nominale (V)
Plage de tension
3.0 - 4.2 3.0 - 4.2 3.0 - 4.2 2.5 - 3.65 3.0 - 4.2 1.8 - 2.85
(V)
Énergie
Spécifique 150 - 200 100 - 150 150 - 220 90 - 120 200 - 260 70 - 80
(Wh/kg)
Charge (C) 0.7 - 1 0.7 - 1 0.7 - 1 1 0.7 1-5
Décharge (C) 1 1 - 10 1-2 1 - 25 1 10
Cycle de vie
500 - 1000 300 - 700 1000 - 2000 1000 - 2000 500 - 1000 3000 - 7000
(Cycles)
Température
-20 à +60 -20 à +60 -20 à +55 -20 à +60 -20 à +60 -40 à +55
d’opération (°C)
12
2.1. CELLULES AU LITHIUM-ION
B. Formats de cellules
Il existe trois formats répandus de cellules au lithium dans le monde. La Figure 2.1 montre
ces trois formats.
B.1 Cylindrique Les électrodes sont encapsulées dans un petit cylindre métallique et
sont enroulées séparées par un isolant. Les pôles situés à chaque extrémité doivent être
soudés à l’assemblage. Ce format est solide, protège bien sont contenue et est muni d’une
valve de suppression en cas d’emballement thermique ou de court-circuit interne. Ce format
est le plus fabriqué (Voir Figure 2.1a).
B.2 Prismatique Les électrodes sont enroulées dans un contenant prismatique de plas-
tique ou de métal. Disponible en petit et grand format, ces derniers ont été fortement utilisés
dû à leur facilité d’intégration mécanique et leurs pôles majoritairement boulonner. Solide
et protège son contenu. La densité énergétique est plus faible dû à son boîtier lourd (Voir
Figure 2.1b).
B.3 Pochette Les électrodes sont enveloppées dans un sac flexible et sont superposées
les unes sur les autres séparées d’un isolant. Les pôles aux sont situés à l’extrémité du sac.
Nécessite des composants externes afin de la tenir fermement en place et de la protéger. Ce
format a une densité énergique (kWh/kg) supérieure aux autres (Voir Figure 2.1c).
2.1.3 Batterie et branchement des cellules
Les cellules sont rarement utilisées seules, sauf dans des applications portables de basse puis-
sance, il est donc nécessaire d’agencer les cellules en série et parallèle afin d’augmenter la
tension, le courant et la puissance nominale. Un assemblage de plusieurs cellules est commu-
nément appelé une batterie. La Figure 2.2a présente un montage simple de cellule en série
permettant d’augmenter la tension et la puissance de la batterie, mais conserve le même cou-
rant nominal. La Figure 2.2b présente un assemblage parallèle qui conserve la même tension
mais permet d’augmenter le courant et la capacité nominale de la batterie. Les Figures 2.2c
et 2.2d sont des exemples d’assemblage série-parallèle. Dans la Figure 2.2c, nous assemblons
13
(a) Cellule Cylindrique (b) Cellule Prismatique (c) Cellule Pochette
Figure 2.1 – Format de Cellules [19]
d’abord les cellules en parallèle et ensuite nous assemblons les groupe parallèle en série. À la
Figure 2.2d l’agencement se fait d’abord en série et les connexions parallèles se font aux ex-
trémités. En montage matriciel toutes les cellules de chacune des lignes série vont s’équilibrer
à la même tension que ses voisines alors qu’en montage série-parallèle, la tension entre les
lignes série ne sera égale qu’aux extrémités et les tensions des cellules intermédiaires peuvent
être différente de leurs voisines. Le montage matriciel est le plus recommandé, car il réduit
le nombre de points de mesure de tension du système et la complexité du système de gestion
de batterie.
2.1.4 État de charge
L’état de charge, traduction de l’anglais State of Charge (SOC), représente le pourcentage

d’énergie emmagasinée ou de charge électrique restante dans une cellule ou une batterie.
L’énergie stockée dans une batterie devrait être exprimée en kWh, mais les manufacturiers
vont souvent préférer afficher la charge électrique en Ah dans la fiche de spécification. Dans les
véhicule, l’état de charge est souvent traduite en kilomètre en tenant compte de l’énergie res-
tante et la consommation moyenne. L’état de charge n’est pas une caractéristique mesurable,
il doit être estimé à partir de la mesure de tension et de courant de la cellule. Idéalement, le
calcul du pourcentage doit se faire avec la capacité énergétique du cycle présent et non avec
14
2.1. CELLULES AU LITHIUM-ION
(a) Cellules Série (b) Cellules Parallèle
(c) Cellules Matricielle (d) Cellules Série - Parallèle
Figure 2.2 – Agencements de Cellules
la capacité nominale spécifier par le manufacturier. En d’autres mots, la capacité de chaque

cellule varie statistiquement à la fabrication et le vieillissement de celle-ci amènera une perte
de capacité durant de leur cycle de vie. Un bon algorithme d’état de charge doit tenir compte
de ces facteurs pour obtenir une meilleure précision. L’expression mathématique pour la me-
sure de l’état de charge est donnée par l’équation 3.3 où Ibatt représente le courant, Cbatt
la capacité actuelle la batterie en Ah et η l’efficacité coulombique. La difficulté d’appliquer
directement cette équation dans un système réel provient de l’incertitude dans les mesures
prises par les capteurs. L’erreur de mesure récurrente à chaque pas de temps s’accumulera et
la bande d’erreurs s’élargira avec le temps. Donc plus la plage d’intégration est longue, plus
l’erreur sur la valeur de SOC calculé est grande. Pour pallier à ce problème, l’utilisation de
méthodes d’estimation avancée est nécessaire. Les méthodes d’estimation d’état de charge
seront décrites dans la section 2.2.4.
∫t
t0 Ibatt ηdt
SoC(t) = SoC(t0 ) − (2.1)
Cbatt
15
2.1.5 État de santé
L’état de santé, traduction de l’anglais State of Health (SOH), représente la capacité actuelle
d’une cellule comparativement à une cellule neuve avec des paramètres nominaux [20]. Plus
clairement, cette estimation a pour but de quantifier la perte de la capacité énergétique due au
vieillissement, au dommage causé par la température et l’amplitude du courant débité. L’état
de santé s’exprime en pourcentage, 100% représente une cellule nominale en début de vie,
0% représente une cellule en fin de vie. Cette plage est définie par l’équipe de conception et
le zéro pourcent est déterminé par la capacité énergétique minimale requise par l’application.
Généralement le seuil de fin de vie pour une application de véhicule est désigné lorsque la
capacité de la cellule a atteint 80% de la capacité nominale afin de garantir une autonomie
acceptable [21, 20]. Par exemple, une Chevrolet Bolt avec 380 km d’autonomie aurait une
perte de 76 km en fin de vie. Comme ces seuils sont des valeurs relative de capacité, basé
sur des choix d’ingénierie, il est possible que l’état de santé de certaines cellules du lot soit
légèrement supérieur à 100, et qu’en fin de vie certaines soit en dessous de 0 si elles n’ont pas
été remplacées sur le champ. Pour plusieurs autres applications, il n’est pas critique d’avoir
un seuil de fin de vie élevé. Dans le stockage stationnaire ou le véhicule industriel, le seuil
de fin de vie sera beaucoup plus bas. L’état de santé peut être décrit par l’équation 2.2 où
Cn om représente la capacité nominal, Cbatt (t) la capacité à l’instant présent et Cbattmin la
capacité minimal qui représente la fin de vie de la batterie [22]. Il est difficile de calculer
l’état de santé, car il n’existe pas de moyen direct avec un capteur, de mesurer la capacité
de la cellule. Il faut inévitablement utiliser un algorithme d’estimation pour l’état de santé.
Plusieurs méthodes se basent sur la dégradation de la résistance interne afin d’estimer l’état
de santé [23, 24, 25].
Cnom − Cbatt (t)

SoH(t)% = 1 − · 100 (2.2)
Cnom − Cbattmin
2.1.6 Effet de la température
La température joue un rôle important dans le fonctionnement des cellules au lithium-ion.

Comme illustré à la Figure 2.3, la température idéale d’utilisation se situe entre 10°C et
16
2.2. SYSTÈME DE GESTION DE BATTERIE
35°C. La température influence les caractéristiques internes de la cellule et accélère le vieillis-

sement. Dans la zone d’opération, aucune réduction de durée vie n’est anticipé si les cellules
sont utilisées à l’intérieur de leurs spécifications maximales. La température froide augmente
l’impédance de la cellule en ralentissant le transfert des ions et en dessous de -20°C l’élec-
trolyte commence à geler ce qui réduit la capacité et les performances. Au dessus de 60°C,
la chimie peut devenir instable, vieillir de façon très prématurer et créer un emballement
thermique. Les cellules ne doivent jamais être utilisées hors de la plage de survie. [18]
Figure 2.3 – Plage de température des cellules au lithium-ion [18]
2.2 Système de Gestion de Batterie

Un système de gestion de batterie (BMS) est un ensemble de circuits et de composants
électriques qui est associé au fonctionnement de la batterie. Comme illustré à la Figure 2.4,
le système de gestion doit s’interfacer et communiquer avec plusieurs éléments du véhicule.
Le BMS doit gérer tous les éléments liés à la batterie telle que les cellules, les contacteurs
de puissance, le détecteur de défaut d’isolation et communiquer les informations pertinentes
aux autres systèmes du véhicule. Dans la conception du système de gestion de batterie, il
y a deux segments importants, le développement matériel et logiciel. Les sections suivant
détailleront les topologies et éléments matériels ainsi que les fonctions logiciel nécessaires à
la conception de système de gestion de batterie.
17
Figure 2.4 – Système de gestion de batterie et les systèmes périphériques dans un véhicule
2.2.1 Topologies
Il existe plusieurs topologies dans la conception des BMS. Dépendant de l’architecture et

de la complexité de la batterie, une topologie peut être plus adaptée. Selon Andrea, Saw et
Weiker [26, 3, 20] , il existe quatre topologies principales de BMS.
A. BMS Centralisé
Le BMS centralisé, illustré à la Figure 2.5a, est constitué d’une seule unité de contrôle qui
prend la mesure de tension de chaque cellule, le courant de sortie de la batterie et exécute
les algorithmes d’estimation. Sa simplicité est adéquate pour les batteries de petite taille,
mais le câblage peut devenir très complexe lorsque le nombre de cellules augmente. Avec
une batterie de grande taille, l’installation et la maintenance peuvent s’avérer complexes. Le
nombre élevé de fils rend cette topologie peu fiable, car il y a un risque de défaillance sur
chaque fil. Par contre, le coût de l’électronique est réduit puisqu’il nécessite qu’un seul circuit
et le refroidissement des composants de balancement des cellules soient à un seul endroit.
18
(a) Topologie de BMS Centralisé (b) Topologie de BMS Modulaire
Figure 2.5 – Topologie de BMS
B. BMS Modulaire
Le BMS modulaire, illustré à la Figure 2.5b, est similaire au BMS centralisé sauf que celui
utilise plusieurs unités de contrôle. Les circuits utilisés sont les mêmes et l’un d’eux est dési-
gné comme maître. Dans la majorité des situations, le maître exécute les fonctions de gestion
du bloc en plus des fonctions de lecture des cellules qui lui sont attribuées. La complexité est
réduite, car chaque module peut être placé près de batterie, ce qui réduit considérablement
le câblage. La proximité du circuit avec les cellules rend la lecture des tensions beaucoup
plus fiable. Cette topologie est flexible, car elle permet l’ajout ou le remplacement de module
esclave. Par contre, le coût de l’électronique est élevé puisque chacun des circuits étant iden-
tique multiplie le coût par le nombre de circuits imprimés. Sur les esclaves, des composants
peuvent être retirés pour réduire les coûts si ces composants ne sont utilisés que par le maître.
Le refroidissement des composants de balancement des cellules est plus complexe puisqu’il
doit être fait sur chaque circuit.
19
C. BMS Maître-Esclaves
Le BMS Maître-Esclaves, illustré à la Figure 2.6a, est composé de deux circuits électroniques
distincts qui ont chacun des fonctions différentes. Le circuit maître sert d’interface entre la
batterie et les autres sous-systèmes du véhicule, tel que l’ordinateur de bord ou le chargeur.
Il est doté d’un microcontrôleur plus puissant que les esclaves qui lui permet d’effectuer les
calculs d’estimation d’état de charge,d’état de santé, les stratégies de balancement et de
sécurité. Le circuit maître reçoit les données de chacun des esclaves, ce qui lui donne une
vision globale de la batterie. Le circuit esclave est plutôt dédié à l’acquisition des données
et le traitement de base de celles-ci. Situé près des cellules, il permet d’acquérir les valeurs
de tension et de température pour un lot de cellules. Le nombre de cellules surveillées par
le circuit esclave est variable selon le design du module physique sur le lequel le circuit est
installé. Cette topologie permet une grande flexibilité dans une application où l’ajout ou le
remplacement de module est possible. Comme le maître est indépendant des cellules et que
les esclaves sont identiques, l’ajout ou le remplacement d’un module esclave n’a pas d’impact
au niveau fonctionnel et matériel. C’est la topologie la plus privilégiée pour des batteries de
haute densité et dans le domaine automobile, (voir Tableau 2.4). La Figure 2.6b montrent
un exemple de circuit maître et esclave utilisés dans le cadre du projet de moto électrique
EMUS.
(a) Topologie (b) BMS EMUS
Figure 2.6 – BMS Maître-Esclave
20
D. BMS Distribué
Le BMS distribué, illustré à la Figure 2.7a, est une architecture modulaire ressemblant à
l’architecture maître-esclave mais offrant encore plus de flexibilité. Cette topologie propose
des circuits de mesure de tension et température pour une cellule seulement. Chacun de ces
circuits communique les mesures recueillies à une unité maître qui s’acquittera de la tâche
de calcul tel que l’état de charge et l’état de santé. L’avantage que propose cette topologie
est la meilleure flexibilité au niveau de la conception de la batterie. Puisque les circuits
ne mesurent qu’une seule cellule et qu’ils sont tous identiques, ils peuvent être utilisé dans
toutes les configurations série de cellules sans avoir à concevoir un nouveau circuit. Par contre,
cette architecture pose un défi au niveau de l’installation selon le format de cellule utilisé.
Plus couramment utilisé avec des cellules prismatiques comme montrées à la Figure 2.7b, le
circuit imprimé est conçu pour s’intégrer directement sur les pôles de la cellule et le contact
électrique se fait par un écrou. L’intégration avec des cellules cylindriques ou pochettes peut
s’avérer difficile. La communication entre les modules se fait en cascade, ce qui réduit la
fiabilité surtout le lorsque le nombre de circuits est élevés. Aussi le nombre de circuits rend
le refroidissement lors de l’équilibrage très complexe. Cette topologie tend à disparaître dans
l’industrie, mais est encore utilisée par des amateurs.
(a) Topologie (b) PCB sur cellules prismatique [27]
Figure 2.7 – BMS distribué
21
E. Tableau Comparatif
Le Tableau 2.2 ci-dessous compare chacune des topologies selon les critères mentionnés pré-
cédemment.
Tableau 2.2 – Comparatif des topologie de BMS
Paramètres Centralisé Modulaire Distribué Maître-Esclave

Complexité Élevé (-) Moyen (0) Faible (+) Élevé (-)
Installation / Maintenance Difficile (-) Moyen (0) Difficile (-) Moyen (0)
Fiabilité Faible (-) Élevé (+) Faible (-) Élevé (+)
Coût Électronique Faible (+) Élevé (-) Élevé (-) Moyen (0)
Refroidissement Facile (+) Moyen (0) Difficile (-) Moyen (0)
Flexibilité Faible (-) Moyen (0) Élevé (+) Élevé (+)
Résultat -2 0 -2 1
Pour une batterie de petite taille, il est conseillé d’opter pour une topologie centralisée, car
cela réduit les coûts de développement, un seul circuit à concevoir et les coûts des composants.
Pour des batteries hautes capacités, deux choix similaires s’offrent, le modulaire et le maître-
esclave. D’un point vue matériel, la topologie modulaire ne demande qu’une seule conception
de PCB ce qui réduit le coût d’ingénierie. C’est dans le logiciel que cela se complexifie,
car il faut soit développer deux programmes distincts ou un programme commun qui gère
l’attribution du rôle de maître ou esclave. Dans le cas du maître-esclave, les rôles sont déjà
définis par le circuit lui-même. Chacun d’eux peut être considéré comme un produit différent
et suivre un développement indépendant. Ceci permet beaucoup plus de flexibilité pour l’unité
maître dans son positionnement mécanique. Le circuit peut être placé à l’extérieur de la
batterie plus près des autres éléments du véhicule interfacés. Cette topologie est aussi plus
flexible au changement de requis et à l’ajout de composantes au circuit. Le risque d’impact
négatif sur des fonctions maître ou esclave en modifiant un des circuits est moindre que dans
le cas de la topologie modulaire où le matériel est commun. Une topologie maître-esclave sera
privilégiée dans le cadre du projet.
22
2.2.2 Composants Matériel
Les circuits qui composent un système de gestion de batterie peuvent être divisé en trois
sections distinctes, le circuit du microcontrôleur, le circuit d’acquisition et d’équilibrage et
le circuit de communication. Chacun de ces circuits remplit une fonction importante du sys-
tème soit : acquérir les données, traiter les données, procéder aux estimations, communiquer
l’information avec les autres systèmes du véhicule et équilibrer les cellules au besoin.
A. Microcontrôleur
Pour des raisons économiques et d’espace physique dans les véhicules, l’utilisation de micro-
processeur n’est pas envisagée. La taille de la carte mère nécessaire à leur fonctionnement et
la consommation du système n’en fait pas un candidat idéal. Malgré les fréquences d’opéra-
tion impressionnante allant à quelque Gigahertz, le choix d’un microcontrôleur de petite taille
intégrant les composants de mémoire, de communication, de conversion ADC et DAC et d’in-
terface entrée-sortie dans la même puce est recommandé. Selon la topologie choisie, le système
de gestion de batterie peut être composé d’un ou de plusieurs microcontrôleurs. Le choix du
microcontrôleur 16 bits ou 32 bits est très spécifique au design du BMS et aux fonctionnalités
requises par l’application. Les programmes de BMS demandent généralement beaucoup de
conversion de valeur digitale vers des valeurs d’unité du SI ou PU, calcul matriciel, stockage
de table de données en mémoire. Il est recommandé d’utiliser un microcontrôleur 32bits afin
de traiter les données du système sans perdre de résolution et obtenir plus d’espace mémoire
adressable. L’architecture 32 bits est la plus couramment utilisée (voir section 2.2.5) . Les
architectures 32 bits typiquement utilisées sont :
— ARM Cortex M0, M1 et M4
— MIPS 4K
— Tricore
— 68000
Chacune de ces architectures propose une vaste gamme de modèle et de fonction interne telle
que des unités de calcul point flottant et des fonctions de sécurité critiques. Les protocoles
de communication supportés par le microcontrôleur sont un aspect important à considérer. Il
23
devra communiquer minimalement avec le circuit intégré et les autres systèmes du véhicule.
Pour la communication avec le circuit intégré, il est seulement nécessaire de valider que le
microcontrôleur supporte le protocole défini par le circuit intégré. Pour communiquer avec
les autres systèmes, un choix important de protocole doit être fait. Les BMS sur le marché
utilisent plusieurs protocoles différents tels que :
— CAN
— ModBus
— RS-232
— RS-485
— UART
— Ethernet
— LIN
— Flexray
Dans l’industrie automobile, le protocole CAN est le standard pour la communication inter-
système. Ce protocole sera utilisé dans le cadre du projet afin d’assurer la compatibilité
du système de gestion de batterie avec l’ensemble du véhicule. Dans le futur, le protocole
Flexray est une excellente alternative si la vitesse de transfert ou la quantité de données
transmises devient critique. Le protocole Flexray offre une vitesse de communication de 10
Mbit/s contrairement au CAN qui offre 1 Mbit/s [28, 29].
B. Circuit intégré d’acquisition et d’équilibrage
Le circuit intégré d’acquisition est la pièce maîtresse du système de gestion de batterie. Cette
puce est spécialement conçue pour faire la lecture de tension de cellule indépendamment de
la chimie. Elle possède plusieurs canaux de lecture de tension isolés les uns des autres, ce qui
permet de mesurer la tension de manière différentielle et d’obtenir la tension de chacune des
cellules. Plusieurs manufacturiers fabriquent différents modèles de circuit intégré pour cette
application tel que Texas Instrument, Analog Device, Intersil, Linear Technology, et Maxim
(voir Tableau 2.3).
Il est possible de concevoir un circuit d’acquisition sans utiliser ces circuits intégrés. Dans
24
Tableau 2.3 – Circuit intégré d’interface et d’équilibrage pour cellules
Nombre Convertisseur
Fabricants Modèle Équilibrage
de cellule Analogique
Texas Instrument BQ76PL536 6 Intégré 14-bit Passif
Texas Instrument BQ76PL455A 16 Intégré 14-bit Passif
Texas Instrument BQ76940 15 Intégré 14-bit Passif
Texas Instrument EMB1428Q 14 Aucun Actif
Analog Devices AD7280A 6 Intégré 12-bit Passif
Analog Devices AD7284 8 Intégré 14-bit Passif
Maxim MAX14921ECS+ 16 MAX11161 Passif
Maxim MAX17830GUN+ 12 Intégré 14-bit Passif
Linear Technology LTC6811-1 12 Intégré 16-bit Passif
Linear Technology LTC6804-1 12 Intégré 16-bit Passif
Linear Technology LTC3300-1 6 Aucun Actif
Intersil ISL78600 12 Intégré 14-bit Passif
Intersil ISL94212 12 Intégré 14-bit Passif
la topologie distribuée, des petits convertisseurs analogiques isolés peuvent être utilisés. Par
contre, l’utilisation de circuit intégré est conseillée, car cela simplifie le design électronique et
les convertisseurs analogiques intégrés dans les puces offrent déjà une très bonne résolution.
2.2.3 Fonctionnement
L’utilisation de cellules au lithium dans une batterie demande une surveillance accrue lors
de la recharge et de la décharge. L’utilisation hors de la zone d’opération peut culminer par
l’endommagement des composantes internes, du vieillissement prématuré ou la destruction
de la cellule. Pour éviter de sortir de sa zone d’opération, un circuit de surveillance doit être
introduit dans la batterie afin de mesurer les paramètres critiques de la batterie et prendre
les actions nécessaires pour qu’elle reste à l’intérieur de sa zone d’opération [26]. Le système
de gestion de batterie a pour fonctions de :
— Mesurer la tension de chaque cellules ;
— Mesurer le courant et la température de la batterie ;
— Équilibrer la tension des cellules ;
— Effectuer des estimations tel que l’état de charge et l’état de santé ;
— Signaler à l’opérateur ou à une unité de contrôle en cas de problèmes ;
— Contrôler le cycle de charge ;
— Gérer le refroidissement ;
— Protéger la batterie en cas de problèmes ; [26, 21]
25
Figure 2.8 – Fonction du BMS [21]
Les BMS disponibles sur le marché ne possèdent pas toutes ces fonctionnalités. Les BMS bas
de gamme ne feront qu’effectuer des mesures alors que ceux plus haut de gamme permet-
tront d’effectuer des estimations complexes. Ces estimations permettent de gérer la charge
et l’équilibrage de manière plus optimale que seulement lire la tension des cellules. Cela nous
permet aussi de mieux protéger la batterie car une estimation précise de l’état de charge nous
permet de ne pas charger ou décharger au delà des limites de la batterie.
A. Surveillance des cellules
La surveillance de la tension et du courant des cellules sont les tâches principales du système
de gestion de batterie. Ces données sont nécessaires pour deux fonctions, assurer les respects
des plages d’utilisation prescrite par le manufacturier et fournir ces données aux fonctions
d’estimation. La tension minimale et maximale ainsi que le courant maximal doivent être
26
respectés afin de limiter les défaillances possibles des cellules et prolonger leur durée de vie.
Un exemple général des plages à respecter est décrit dans le Tableau 2.1.
B. Gestion thermique
La gestion thermique de la batterie se divise en deux fonctions spécifiques, la surveillance

de la température des cellules et le contrôle de la température de la batterie, s’il y a lieu.
Le système de gestion de batterie doit s’assurer que la température de la batterie respect les
plages énumérer dans la section 2.1.6. Selon la température lue, le BMS peut envoyer des
messages au système de gestion de véhicule (VCU) afin de prendre des actions pour réduire
l’échauffement des cellules. Les actions peuvent aller de la réduction progressive de la demande
en puissance du véhicule à l’arrêt complet. Dans le cas où un système de refroidissement est
intégré dans le véhicule, le BMS aura pour tâche de contrôler l’activation de système afin de
réduire la température. Certains petits véhicules tels que les motos utilisent du refroidissement
passif à convection naturelle ou forcée avec un ventilateur. Les véhicules plus spacieux ont
souvent recours à des systèmes au liquide qui permettent à la fois de refroidir ou de chauffer
la batterie en condition hivernale.
C. Contrôle de la charge
Le BMS a aussi comme tâche de gérer la charge de la batterie. Il s’assure que le courant
régulé par le chargeur respecte les limites, qu’aucune cellule ne dépassera la limite maximale
de tension et qu’il n’y pas d’échauffement excessif de la batterie. Il est possible d’uniquement
se fier à la tension des cellules pour effectuer la charge, mais la tension lue aux bornes des
cellules est erronée par la chute de tension causée par la résistance interne. Plus le courant
sera élevé, plus l’erreur entre la tension circuit ouvert et la tension aux bornes sera grande.
Un contrôle de la charge basé sur l’état de charge est beaucoup plus efficace et permet
de connaître l’énergie qui a été fournie à la batterie. Le courant de charge peut être aussi
progressivement diminué afin de terminer la charge en minimisant les pertes résistives et sans
jamais appliquer une tension plus élevée aux bornes de la batterie que la tension maximale
prescrite. En cas de problème ou lorsque la charge est terminée, il avertira le chargeur de se
mettre hors fonction et ouvrira le circuit de charge.
27
D. Méthode d’équilibrage
Une fonction importante du système de gestion de batterie est l’équilibrage de la tension des
cellules dans une batterie.Toutes les cellules n’ont pas les mêmes caractéristiques internes et
elles ne vont pas se recharger au même rythme. Pour obtenir le plein potentiel de la batterie,
chaque cellule doit être rechargée à la même tension. L’équilibrage se fait généralement de
deux façons, soit lorsque l’état de charge est bas ou que l’état de charge est haut. La raison
est que si l’on regarde bien la courbe d’état de charge vs la tension, Figure 2.9, on remarque
qu’à ces deux endroits sur la courbe la variation de tension selon le pourcentage est plus
élevée. Ceci signifie qu’à ces endroits, pour ajuster les tensions au même niveau, l’énergie
dissipée par millivolt sera moindre que dans la plage centrale d’état de charge. Par contre,
l’équilibrage dans ces plages est souvent fait seul, sans recharge simultanément, ce qui aug-
mente considérablement le temps de recharge. Une approche prédictive tenant compte de
l’état de charge de chacune des cellules pourrait permettre de charger et d’équilibrer de façon
simultanée afin de que toutes les cellules convergent vers la même tension en fin de charge
serait l’idéal. Voici les deux méthodes d’équilibrage existantes pour transférer l’énergie des
cellules.
D.1 Équilibrage passif L’équilibrage passif est la méthode la plus simple et la moins
coûteuse en composants à implémenter. Cette technique consiste à éliminer l’énergie excéden-
taire de la cellule la plus élevée et de la dissipée en chaleur à l’aide de résistance. La chaleur
générée doit être évacuée du circuit ou de la batterie si ce circuit se trouve à proximité.
Dans le deuxième cas, une mauvaise gestion de la chaleur peut augmenter la température
de la batterie et ultimement augmenter la température au-delà de la plage d’opération des
cellules. Le circuit de puissance nécessaire à cette technique est composé de transistors et de
résistance de puissance.
D.2 Équilibrage actif L’équilibrage actif consiste à transférer l’énergie excédentaire

d’une cellule vers les cellules avoisinantes. Pour obtenir ce résultat, le système de gestion
de batterie nécessite différents types de circuits complexes de transfert d’énergie contenant
de multiples transistors, condensateur, inductance, transformateur, etc. Le coût en pièces des
28
circuits est plus élevé que la méthode passive par contre l’efficacité énergétique est beaucoup
plus élevée, car un fort pourcentage de l’énergie est conservé lors de l’équilibrage.
2.2.4 Méthode d’estimation
La section suivant décrit les méthodes couramment utilisées pour estimer l’état de charge. Il
y a des méthodes qui se basent uniquement sur les mesures électriques telles que la méthode
par la tension circuit ouvert et le compteur de coulomb. D’autres méthodes s’appuient prin-
cipalement sur des modèles d’équation mathématique, modèle électrique et électrochimique.
En complément de ces modèles, il est possible d’ajouter des filtres ou des observateurs non
linéaires afin de corriger les incertitudes du modèle. Finalement, des algorithmes d’appren-
tissage peuvent aussi être utilisés afin de générer un modèle basé sur les données du système.
Ces méthodes peuvent être classé en 4 catégories distinctes ; les méthodes boucle ouverte,
qui inclus la tension circuit ouverte et le compteur de coulomb, méthodes basées sur un mo-
dèle, qui inclus les modèles mathématique, les modèles équivalents électriques, les modèles
électrochimiques, méthodes adaptatives basées sur un modèle, tel que les filtres de Kalman,
les moindres carrés récursif,le H∞, les algorithmes non-linéaires et les méthodes basée sur
l’intelligence artificielle, tel que les réseaux de neurones et la logique floue.
A. Tension en circuit ouvert
La tension mesurée au borne de la cellule peut servir de référence pour estimer l’état de
charge à condition qu’aucun courant n’est débité de celle-ci et qu’un temps de repos suffisant
est donné pour atteindre le point d’équilibre de tension. Dans le cas des cellules au lithium-
ion, la relation entre l’état de charge et le tension en circuit ouvert n’est pas linéaire, tel
qu’à la Figure 2.9, et est différente pour chacune des chimies énumérées dans le Tableau 2.1.
L’avantage de cette méthode est qu’elle est très simple à implémenter et est très précise, si
utilisé avec de bon convertisseur analogique/numérique. Les désavantages sont que la mesure
de tension doit être prise lorsque que la cellule est au repos et que la température influence
la courbe. Il est donc très difficile de prendre des mesures au repos dans une application
29
de véhicule puisque la demande en courant est rarement longuement nulle lors d’un trajet
et que le temps pour atteindre l’équilibre est très variable en fonction du type de cellule et
de la température, cela peut varier de quelques minutes à plusieurs heures par temps froid
[30]. La compensation en température est importante pour obtenir un meilleur précision sur
l’estimation de l’état de charge. Chaoui [31] présente une méthode post-estimation basée sur
des données expérimentales qui permet de corrigé l’erreur liée à la température des cellules
en ajustant la courbe tension circuit ouvert.
Figure 2.9 – État de charge vs tension circuit ouvert
B. Compteur de Coulombs
Le compteur de coulomb consiste à mesurer le courant de sortie de la batterie et de faire

l’intégration de celui-ci en fonction du temps. Ceci nous permet d’obtenir l’énergie en Ampère-
Heure (Ah) entrant ou sortant par la batterie et l’énergie restante sera obtenue en soustrayant
le résultat de la capacité nominale. L’expression de mathématique pour la mesure de l’état
de charge est donnée par l’équation 3.3. Cette méthode est très facile à implémenter, car il
ne nécessite que l’installation d’un capteur de courant. Par contre, cet algorithme en boucle
ouverte est influencé par plusieurs facteurs tels que le bruit électrique, la température, les
pointes de courant rapide et l’erreur intrinsèque du capteur. Ces facteurs ainsi que la difficulté
à estimer l’état de charge initial, souvent estimé conjointement avec la méthode tension circuit
ouvert, peuvent mener à des erreurs cumulatives significatives qui divergent de la valeur réelle
30
d’état de charge. De plus, la perte de capacité n’est pas considérée, ce qui augmentera l’erreur
d’estimation au courant du cycle de vie si aucune calibration n’est faite périodiquement.
C. Modèle Mathématique
Les modèles mathématiques sont des équations génériques qui permettent de déterminer la
tension aux bornes de la cellule en fonction du courant et de l’état de charge. Ces modèles
sont des fonctions mathématiques obtenues à l’aide de données expérimentales et d’une ré-
gression mathématique. En fait, les constantes K sont ajustés de façon à réduire l’erreur du
carré de la racine entre la valeur de tension du modèle et la tension réelle. Indépendamment
de la chimie de la cellule, il est possible de faire concorder le résultat des équations ci-dessous
avec la tension mesurée. Voici trois modèles génériques les plus connus dans le domaine des
batteries [32, 33, 34] :
— L’équation de Shepherd :
yk = E0 − Rik − Ki /SoC (2.3)
— L’équation du modèle universel Unnewehr :
yk = E0 − Rik − Ki SoC (2.4)
— L’équation du modèle de Nernst :
yk = E0 − Rik + K2 ln(SoC) + K4 ln(1 − SoC) (2.5)
E0 est la compensation DC pour obtenir la tension circuit ouvert plein charge, Rik est la
résistance interne de la cellule, ik le courant débité par la cellule (positif pour la décharge et
négatif pour la charge) et les constantes Kx servent à ajuster la courbe pour obtenir l’erreur
minimale.
31
D. Modèle universel de Tremblay
Le modèle de Tremblay a été développer afin de pouvoir représenter la dynamique de la plu-

part des types de batterie rechargeable, tel qu’acid-plomb, nickel cadmium, nickel-hydrure
métallique et lithium-ion. Ce modèle a été développé afin d’offrir une option simple de mo-
délisation en utilisant les données fournies dans les feuilles de spécification du manufacturier
[35, 36]. La Figure 2.10 montre le fonctionnement général du modèle. Le modèle dépend de
deux équations, une équation en situation de décharge eq.2.6 et une équation en situation de
recharge eq.2.7. Ces deux équations permettent de prendre en considération l’effet d’hystéré-
sis entre la charge et la décharge. Le comportement non linéaire des cellules est contenu dans
ces équations et la chute instantanée de tension est représentée par une résistance interne
série.
Figure 2.10 – Schéma fonctionnel du modèle de Tremblay [37]
Modèle en Décharge (i*>0)
Q Q
V batt = E0 − K · · i∗ − K · · it + A · exp(−B · it) (2.6)
Q − it Q − it
32
Modèle en Recharge (i*<0)
Q Q
V batt = E0 − K · · i∗ − K · · it + A · exp(−B · it) (2.7)
it + 0.1 · Q Q − it
Les variables contenues dans les équations représentent :
— V batt est la tension de lecture au borne de la batterie (V).
— E0 constante de tension fonction de A et de la tension pleine charge (V).
— K est la résistance de polarisation (Ohms).
— i* est le courant filtré (A).
— i est le courant (A).
— it est l’énergie extraite de la cellule (Ah).
— Q l’énergie maximale contenue dans la cellule (Ah).
— A est l’amplitude de tension de la zone exponentielle (V), voir Figure 2.11.
— B constante de temps de la zone exponentielle (Ah-1).
Figure 2.11 – Représentation des zones paramétriques du modèle de Tremblay sur une
courbe de décharge typique [37]
Ce modèle est intéressant puisqu’il ne demande pas d’avoir fait beaucoup d’analyse et de tests
expérimentaux pour bien modéliser une batterie. En ajustant manuellement les paramètres,
il est possible d’arriver rapidement à un modèle qui corrèle bien avec les courbes théoriques.
Disponible dans la librairie SimpowerSystem de Matlab/Simulink®, il peut être très utile
pour des simulations de véhicules ou pour développer des méthodes d’estimation simples
sans devoir procéder à une caractérisation exhaustive de la cellule.
33
E. Modèle Équivalent Électrique
Les modèles équivalents électriques sont des représentations du comportement de la cellule

en utilisant des composants électriques passifs. Ces modèles permettent d’obtenir la tension
aux bornes de la cellule en résolvant le circuit équivalent choisi en fonction du courant débité.
Le circuit le plus simple pour représenter une cellule est le modèle équivalent résistif présenté
à la Figure 2.12a. Ce modèle est composé d’une source idéale ou généralement d’une source
fonction de l’état de charge et une résistance qui sont utilisés pour représenter les phénomènes
internes de la cellule. La résistance représente la chute de tension instantanée proportionnelle
à la demande en courant. L’avantage de ce modèle, c’est qu’il est linéaire et très simple à
résoudre mathématiquement. Le désavantage, c’est qu’il ne permet pas de simuler les effets
transitoires lors des variations de courant et la relaxation de la cellule lors de l’arrêt de
demande en courant [38].
Afin de remédier aux désavantages du modèle résistif, des modèles équivalents Thévenin ont
été développés. Ces modèles utilisent un ou plusieurs filtre RC afin de simuler les effets tran-
sitoires et de relaxation observés chez les cellules au lithium-ion. La Figure 2.12b montre
un circuit équivalent simple polarisation utilisant une source idéale Uoc , des résistances in-
terne Ro , Rp et une capacité équivalente Cp . Les effets de polarisations électrochimique sont
modélisés par un seul élément exponentiel [39].
(a) Modèle résistif (b) Modèle Thévenin simple polarisation
Figure 2.12 – Modèles équivalents électriques
La Figure 2.13 montre un circuit équivalent double polarisation utilisant deux filtres RC.
Tout comme le modèle simple polarisation, il utilise une source idéale Uoc , une résistance
interne Ro . Par contre les effets transitoires sont divisés en deux filtre R1 , C1 et R2 , C2 qui
34
représente chacun les phénomènes électrochimiques suivant : la polarisation électrochimique

et la polarisation de la concentration. Cela se traduit électriquement par un filtre avec une
constante de temps τ courte et longue [40, 41, 10].
Figure 2.13 – Modèle équivalent Thévenin double polarisation
Il est possible d’utiliser plus de deux filtres pour modéliser la cellule sous forme de circuit
équivalent. En augmentant le nombre de filtres, il est possible d’obtenir une meilleure re-
présentation de la réponse réelle d’une cellule. Par contre, plus le modèle est complexe, plus
le temps de calcul est élevé. Il devient donc plus difficile à utiliser ces modèles dans des
applications embarquées temps réel.
F. Modèle Électrochimique
Les modèles électrochimiques sont une alternative aux modèles mathématiques et équivalents
électrique. Ces modèles plus sophistiqués s’appuient sur des équations de réactions chimiques
et de transport. Les modèles pseudo-deux-dimension (P2D) et les modèles de particule sont
très couramment utilisés. Le modèle de particule représente chaque électrode comme étant des
particules sphériques. Il existe deux variantes de modèles P2D, le simple particule illustré à la
Figure 2.14 et le multiple particules illustré à la Figure 2.15. Le SPM est un modèle simplifié
qui permet de bien représenter le comportement de la cellule sauf lors de forte décharge. Le
MPM vient pallier à cette lacune en tenant compte de la résistance et de la dimension variable
des particules. Ces modèles représentent beaucoup plus le comportement des cellules que les
modèles équivalents électriques, car ils s’appuient sur des phénomènes chimiques existant et
35
non sur une représentation équivalente. Par contre, la complexité des équations et le temps
nécessaire de calcul pour les résoudre font en sorte que ces modèles sont peu utilisés dans des
applications de BMS.
Figure 2.14 – Modèle de Particule unique [42]
Figure 2.15 – Modèle de Particule multiple [42]
G. Filtre de Kalman
Les filtres de Kalman sont des algorithmes adaptatifs qui permettent d’estimer l’état de
paramètres d’un modèle dynamique à partir de données observées ayant une certaine marge
d’erreur. Ces filtres sont très utilisés dans le domaine automobile, positionnement radar,
aérospatial et dans la navigation GPS. Les filtres de Kalman sont un ensemble d’équations
qui permettent de prédire l’état présent et de le corriger de façon répétée pendant que le
système est en opération. Le filtre de Kalman est un procédé constituer de deux équations,
l’équation 2.8 qui permet de prédire l’état présent xk du système dynamique à partir de l’état
précédent xk−1 et l’équation 2.9 qui permet d’actualiser l’état présent à partir des mesures
prises. [30].
xk = Ak xk−1 + Bk uk + wk (2.8)
yk = Ck xk + Dk uk + vk (2.9)
36
Dans ces équations x représente l’état du système, u les variables d’entrées, w le bruit de
procédé, y la mesure, v le bruit de mesure et les matrices A, B, C, D représentent la dynamique
du système.
Le filtre de Kalman a été développé pour des systèmes linéaires, il n’est donc pas adapté
pour les caractéristiques non linéaires des cellules au lithium-ion. Pour cela, l’utilisation du
filtre de Kalman étendu (EKF) est préconisé. Les filtres de Kalman sont largement utilisés
pour estimer l’état de charge et de santé. Plusieurs méthodes dérivées du Kalman étendu
existent et plusieurs façons différentes d’implémenter les filtres aussi. Campestrini [43] à
comparé 18 types différents de filtres de Kalman, tel que le Kalman linéaire (KF), le Kalman
étendu (EFK), "unscented" Kalman (UKF) et le Kalman étendu adaptatif (AEKF) avec
deux configurations de modèle équivalent électrique. Les filtres de Kalman sont une option
très intéressante car ils s’agit d’une méthode très documentée dans le domaine, simple à
implémenter et peut être couplé à plusieurs types de modèle. Souvent utilisé en pair, le
double filtre de Kalman permet simultanément d’estimer l’état de charge avec un premier
modèles et d’estimer l’état de santé ou les paramètres internes avec le second modèle. Pour
l’estimation d’état de charge, Plett [44] obtient une erreur d’estimation en dessous de 1%
pour un EKF. Pour Campestrini [43], l’erreur est plutôt de 0.8% en utilisant des UKF. C’est
une méthode qui a fait ses preuves et souvent utilisé dans la littérature. Certain type sont
plus précis mais demande plus de calcul. Le choix d’un type de Kalman est un compromis
entre complexité et précision.
H. Moindres Carrés Récursif
L’algorithme des moindres carrés récursif est un filtre adaptatif qui permet d’approximer
les paramètres d’un système en minimisant la somme des erreurs au carré entre les valeurs
observées et les valeurs estimées. Un modèle initial tente de représenter le système observé et
l’algorithme des moindres carrées vient corriger le modèle afin de réduire l’erreur. De manière
générale, la méthode des moindres carrés se décrit comme dans l’équation 2.10 :
N
(yi − f (xi ; θ))2
∑
S(θ) = (2.10)
i=1
37
où f (xi ; θ) représente le modèle théorique, yi les mesures du système et θ les paramètres

physiques du système qui seront ajustés. Les moindres carrés est une méthode très précise
qui permet d’éliminer beaucoup d’incertitude relier au bruit de mesure et nécessite moins de
puissance de calcul que certain algorithme apprentissage, ce qui est très souhaitable dans une
application temps réel [45]. Elle est utilisée pour estimer l’état de charge et les paramètres
internes la cellule [45, 46, 11]. Pour Hu et Duong, l’erreur d’estimation est d’environs 2%.
Cette technique est une bonne alternative au filtre de Kalman malgré que les performance
sont légèrement inférieur selon la littérature. Il serait intéressant de comparer les deux sur
les critères de performance et de temps de calcul.
I. H infinity
La méthode H∞ est une approche de commande multivariable qui construit une logique de
contrôle autour d’un modèle optimisé mathématiquement. Cette technique est très robuste
pour des systèmes où les variables ont des influences les unes sur les autres, mais nécessite
une très bonne compréhension mathématique pour bien appliquer les théorèmes et un bon
modèle du système. Lin [47] utilise cette méthode pour estimer l’état de charge dans des
essais en laboratoire. Les résultats montre une erreur de 1% pour une cellule LiM n2 O4 et de
1.9% pour une cellule LiF eP O4 soumis à un profil de demande en puissance standard.
J. Observateurs non-linéaire
Les observateurs non linéaires sont des algorithmes qui ont été développés principalement
pour des applications de contrôle ou positionnement qui nécessitent une très grande stabilité
et une robustesse contre les perturbations environnementales et les incertitudes du modèle.
Gholizadeh et Kim [48, 49], utilise un observateur à mode glissant pour estimé l’état de charge
de batterie au lithium-ion. L’observateur à mode glissant est conçu pour contraindre l’état
système près du modèle. Cette technique utilisée fréquemment dans le contrôle de système
non linéaire s’avère efficace pour l’estimation de l’état de charge. Elle garantit une stabilité et
de la robustesse dans l’estimation, par contre l’ajustement des gains de contrôle du glissement
peut s’avérer ardu.
38
Cacciato [50] utilise deux contrôleurs proportionnels intégraux (PI) et un modèle Thévenin
double polarisation afin d’estimer l’état de charge et la capacité actuelle de la batterie. La
fonction de ce contrôleur est de converger la valeur estimée vers la valeur mesurée. Le PI est un
type de contrôleur simple à concevoir et ne nécessite pas beaucoup de ressource informatique.
Par contre, si les gains ne sont pas correctement calibrés, il peut résulter d’importante erreur.
K. Algorithmes d’apprentissage
Les algorithmes d’apprentissage sont basés sur des techniques d’intelligence artificielle qui
permettent d’obtenir les meilleurs paramètres d’un modèle grâce à leur capacité d’adaptation
et d’autoapprentissage. Dans cette catégorie, on retrouve les réseaux de neurones et la logique
floue.
Les réseaux de neurones sont des outils mathématiques très avancés qui grâce à l’autoappren-
tissage permettent de représenter un système non linéaire complexe. Ces réseaux utilisent une
quantité énorme de données pour s’entraîner sans connaître les caractéristiques de la batterie.
Le réseau est composé de trois couches distinctes telles que montrées à la Figure 2.16, les
entrées, les sorties et la couche cachée. La couche cachée est inaccessible par le programmeur
et est formée à partir de l’entraînement fait avec de données du système observé. Plus l’al-
gorithme est soumis à des entraînements variés et répétés, plus la précision des variables de
sortie comme l’état de charge [8] ou l’état de santé augmentera. Le temps d’entraînement et la
quantité énorme de données nécessaires pour obtenir un bon algorithme sont les désavantages
de cette méthode.
39
Figure 2.16 – Réseaux de neurones [30]
La logique floue (LF) est un algorithme pour les systèmes non-linéaire. Comme pour les
réseaux de neurones, la logique flou nécessite des données pour l’entraînement de l’algorithme.
La logique est basée sur la définition de la valeur de vérité d’une affirmation par un nombre
variant entre 0 et 1. Pour bien comprendre cette technique, il faut se référer à la théorie des
ensemble flous et la mécanique des variables flous. Il y a trois grandes étapes de le processus
de logique flou, la fuzzification, les règles d’inférence et la défuzzification. Dans la première
étape, on transforme les variables numériques en variables flous, ensuite à l’aide des règles
d’inférence, des transformées sont appliquées pour obtenir les variables de sortie qui sont
ensuite transformés en valeurs numériques.
Le désavantage avec les algorithmes demandant de l’entraînement est que si l’un des éléments
du système change, le processus d’entraînement doit être refait pour retrouver les mêmes
performances. Dans le cas d’un système de gestion de batterie qui pourrait être utilisé sur
plusieurs batteries différentes, avec des caractéristiques bien différentes, une méthode utilisant
un modèle est plus flexible. Si le modèle nécessite seulement de changer ses paramètres selon
la cellule utilisée et que la méthode de caractérisation de la cellule est plus rapide que le
processus d’entraînement, une méthode utilisant un modèle est suggérée.
40
2.2.5 Système de gestion de batterie dans l’automobile
Dans l’industrie automobile, chaque manufacturier a son propre design de circuit de gestion
de batterie. Nous pouvons constater dans le Tableau 2.4 que la topologie le maître - esclave
et le balancement de type passif sont les plus utilisés. En ce qui concerne le choix du micro-
contrôleur et du circuit intégré d’interface cellules, les choix sont très variés. Par contre, il
est important de noter que tous les microcontrôleurs, à l’exception du Freescale MC9S12P64
utilisé dans la BMW i3, sont 32bits. La Figure 2.17 montre le circuit esclave utilisé dans la
Tesla Model S.
Tableau 2.4 – Design de BMS de certains véhicules disponibles sur le marché [51]
Circuit
intégré
Modèles Topologie Microcontroleur Équilibrage
d’interface
cellules
Chevrolet Volt
Maître - Esclave Freescale S9S08DZ32 STMicro L9763 Passif
2011
Tesla Model S Maître - Esclave Inconnu BQ76PL536 Passif
Mitsubishi Linear
Maître - Esclave NEC F3612M2 Passif
iMiEV 2011 LTC6802G-2
Linear
BMW i3 Maître - Esclave Freescale MC9S12P64 Passif
LTC6802G-2
Ford Fusion Freescale Analog Devices
Centralisé Passif
2013 MPC5534MVZ80 AD7280
Nissan Leaf Renesas
Centralisé NEC DS15110 Passif
2011 PD70F3236BM
Toyota Prius
Modulaire Renesas PD79F0121A Inconnu Actif
PHEV 2012
EMUS Maître - Esclave STM32F103 BQ76PL536 Passif
41
Figure 2.17 – BMS d’une Tesla Model S [52]
2.3 Méthodologie de validation

La phase de validation est une étape cruciale dans le développement d’un produit, car c’est
à cette étape que les composants seront soumis à divers tests et que les choix de conception
seront validés. La méthode classique et intuitive consiste à concevoir un prototype, procéder
à une phase de validation et recommencer ce cycle jusqu’à ce que le prototype atteint le
niveau de qualité désiré et que toutes les corrections y ont été apportées. Cette méthode
très linéaire apporte son lot de problèmes, principalement parce que le départ de chacune
des étapes dépend de la fin précédente. La phase de validation se trouve alors beaucoup plus
complexe et longue à exécuter, car elle s’exécute après la phase de conception et le nombre
de fonctions à tester est très élevé. La méthode de conception en V amène une approche
plus itérative. Comme illustré à la Figure 2.18, la méthode en V prévoit plusieurs phase de
validation à différente étape dans la phase de design. Les multiples validations permettent
ainsi de rapidement détecter les erreurs et de d’effectuer les correction tôt dans la phase de
design, ce qui aura un faible impact sur le déroulement du projet. Plus l’erreur est détecter
tard dans le processus de développement, plus l’impact peut être majeur sur le déroulement.
La méthode en V favorise l’utilisation d’outil de simulation et d’émulation afin d’effectuer
le plus rapidement possible des tests sur les composants, tout en étant très représentatif de
l’environnement réel du prototype final. Il est donc très commun d’utiliser des équipements
pour émuler des composants du prototype afin de tester un sous-système spécifique.
42
2.3. MÉTHODOLOGIE DE VALIDATION
Figure 2.18 – Cycle de conception en V
2.3.1 Validation par système d’émulation matérielle
Un système d’émulation matérielle ou communément appelée en anglais Hardware-in-the-

loop, utilise des composants matériels afin de répliquer le comportement d’un système donné.
Les techniques de test HIL ont été principalement développés durant les années 90 pour
valider le fonctionnement de système critique pour la sécurité des aéronefs comme les systèmes
de contrôle de pilotage [53]. Par la suite, l’industrie automobile s’est beaucoup inspirée de ces
techniques afin de réduire la complexité de la phase de test d’intégration [54]. Les véhicules
automobiles incorporent de plus en plus de systèmes électroniques de contrôleur, la phase de
test d’intégration devient alors plus complexe. Les techniques HIL permettent alors de valider
un sous-système en émulant les autres composants du véhicule. Ceci étant fait lors de phase de
validation du sous-système du véhicule, les problèmes rencontrés lors de la phase d’intégration
seront alors réduits puisque certain d’entre eux auront été soulevés précédemment.
Les systèmes HIL s’avèrent très utiles afin de valider des prototypes relier au système batterie
43
des véhicules. Différentes approches sont utilisées dans la littérature en fonction des objectifs
de test ou des contraintes. Le système HIL peut alors émuler avec des modèles et du matériel
plusieurs des systèmes présentés à la Figure 2.4. Ces composants donnent beaucoup plus de
flexibilité lors des tests, permettant facilement d’émuler une faute [55, 56] ou du vieillissement
rapide.
Lorsque l’élément physique à tester est la batterie, le véhicule entier peut être émulé pour éva-
luer différent type de batterie [57], pour validé un modèle [58] ou pour validé des algorithmes
de gestion d’énergie et des stratégies multisource [59, 60, 5].
Pour l’émulation de batterie, plusieurs approches sont aussi utilisées. La batterie peut être
modélisée comme une source contenant un seul élément électrochimique homogène et n’ayant
que 2 pôles de sortie. Une source électronique contrôlable peut ainsi être utilisée comme
système d’émulation en ajustant sa sortie conformément au modèle désiré. Ce type de système
HIL est utilisé pour testé des éléments de la chaîne de traction du véhicule [61, 62]. En
ajustant la tension de sortie de la source en fonction d’un modèle de batterie, les systèmes
électroniques sont soumis à une tension d’entrée variable en fonction du courant demandé, tel
qu’il serait observé avec l’utilisation d’une batterie. La Figure 2.19 montre le schéma typique
d’un système HIL tel que décrit. Par contre, cette approche ne permet pas de tester des BMS,
car la tension de chacune des cellules présente dans la batterie n’est pas émulée.
Pour la validation de BMS, deux approches sont fréquemment utilisées dans la littérature ;
l’approche par communication [63, 64] et l’approche par signaux [65, 66]. Ces deux approches
permettent de tester différentes fonctions du BMS à deux niveaux d’intégration différents.
L’approche par communication est plutôt utilisée pour une validation des fonctions logicielle
et peut être utilisé dès le début de la phase de conception, alors que l’approche par signaux
est utilisée pour une validation système et peut être utilisé lorsqu’un prototype partiel ou
complet est disponible.
L’approche par communication permet la mise en place rapide d’une plate-forme de test en
émulant les données acquises par les capteurs via un bus de communication. Cette approche
peut-être utilisée avec les topologies maître-esclaves et modulaires, décrites dans la section
44
2.3. MÉTHODOLOGIE DE VALIDATION
Figure 2.19 – Système HIL d’émulation de batterie homogène
2.2.1, très tôt dans la phase de développement afin de valider des fonctions logicielles. Le
système HIL émule la batterie et le circuit de mesure du BMS, tel qu’illustré à la Figure
2.20. De cette façon, il est possible de rapidement tester les fonctions de sécurité et de
gestion d’erreurs du BMS. Les algorithmes d’estimation d’état de charge et d’état de santé
peuvent aussi être validés tôt dans le processus de conception avant que tous les circuits
électroniques soient développés. L’équipe de conception logicielle peut de cette façon tester
le logiciel en utilisant une plate-forme de développement. Par contre, cette méthode ne teste
pas entièrement le BMS, d’autres tests doivent être fait pour valider les circuits électroniques.
Figure 2.20 – Système HIL d’émulation de batterie par BUS de communication
45
Figure 2.21 – Système HIL d’émulation de batterie par signaux
L’approche par signaux permet une validation beaucoup plus complète du BMS en permet-
tant la validation des fonctions matérielles et logicielles. Celle-ci permet d’émuler les signaux
électriques provenant des la batterie ou de capteurs. Le système HIL réplique les signaux de
tension provenant de chacune des cellules de la batterie, les signaux provenant du capteur
de courant et des capteurs de température. Cette approche est souvent appelée aussi mul-
ticellule, car basé sur un modèle, elle permet de répliquer les signaux mesurés par le BMS,
conformément au courant appliqué sur la batterie émulée. Cette approche permet de valider
le fonctionnement des circuits électroniques de mesure ainsi que des fonctions logicielles trai-
tant les données acquises pour déterminer l’état de charge, l’état de santé ainsi que les autres
fonctions de sécurité et de gestion d’erreurs. Il est aussi possible de valider le fonctionnement
des circuits d’équilibrage, si le système HIL permet de fournir du courant au BMS. Certaine
interface présentée dans [67, 66, 68], permettent de fournir respectivement un courant de 200
mA, 1.45 A et 5 A au BMS sous test. Cette approche n’est pas intrusive, elle inclut tous
les composants réels du BMS et ne nécessite aucune modification au système électronique
actuel. La Figure 2.21 montre un schéma de système HIL de type signaux.
46
2.4. SYNTHÈSE DE L’ÉTAT DE L’ART
2.4 Synthèse de l’état de l’art

Ce chapitre a introduit les notions théoriques afin de bien comprendre le fonctionnement des
batteries lithium-ion ainsi que les précautions qui doivent être prise lorsqu’elles sont utilisées.
Par la suite, les différentes fonctions exécutées par le système de gestion de batterie y sont
présentées. Le choix de la topologie et des composants est primordial afin d’optimiser les
performances et le coût d’un tel système. Il a été mis en évidence que l’estimation d’état de
charge est une donnée importante pour le conducteur qui permet d’obtenir une estimation
du nombre de kilomètres pouvant être parcourus par le véhicule. Plusieurs types d’algo-
rithme d’état de charge ont été présentés et peuvent être classés en 4 catégories distinctes ;
les méthodes boucle ouverte, méthodes basées sur un modèle, méthodes adaptatives basées
sur un modèle et les méthodes basées sur l’intelligence artificielle. Les méthodes adaptatives
basées sur un modèle sont beaucoup plus prometteuses pour des applications embarquées,
car elles offrent à la fois une excellente précision sans nécessiter un processeur de calcul très
performant. Certaines de ces méthodes offrent certains avantages recherchés pour des appli-
cations de véhicule léger, tel que de faibles ressources de calcul nécessaires à son exécution.
Les filtres de Kalman sont le plus utilisés dans la littérature, mais ceux-ci demandent des
calculs matriciels difficiles à exécuter pour des microcontrôleurs à faible coût. L’algorithme
proportionnel intégral présent un temps d’exécution rapide, mais la précision est inférieur
au filtre de Kalman. Le chapitre 4 présentera un algorithme nouvellement utilisé pour l’es-
timation d’état de charge, provenant du domaine du contrôle avancé, qui est une évolution
naturelle des contrôleurs PID. Basée sur la théorie de réjection des perturbations du système,
cet algorithme permet d’obtenir une précision équivalente à d’excellents filtres de Kalman,
tout en ayant un temps d’exécution plus rapide.
Tout d’abord, le chapitre 3 introduira la méthodologie de la validation des algorithmes et la

conception du système HIL nécessaire à cette validation. Afin d’évaluer les performances des
algorithmes sur un microcontrôleur, il a été nécessaire de développer des cartes électroniques
afin de pouvoir émuler les signaux des capteurs nécessaires au BMS. Ce système HIL a aussi
comme avantage de pouvoir répéter fidèlement les mêmes conditions de test, ce qui serait
impossible à faire avec de vrais batteries.
47
48
Chapitre 3
Émulateur multi-cellules pour

validation de système de gestion de
batterie
Titre original : Multi-Cell Emulation for Battery Management System Validation

Auteur et affilications :
Pascal Messier - CTA-BRP-UdeS, Université de Sherbrooke, Sherbrooke, Canada
Félix-Antoine Lebel - CTA-BRP-UdeS, Université de Sherbrooke, Sherbrooke, Canada
Jasmin Rouleau - CTA-BRP-UdeS, Université de Sherbrooke, Sherbrooke, Canada
João Pedro F. Trovão - e-TESC Laboratory, Université de Sherbrooke, Sherbrooke, Canada
État : Publié - doi : 10.1109/VPPC.2018.8604959
Conférence : 2018 IEEE Vehicle Power and Propulsion Conference (VPPC), Chicago, IL,
2018, pp. 1-6.
https ://ieeexplore.ieee.org/document/8604959
Mise en contexte du chapitre

Dans cet article, la conception du système HIL servant à la validation des algorithmes sera
présentée. Ce système de test est un élément clé de ce projet de recherche, car il assure une
répétabilité entre chacun des tests afin de valider les algorithmes avec les mêmes paramètres.
Un ordinateur temps-réel a été utilisé afin de générer des signaux électriques, correspondant
49
CHAPITRE 3. ÉMULATEUR MULTI-CELLULES POUR VALIDATION DE SYSTÈME
DE GESTION DE BATTERIE
aux signaux mesurés par le BMS, en fonction d’un modèle de simulation représentant une
batterie soumise à divers profil de puissance. Un circuit permettant d’interfacer le système
de génération de signaux et le BMS a été développé pour répondre au besoin spécifique de
ce projet. Le détail des circuits électroniques et la validation des performances du circuit et
du modèle utilisé seront présentés dans ce chapitre.
3.1 Résumé
La validation d’un système de gestion de batterie (BMS) est une tâche complexe qui im-
plique des composants matériel et logiciel comme des systèmes d’interface analogiques, un
circuit d’équilibrage et un microcontrôleur contenant des algorithmes d’estimation et de ges-
tion d’erreur. Les tests exécutés avec de vraies batteries peuvent devenir fastidieux et un
simulateur Hardware-in-the-loop (HIL) est plus efficace et sécuritaire quand il s’agit de tester
des situations qui sont en dehors de la zone d’opération normale. Dans cet article, un circuit
d’émulation de cellule a été conçu pour créer un système HIL personnalisé pour la validation
de BMS, qui peut être utilisé avec tout ordinateur temps-réel standard et générateur de si-
gnaux. Ce HIL émule le comportement dynamique des cellules d’une batterie pour valider les
fonctions de mesures de tension et l’estimation de l’état de charge (SoC) du BMS. Ce système
peut directement alimenter le BMS pour tester sa fonction d’équilibrage des cellules. Les tests
initiaux montrent des bonnes performances de l’émulateur de cellule comparativement à des
vrais tests de décharge de cellule. Ce système peut standardiser la validation de BMS, tout
en étant une solution abordable pour la simulation de système réel.
3.2 Abstract
The validation of a Battery Management System (BMS) is a complex task that involves
hardware and software components such as an analog front-end (AFE), a balancing circuit
and a microcontroller with estimation algorithms and fault management. Test conducted
with real batteries can become time-consuming and a Hardware-in-the-loop (HIL) simulator
can be more efficient and safer when it comes to testing situations outside the normal range
50
3.3. INTRODUCTION
of operation. In this paper, a cell emulator circuit has been designed to create a custom HIL
system for BMS validation that can be used with any standard real-time computer or signal
generation hardware. This HIL emulates the behavior of battery cells dynamic in order to
validate the voltage monitoring and state-of-charge (SOC) estimation function of the BMS.
The system can supply current directly to the BMS to test the balancing function of the
BMS. Initial tests show good performance of the cell emulator system compare to a real cell
discharge. This system can standardize the validation of BMSs while being an affordable
solution for simulation test systems.
3.3 Introduction
The battery management system (BMS) is an important part of a safe and robust lithium-
ion battery (LIB) design. This system is important to avoid any electric or thermal abuse on
the cells, preventing events such as overcharge, undercharge and overheating that can lead
to battery premature degradation or thermal runaway. In electric vehicles (EVs) or hybrid
electric vehicles (HEVs), these protections are highly important because the damage of the
battery will directly be translated to a reduction of range or in extreme cases the loss of
the vehicle. The standard procedure of any product planning is to include a validation phase
where the prototypes are subjected the different use cases encountered in its lifecycle.
An industrial standard for software development process known as V-Shape, shown in Figure
3.1, can also be used in embedded software (SW) and hardware (HW) where the vertical
axis is representing the abstraction layers and the horizontal axis is representing the project
timeline. By using the V-Shape model, it is possible to harmonize the design and a multi-stage
validation phase during the whole project.
Validating a prototype in a real case scenario would be more representative but, time-
consuming and costly. With the increasing use of electronic components and the rising com-
plexity of the systems, the number of scenarios that need to be addressed has drastically
increases. The HIL become advantages when the environment can be simulated. HIL has
been used since the 90’s to validate safety critical systems such as flight control. The auto-
51
motive industry uses it to test electronic control unit and thus avoiding intense and complex
test phase during the integration of all other components of the vehicle [54]. HIL become
useful when other dependant systems a not readily available. These systems may not be
available or currently in their design phase, as it is the case with third-party electronics. If
it can have an impact on the functions of the system of interest, it must be considered into
the validation.
Figure 3.1 – V-Shape development process
The purpose of a BMS is to monitor the state of a battery. A battery is an electrochemical

energy storage device that has non-linear behavior and is subject to aging. The BMS is mostly
used to monitor the voltage, the temperature, to control balancing of the cells, to estimate
the state-of-charge and the state of health (SOH). These algorithms are mostly designed
offline with mathematical software and are then translated into the embedded code. When
the algorithms are transferred into a microcontroller, the same performance is not guaranteed
due to the different computing resources, the possible interferences with the other routines
and a non-expected level of sensor noise that may not have been considered during simulation.
52
3.4. REVIEW OF BATTERY MANAGEMENT SYSTEMS
However, to validate properly the embedded code and the state algorithms, the BMS must
be submitted to different scenarios, with battery at different levels of degradation, and to
different types of failure. Generating all these cases with physical batteries would require a
large number of prototypes, the tests would be hard to replicate, be very time-consuming
and some failure modes can be dangerous. In contrast, tests conducted with an HIL battery
simulator can reproduce the BMS’s requested signals for numerous cases quickly and safely.
Therefore, in the same time range, it would be possible to run more cases and ensure a higher
product reliability. This efficiency will also be beneficial by reducing the cost of the testing
phase and maintaining the same time to market. The scope of this work is to develop a system
that can replicate the behavior of a battery to test the BMS-HW and SW functionalities.
To meet these requirements, the market offers some commercial HIL solutions. However,
most of these systems are expensive, not well suited to specific tests requested by BMS
development and requires specific proprietary program and hardware. The investment can
be difficult to justify for a small volume of prototypes such as academic research projects. This
paper presents a scalable HIL solution that uses common real-time systems, signal generation
hardware and custom electronic circuits.
The paper is organized as follows. Section II introduces the different BMS architectures and
HIL approaches for its validation. Section III presents the multi-cell HIL solution. In section
IV, the performance of the system will be presented. Finally, section V concludes with final
remarks and future works perspective.
3.4 Review of Battery Management Systems
3.4.1 Architecture of a Battery Management Systems
The BMS is a set of circuit and electronic component associated with the battery operation.
Lithium-ion batteries require to be constantly monitored by a BMS to ensure the cells remain
in the voltage and temperature operating range. The BMS is used in many applications,
especially in EVs and HEVs, where a large number of cells is required. In vehicles, the BMS
53
must interact with a lot of other systems to communicate or receive pertinent information and
control some components. Figure 3.2 shows a typical environment of the BMS in a vehicle.
The electrical connection to the battery is done as shown in Figure 3.3, where each terminals
of the series cells is connected to the circuit. All cells connected in parallel are measured by the
same channel of the BMS. The terminal voltage of each parallel is considered homogeneous.
Moreover, on the hardware level to achieve the basic functions, the system must contain at
least an AFE to acquire cell voltage, an active or passive circuit to balance each series cells, a
communication interface and a microcontroller to execute the software and algorithms. There
are four common hardware topologies, master/slave, centralize, modular and distributed [26,
3, 20].
Figure 3.2 – Battery management system and other peripherals in vehicle
Each topology affects how the electronic circuits and the functions are separated. A mas-
ter/slave topology will use two distinct circuits for specific functions. The slave unit is used
for cell level functions such as cells voltage, temperature measurement and balancing. The
master unit is used for the battery level functions such as SOC and SOH estimation, charge
control and fault management. The information from the slave is communicated to the mas-
ter. A centralized topology will use one electronic circuit for the entire battery where all the
54
3.4. REVIEW OF BATTERY MANAGEMENT SYSTEMS
functions are integrated. A modular topology is a hybrid between the last two, where multiple
identical electronic circuits can do different levels of functions. Typically, one of these circuits
is set as the master and executes battery level functions. The last topology is the distributed.
This topology uses one circuit for each cell. This topology is difficult to integrate due to a
large number of circuits and is not frequently uses in industrial applications.
Figure 3.3 – BMS cells electrical connection
The BMS topology depends on the battery pack size, the battery cell arrangement and
designer choices. However, topologies have an impact on the hardware and software functions
distribution and the validation procedure. Different approaches of HIL system can satisfy the
test requirements.
3.4.2 Hardware-in-the-loop System for Battery Emulation
For these reasons, HIL simulators are wildly used for the prototype design of battery system.
Different approaches are used in the literature, for different test objectives and constraints. A
HIL system uses virtual and physical components to replicate a complex system. In the case
of a vehicle battery system, an HIL system can virtualize many components of Figure 3.2
and linked them to some hardware components. The hardware components can be used to
55
emulate a physical component with more flexibility over the cases to test, such as emulating
a faulty [55, 56] or rapidly aging cell.
When the system of interest is the battery, HIL system can be used to emulate a complete
vehicle for different types of battery validation [57], model validation [58], energy management
strategies and multi-source strategies [5, 59, 60].
Figure 3.4 – High-level architecture of the proposed HIL
For battery emulation, different approaches can be found in the literature. The LIBs can
be modeled as a pack, where the battery is represented as one single homogeneous elec-
trochemical element. This approach is used for power electronic validation [62]. For a BMS
validation, a cell-based approach [65, 66] is more frequent. Otherwise, some BMS features
cannot be tested, such as cell to cell balancing and electric quantity scatter SOH method
[69]. To operate properly, a BMS must a least monitor the voltage value of each cell, the pack
current and the temperature of the cells or the pack. A cell-based approach can provide all
the simulated signals needed at a cell level. The balancing circuit is an important function
that maintains the cells at the same SOC over time. For a complete BMS validation, it is
important to test the balancing circuits to ensure that each cell can be properly discharged
if needed. Power interfaces is necessary to source or sink currents between the emulated cell
and the real electronic circuits. Some interfaces are presented in the literature [66, 67, 68].
These interfaces allow current levels up to 200 mA, 1.45 A or 5 A. The interface in [66] allows
56
3.5. HARDWARE-IN-THE-LOOP SYSTEM
testing of passive and active balancing. The setup in [68], is only designed to test balancing
circuits.
The HIL systems presented before are focused on the signal approach involving the emulation
of the sensors signals. With some BMS topologies, like the master/slave and the modular,
it is possible to use a communication-based approach [63, 64], where sensors are emulated
through the communication bus of the system. This approach is mostly used to test SW
functions and algorithms because HW functions as measuring or balancing cannot be tested.
Furthermore, the right approach depends on the test objectives, the functions that need to
be validated, the topology and the level of integration of the design. A communication-based
approach requires less HW and is quicker to deploy. The cell-based approaches are more
suitable to test a larger variety of BMSs and functions. The proposed system will use a
cell-based approach.
3.5 Hardware-in-the-loop System

The intent of this project is to design a modular, affordable and flexible multi-cell emulator to
test BMS functionalities. In a research context, the configuration of the prototype can differ,
and the volume of units can be low. An easily configurable solution using minimal time and
effort is valuable. The BMS targeted by this study is following the modular topology and is
designed to monitor 14 cells. According to the analysis of the BMS, the HIL system needs to
support the test of the primary functions including cell voltage monitoring, cell balancing,
pack current motoring and diagnosis. The HIL includes the following functions.
— Independent simulation model and electronic circuits for each emulated cell
— Validation of the balancing circuits
— Power electronics that can handle a high balancing current
— Simulate faults
— Simulate current sensor output
57
To simulate larger battery packs, other slave modules can be simulated using communication-
based HIL method. The HIL system proposed is composed of a real-time target computer,
an external power supply and several cell emulators as shown in Figure 3.4.
3.5.1 Equivalent circuit based model
To represent the cell voltage response to the current load applies, a simulation model is
needed to calculate the desired voltages of each channels. In [70], several kinds of battery
models used on EVs and HEVs were analyzed. A third order electric equivalent circuit model
is used to simulate the non-linear terminal voltage of the cell, as shown in Figure 3.5 [71].
The model uses R0 as the internal resistor and Uoc as the open circuit voltage. The R1 C1 ,
R2 C2 and R3 C3 circuits simulate the transient characteristics of the cell.
The equivalent circuit base model is defined by the set of equations listed below
∫ t
iη
SoC(t) = SoCini − dt (3.1)
t0 Cnom
Rx
Ux (s) = IL (s) (3.2)
1 + Rx Cx (s)
Ut = Uoc (SOC) − IL R0 − U1 − U2 − U3 (3.3)
where s is the Laplace operator, SOCini is the initial SOC value, Cnom the nominal capacity
of the cell, η the Coulombic efficiency, Ux are the voltages cross the Rx Cx circuit, IL the
current and Ut the terminal voltage of the cell.
3.5.2 Real-Time Target Computer
The signal response of the model needs to be generated to interact with the physical sys-
tem under test. The purpose of this equipment is to bring the model outputs to electrical
signals. The RTD IDAN® is a configurable real-time computer and it has been chosen for its
compatibility with the models generated by MATLAB/Simulink® and the modularity of the
58
3.5. HARDWARE-IN-THE-LOOP SYSTEM
Figure 3.5 – Third order equivalent circuit model of the cell
hardware platform. The IDAN uses software from OPAL-RT that can directly be coded with
Simulink blocks. This feature allows to directly transfer the model developed by simulation
to the real-time target with minor changes. This is less time consuming than programming
the model in C language and implement it into a Digital Signal Processor (DSP).
The modularity of the hardware platform is also an advantage. The vertical stackable inte-
gration of the input-output module gives the flexibility to expand the HIL functionalities if
needed. The IDAN is equipped with two 8 channel analog output modules for the cell voltage
and current sensor emulation and two 16 channel analog inputs for feedback signals from the
cell emulator.
3.5.3 Cell Emulators
One challenge when it comes to emulate a series of cells is to be able to recreate the sum of the
terminal voltage of each cell. With standard analog waveform generator, the maximum voltage
range is typically from - 12 V to + 12 V. Most of these cards have the same common reference
otherwise there is a none-negligible cost increase if all channels are isolated. However, the
voltage range is not enough to simulate all the series cells that at least a slave unit can
handle. Most of the integrated circuit (IC) manufacturers offer AFE that can monitor 6 to
16 cells. With a standard waveform generator, an external electronic circuit is required to
isolate each signal from the common voltage reference and reference the isolated signal from
the previous element like cells place in series. As shown in Figure 3.8, the circuits are placed
59
in series like electrochemical cells, where the negative reference is connected to the positive
one of the previous. The cell emulator design is shown in Figure 3.6.
Figure 3.6 – Cell emulator circuit
Figure 3.7 – Cell emulator circuit diagram
Each cell emulators are independent of each other. The emulator takes as input a 12 V supply
and the simulated cell signals. The supply voltage is passed through two parallel-isolated DC-
DC converters to provide two level of voltage required by the other section of the circuit.
As presented in Figure 3.7, an isolated operational amplifier is used to transfer the signal
generated by the IDAN target to the other referenced circuit section. This signal is afterward
pass through a power amplifier. This amplifier is needed to supply current when the balancing
circuit is activated for a cell. The power amplifier used in this circuit is able to provide a
60
3.6. RESULTS
current of up to 2 A. Feedbacks are also implemented to return to the real-time target status
beyond the isolation barrier. The output voltage and the balancing current value are returned
to the system through isolated operational amplifiers.
The reference for the next circuit is taken directly at the output of the power amplifier. By
taking the reference at this point, it has the effect to add the value of the signal to the next
emulator. It means that the voltage between the lowest reference and the second cell emulator
in the series will be a function of the voltage output of the first one. If the first emulated
cell discharges, the total voltage of the series will decrease proportionally but the terminal
voltage of the other cell will remain constant if there is no current applied to the simulated
model.
3.6 Results
In this section, the performance of the prototype cell emulator will be presented. The test
will evaluate the error between the emulated cell and real acquisition. The validation of the
first prototypes has been done using an eDAQ acquisition system connected to the output of
the two cells emulator prototypes and measuring the total voltage of the two-emulated series
cell as shown in Figure 3.8. Discharge tests have been performed using a lithium-ion NMC
cell as the reference.
Figure 3.8 – Test setup diagram
61
Tableau 3.1 – Cell emulator output error vs the experimental and the simulation data
Error
Signals
RMS Maximum
Simulation 2mV 0.06 % 9.8mV 0.24 %
Experimental 19.9mV 0.26 % 58.7mV 1.96 %
Figure 3.9 – Cells voltage under a constant current discharge at 1 C
62
3.6. RESULTS
The results show two cell emulators under a constant discharge current compare to the
simulation result and the experimental data. The simulation result is obtained with a Simulink
model using the same parameters used in the real-time computer. The model of each emulated
cell shares the same initial parameters. As shown in Figure 3.9, the two-emulated channels
overlay each other, as it was predictable by simulated two identical cells. A difference can be
noticed between the experimental and the emulated discharge. Figure 3.10 shows the voltage
error of the emulator compared to the simulation and experimental data. The results show
that the error of the experimental data is not constant during the discharge. On the other the
hand, the error between the simulation and the emulation is almost constant. This behavior
shows that the hardware components are responsive to the signal input values and introduce
minor offset during the multiple analog amplification stages. However, tuning the parameters
of the model for a specific cell is a difficult task. The accuracy of the selected model is the
main contributor to the total error of the system. The error results are presented in Table
3.1.
Figure 3.10 – Cell emulator output error vs the experimental and the simulation data
The balancing current capability has been tested using a power resistor connected to the
output of the cell emulators. A cell at rest has been simulated during this test. The circuit
63
Figure 3.11 – Emulated cells and battery terminal voltage
is closed externally as if it was done by the BMS. The results show that the emulator is
easily capable of supplying 1.5 A to a BMS balancing circuit without any significant voltage
drop. For testing purpose, the balancing current feedback has not considered in the current
applied to the simulation model in order to validate the performance of the power amplifier
only. With a real cell, the voltage should have dropped in accordance with the simulation
model. The current feedback of the cell emulator will provide this information and adjust the
voltage output.
The other feature that was tested is the ability to be connected in series like real cells. In
Figure 3.11, the two emulators were connected in series and the terminal voltages of the two
emulators are read. With only passive filtering between the two emulators, the voltage level
of the first one is added to the signal of the second one. The feature allows the user to easily
64
3.7. CONCLUSION
scale up the number of emulated cells without further design efforts.
3.7 Conclusion
This paper presents a custom solution of multi-cell emulation for battery management sys-
tem validation. A HIL system reduces the validation testing time in comparison with tests
conducted with real lithium-ion cells. The tests with HIL are more efficient, easily replicable,
safer and allows testing beyond normal use cases. The current work introduces a modular
HIL multi-cell system that can be interfaced with any common standard real-time computer
or signal generation hardware. The validation of the first two prototypes of cell emulator was
conducted to ensure the basic functionalities, emulation of a cell dynamic, sourcing balan-
cing current and capability to connect the emulators in a chain. The results show that the
emulators meet the expected requirements with a minimum accuracy of 1.96%.
Future works will address the complete validation with a BMS, current sensor emulation,
fault insertion and improvement of the cell dynamic model.
65
66
Chapitre 4
Estimation de l’état de charge basée

sur l’algorithme d’observation de
perturbations
Titre original : Disturbance Observer-based State-of-Charge Estimation for Li-ion Battery

used in Light Electric Vehicles
Auteur et affilications :
Pascal Messier - CTA-BRP-UdeS, Université de Sherbrooke, Sherbrooke, Canada
Bao-Huy Nguyen - e-TESC Laboratory, Université de Sherbrooke, Sherbrooke, Canada
Félix-Antoine Lebel - CTA-BRP-UdeS, Université de Sherbrooke, Sherbrooke, Canada
João Pedro F. Trovão - e-TESC Laboratory, Université de Sherbrooke, Sherbrooke, Canada
État : Soumis et en évaluation
Journal : Journal of Energy Storage (Elsevier)
Mise en contexte du chapitre

Dans cet article, le développement et l’implémentation de l’algorithme DOB pour l’estima-
tion de l’état de charge de batterie lithium-ion sont présentés. Cet algorithme issu de la
théorie du contrôle avancé a été adapté pour l’estimation de l’état de charge. Le développe-
ment mathématique sera présenté de manière détaillée. Cet algorithme se distingue par ses
performances, mais aussi par sa simplicité qui permet de l’adapter à tout type de batterie
67
CHAPITRE 4. ESTIMATION DE L’ÉTAT DE CHARGE BASÉE SUR L’ALGORITHME
D’OBSERVATION DE PERTURBATIONS
en changeant les paramètres du modèle utilisé. La validation des performances s’est faite en
utilisant le système HIL décrit dans le chapitre précédent. Un profile de puissance enregistré
sur un véhicule électrique à trois roues a été utilisé pour comparer les performances de plu-
sieurs algorithmes embarqués à celui développé.
4.1 Résumé
L’état de charge de la batterie d’un véhicule électrique est une information critique pour
le conducteur. La précision de l’algorithme d’état de charge est souvent limitée par les ca-
pacités de calcul des composants électroniques. Il est critique de s’assurer que les requis de
performance obtenus dans la phase de design sont maintenus lors de l’implémentation vers un
microcontrôleur bas de gamme. La demande grandissante pour des petits véhicules électriques
augmente le besoin d’algorithmes précis et faible en opération de calcul pour les systèmes
de gestion de batterie à faible coût. Cet article introduit un nouvel algorithme d’estimation
d’état de charge qui amène un compromis entre précision et simplicité. Un algorithme basé
sur l’observateur de perturbation offre une solution simple qui réduit le temps de calcul en
obtenant des performances similaires à d’autres algorithmes d’estimation d’état de charge
bien connu. Ce nouvel estimateur a été programmé dans un système embarqué pour être plus
représentatif des conditions de calcul réel. La validation de l’algorithme à été réalisée avec
un système Hardware-in-the-loop spécialement conçu afin d’émuler les signaux électriques
de batterie mesurés par les capteurs de son système de gestion. La validation a été faite en
utilisant un profil de vitesse d’un véhicule réel, issu d’un enregistrement fait sur un véhi-
cule électrique à trois roues. Les performances de l’algorithme proposé ont été comparées à
d’autres algorithmes. Les résultats indiquent que l’observateur de perturbations peut fournir
une estimation plus précise et cela plus rapidement que les autres algorithmes.
68
4.2. ABSTRACT
4.2 Abstract
State-of-charge (SoC) of an electric vehicle battery pack is a critical information for the
driver. The accuracy of the SoC estimation algorithms are often limited by the computa-
tional resources of the electronic hardware. Ensuring that required performances are main-
tained between the design stage and the implementation in a low-cost microcontroller is
critical. The growing demand for light electric vehicles (EVs) increases the need of precise
and computationally-light algorithms for low-cost Battery Management System (BMS). This
paper introduces a novel SoC estimation method that deals with accuracy and simplicity. A
disturbance observer (DOB)-based algorithm offers a simple solution that reduces the com-
putational time while achieving similar performances of other well-known SoC estimators.
The new estimator has been programmed into an on-board system to be more representative
of the real computational resources. The validation of the algorithm has been done with a
custom hardware-in-the-loop system that emulates the battery electrical signals of the BMS
sensors. The validation uses a real vehicle speed profile recorded on a three-wheel light EV.
The performance of the proposed method has been compared to the other estimators. The
results indicate that the DOB-based SoC estimator can achieve a faster and more accurate
estimation than the other approaches.
4.3 Introduction
4.3.1 Motivation and challenges
With the urge to find more sustainable energy solutions to reduce the green gas emission, the
use of energy storage systems like Lithium-ion batteries (LiB) has increased to support the
renewable energy production system, e.g., solar panels and wind turbines. LiB have also made
a breakthrough in the transportation industry allowing tailpipe emission free vehicles. LiB
have relatively high specific energy, long life cycle, and low self-discharge, making them a very
suitable technology for mobile applications. As the demands for more fuel-efficient vehicles
increases, internal combustion engines powered vehicles are likely to be replaced more and
more by EVs and HEVs. This technological transition brings a lot of new challenges for
69
traditional vehicle manufacturers as they require many new components and technologies
like electric motors, power electronics, battery packs. Motorcycles, scooters, trikes and other
small EVs are an excellent application of electrification, especially for urban use. Light EVs
face additional challenges due to limited volume available for the batteries and low cost
needed in this competitive market segment.
In every LiB application, a BMS is required to ensure the safe usage of the LiB and to
estimate precisely its states of charge and health (SoC, SoH). The SoC estimation plays
a similar role to the fuel gauge in a gasoline vehicle, as it gives an approximation of the
remaining energy in the batteries. Unlike fuel level in a gas tank, the SoC cannot be directly
measured. Moreover, non-linear and time-varying characteristics of lithium-ion batteries make
it very difficult to be estimated from measurable variables like voltage and current. SoC
estimation is challenging especially in vehicle applications because a lot of factors must be
considered like battery model, cell unbalancing, aging, temperature [72], load condition, self-
discharge and hysteresis characteristics [73]. Many methods can be found in the literature
to estimate the SoC, based on voltage measurement, current integration [74], model, and
artificial intelligence [30]. The model-based techniques are widely used for SoC estimation
because they are empirical representations of the chemical phenomenon of the batteries and
the parameters can be obtained by laboratory tests [75, 76]. Some algorithms can appear very
accurate but are difficult to implement in on-board systems due to their complexity and high
computational requirements [77]. For light EVs, the choice of the algorithm has a great impact
on the cost of the components used on the BMS circuit boards. The cost of microcontrollers
tends to increase with computational capabilities. This conflicts with the industrial goal to
reduce the cost of systems to remain competitive on the market. Therefore, it is important
to develop algorithms and techniques that run with low computational requirements without
lost in estimation accuracy. Estimating the SoC remains a complex engineering challenge and
depending on the application many solutions can be developed. Trade-off between accuracy,
complexity and cost is under interest for wide development of light EVs
70
4.3. INTRODUCTION
4.3.2 Literature Review
The BMS executes hardware and software requirements to maintain the batteries in a safe
operating area. In most applications an embedded BMS is mandatory for LIBs and mainly
execute :
— Cell monitoring
— Cell balancing
— Temperature management
— Current measurement
— States estimation : SoC and SoH
The cell monitoring task must ensure that the cells never exceed the specified Safe Opera-
tion Area (SOA). The SOA is specified by the cell manufacturer and bounds the maximum
and minimum voltage limit for each cell, maximum temperature, and maximum charge and
discharge current. In a large LIB, a high number of cells are connected in different series/-
parallel configurations to obtain the desired voltage, power and capacity [78]. For matters of
cost and technical constraints, a BMS most often does not measure the current, tempera-
ture, and voltage of every single cell. For current, the measure is mostly done at the battery
pack level with a shunt or a hall-effect sensor. Although temperature could be measured for
every cell, it is neither useful or simple to achieve to handle a high number of sensors. In
most cases, a significant number of temperature sensors are distributed into the battery at
strategic locations such as the expected hot-spots. The voltage is measured for each set of
cells in series and the sets of cells in parallel can be considered as one equivalent cell [79].
The SoC estimation is one of the major tasks that a BMS must execute. The BMS software
includes an algorithm that relies on voltages, current and temperatures measurements to
obtain the most accurate estimation of the actual SoC. Two commons methods are used
to estimate the SoC, with the battery terminal voltage or with the cell’s terminal voltages.
Estimating the SoC using the terminal voltage of the battery pack is easier to implement
but does not give an accurate approximation of the real SoC [80]. This approach makes the
hypothesis that every cell in series have the same SoC and voltage. Computing the SoC based
on the estimations of each set of cells is a more accurate method [9]. In fact, the capacity of a
71
battery is always determined by the weakest cell of the pack and if there is a major difference
between the cells, the error of SoC estimation can become very high [3]. On the other hand,
implementing an algorithm that makes an estimation for every cell in series can become very
demanding for a microcontroller. For a high-volume product, the BMS can become a very
costly component of a battery system, and design effort can be made to reduce the cost of the
electronics. Using a cheaper microcontroller is a solution but it may reduce the performance
of some algorithms. In [77], Mean Absolute Error (MAE) and the execution time of different
SoC method for online application were compared. The result shows a that most of the time,
when the algorithms compared are slower, they are more accurate.
For SoC estimation, a lot of methods can be found in the literature and can be categorized
into four types, the open-loop methods, model-based methods, adaptive model-based method,
and data-driven learning methods. The open-loop methods include Coulomb counting [74]
and open-circuit voltage mathematical representation like proposed by Tremblay, Shepherd,
Unnewehr, and Nernst [32, 33, 36]. Model-based methods include Equivalent Circuit Model
(ECM) and electrochemical model. The adaptive model-based methods include Kalman Filter
(KF), Recursive Least Square (RLS), H-infinity (H), Proportional Integral (PI), Sliding Mode
Observer (SMO) and Particle Filter (PF). The data-driven method includes neural networks
[81], [82],and fuzzy logic [83]. In this framework, the proposed approach is primarily focused
on the model-based methods category.
The Open-circuit voltage (OCV) can be measured when the cells are at rest. A non-linear
relation exists between the OCV and the SoC, as shown in Figure 4.1. The relation can be
described as a mathematical equation, like presented by Tremblay, Shepherd, Unnewehr and
Nernst [32, 33, 36] or with experimental data using a Look-up Table (LuT) [73]. Using a
LuT is a time efficient method to estimate the SoC because value can be found faster than
calculated by a high-order mathematical expression. The major issue is because this relation
is only valid when the cell is at rest. Whenever current is drawn, a voltage drop occurs at
the terminals of the cell. This voltage drop is created by the internal chemical phenomenon
and is often represented by an internal resistance [84]. As the internal resistance cannot be
measured directly, estimating the OCV by the Ohm’s law cannot be done with precision. The
72
4.3. INTRODUCTION
voltage must be measured before any current applied or after the relaxation time of the cell.
The relaxation time is another non-measurable parameter that varies for each cell [85, 86].
Generally, the relaxation time can take hours and made this method not practical in a vehicle
application. Additionally, the characteristics of the OCV curve change with temperature
and age [87]. OCV curves for the operation range of the temperature and for the different
number of cycles need to be measured experimentally prior being implemented into the
microcontroller, to properly estimated the SoC for every LiB operations. OCV characteristic
is also chemistry dependent [75]. Figure 4.1 shows the OCV to SoC relation for a Nickel-
Manganese Cobalt anode/Carbon cathode (NMC) lithium-ion cell. It exhibits a steeper slope
than chemistries like lithium iron phosphate (LiFePO4). This means that a 1% SoC difference
may result in a hardly measurable voltage difference. Errors in the voltage measurement can
lead to greater errors in the SoC estimation [73, 88]. The direct voltage measurement method
is not very suitable for online application with a high current load for all the drawback listed
above. However, this method is integrated most model-based estimation methods that use
OCV estimated values to infer about SoC.
The Coulomb counting method consists of the integration of the current [74]. As current
integration is linear with battery capacity, it is the simplest and most direct method to
estimate the SoC. The mathematical expression of the Coulomb counting (CC) is defined by
(4.1),
∫ t
Ibatt (t)η
SoC(t) = SoC(0) − dt (4.1)
t0 Cbatt
where SoC(t) is the SoC estimation, with SoC(0) is the initial value, η is the coulombic
efficiency, Cbatt the battery capacity and Ibatt the current (discharging current is considered
as positive). For LiB, the coulombic efficiency is close to one and is often neglected.
Despite being the most efficient and precise method in theory, CC has a lot of issues that
make it not accurate in practice. Inaccuracies of the current sensor’s measurements create
an accumulation of errors that tends the SoC estimation to diverge from the real SoC value.
The current sensor may also have a static offset error in the measurement output that leads
to an integration error. In laboratory experiments, a well calibrated current sensor can be
73
used to perform the CC method. Under laboratory conditions, it is possible to obtain very
precise SoC estimation using the CC method, but an exhaustive calibration protocol must
be performed to obtain a precise initial SoC. This degree of precision is hard to replicate in
practice, especially as the current range of the sensor must be very wide to suit a vehicle
application.
To improve the OCV method, a more accurate representation of the internal behavior of
the cells must be considered for online estimation. An impedance model may be used to
estimate the voltage internal drop, as a function of the current drawn by the load. The
most frequent types of model used are ECM [43, 47, 80, 89] and electrochemical models [84].
The electrochemical models are based on the equation of the electrodynamic and chemical
reaction of the cell. The electrochemical models are more complex than ECMs and may
be difficult to use for online estimation because of the computational requirements. ECMs
are a representation of the electrochemical phenomenon using passive electrical components.
There are many ways to represent the cell behavior using electrical components, like the Rint
model, Thevenin equivalent models, and hysteresis models [70]. These models are widely used
because they are easy to understand for someone with an electrical engineering background.
The Rint model is made of voltage source function of the SoC and a resistor [84]. Thevenin
equivalent models use the Rint model basis with the addition of RC filters. It was found
that three filters represents the polarization and diffusion effect with very good accuracy
[90]. The hysteresis model improves the precedent model by adding element to simulate the
current direction effect. To model this effect, diodes are used to create different current path
in charge or in discharge. Internal resistance and RC filters can be set to different value in
both directions.
The parametrization of each equivalent electrical component is mostly done using two tech-
niques. A current pulse test can be performed, and the internal resistance can be model
with the instant drop of voltage and the RC filter with the exponential part of the voltage
response. Electrochemical Impedance Spectroscopy (EIS) can also be used to determine the
value of each parameter. With best fitting algorithms, it is possible to simulate the frequency
response of the ECM to obtain the best fit with the spectral response of the cell.
74
4.3. INTRODUCTION
All these models mentioned above, are used to estimate the OCV from the current and
terminal voltage measurement. With this estimation, the SoC can be estimated using a
mathematical expression or a LuT. The main drawback of model-based methods is to be an
open-loop method that is very dependent on model accuracy. During the estimation process,
there is no way to correct the measurement uncertainties and the error of estimation if some
parameters are not well initialized. An adaptive algorithm can be easily coupled to a model
to correct these uncertainties.
To enhance the model-based methods, many corrective algorithms are found in the literature
to improve the SoC estimation of a battery. Algorithms like Kalman Filter, RLS, H∞ , PI,
SMO and particle filter are mostly used. RLS method is an adaptive filter that minimizes
the mean square error between the model and the measurement. The RLS can calibrate
the parameter of the dynamic model using forgetting factors. In [45], a multiple adaptive
forgetting factors RLS is used to estimate the SoC and the internal parameters of the cell
model. This approach reduces the number of operation and can estimate the SoC with an
error of 2%. The H∞ filter is a multivariable control approach that does not need any
specification of process noise and measurement noise characteristic in opposition to Kalman
Filters requirements. The H∞ is used in [47] for SoC estimation with an accuracy between
1% to 1.9% for different cell chemistries. A PI observer can also be used to estimate the SoC
of the battery. In [50], two PI observers are used to estimate the SoC and in [91] only one PI
observer has been used with an error of estimation below 2%. Initially developed for enhancing
tracking control, SMO method guarantees stability and robustness against environmental
disturbances and model uncertainties. In [89], a SMO estimates the SoC with a standard
driving profile. The SoC error is confined within 3%. In [92], a SMO is combined with a
neural network algorithm to estimate the SoC under urban dynamometer driving schedule
(UDDS), and highway fuel economy driving schedule (HWFET) standards driving cycles until
the complete discharge of the battery. The results show a Root-Mean-Square (RMS) Error
of 2.3%. The particle filter is used for SoC estimation and estimates the probability density
function of a system by applying Monte-Carlo simulation technique with a set of particles. In
[93], PF estimates the SoC and the state of maximum power available. PF is a very accurate
method but demands high computational requirements. In [77], PF is compared to some KF
75
and to H∞ algorithms using New European Driving Cycle (NEDC). Results show that the
PF is approximately 6 times more accurate than the Extended Kalman Filter (EKF) and
3 times than the H∞ and the execution time of the PF is approximately 60 times slower
than the EFK and 40 times than the H∞. Currently, the Kalman Filter is the most common
method used for SoC estimation. This method has been developed to correct the error of
the sensor measurement like in GPS tracking application. There exists a lot of variants of
the KF, in [43], 18 types of KF have been listed. The EKF is the category that is mostly
used in the literature [44, 94, 95] because of its capability to work with a non-linear model
and its simplicity compare to more advanced KF. The KF uses process and measurement
noise covariance matrices to correct its estimation based on a model estimation and the
measurement. The main drawback of the KF is the heavy calculation needed for the matrix
inversion. In a matter of performance, the EKF show good accuracy like in [96], were the
EKF show a RMS error of 1.33%.. A well designed EFK can achieve accuracy below 1% like
developed in [44]. In [95], the performance of an EKF and an Adaptive EKF were compared.
The EKF has a MAE of 3.19% and the improved method Adaptive EKF, a MAE of 1.06%.
In [43] some Unscented KF and Central Difference KF were compared and the RMS error of
these algorithms are around 0.8%. To improve the performance of the EFK over the battery
lifetime, the dual EFK method is used to estimate the variation of the model parameters
with the cell aging. In [97], a dual EFK is compared to an EKF SoC algorithm over different
load dynamics and battery degradation. The dual EKF shows a SoC estimation RMS error
lower than 3.7% compare to 11.6% for the EKF over the battery lifetime.
Most of these algorithms achieve great accuracy but often at the expense of greater com-
plexity. Light computation methods like RLS and PI observer show better results than some
EKF, but the tradeoff on performance is notable with an accuracy above 2%. For light EVs,
the needs of a precise and light computation are required to reduce the cost of the vehicle
and improve the usable capacity of the battery.
76
4.4. SOC ESTIMATION METHODS
4.3.3 Contributions
The paper proposes a new method of SoC estimation that has a similar accuracy with ligh-
ter computational resources than commonly used methods. Two original contributions set
this work apart from what can be found in the literature. First, a novel algorithm for SoC
estimation based on DOB is proposed, leading to a simple implementation of the proposed
algorithm with a parametric model of the LiB. Finally, the experimental validation with si-
gnal Hardware-in-the-loop (HIL) simulation LiB has been carried out with the DOB-based
estimation programmed in an embedded system.
4.3.4 Paper Organization
The remaining parts of the paper is structured as follows. Section 4.4 presents over the
typical estimation-oriented model methods for SoC estimation, the development of a DOB-
based SoC estimator. A real case study is presented in Section 4.5, with a comparative study
of different SoC estimation algorithms regarding performance and accuracy, by simulation
and HIL experimental approach. The concluding remarks and ongoing works are outlined in
Section 4.6.
4.4 SoC estimation methods

For a majority of SoC estimators, an accurate model is necessary to achieve better perfor-
mance. The model is used to obtain a prior SoC estimation according to the measurement
made and the algorithm is used to correct the uncertainties of the model and the measure-
ments.
4.4.1 Estimation-Oriented Model
Without a good knowledge of the observed system, tracking its states can be a very hard
task. A simple model Rint model can be used but will neglect the transient behavior of the
battery. For constant power applications like uninterruptible power supply battery backup
77
systems, a Rint model is enough because the battery can be considered in its steady state.
For highly dynamic applications, where the current magnitude and direction are prone to
change, a more accurate model is needed to increase the accuracy of the estimation. As a
battery is composed of cells connected in series and parallel, a good knowledge of the cell-level
behavior is necessary for model design and its parameterization.
A. Electrical Equivalent circuit model
To estimate the cell voltage response to the current load applies, a model is needed to calculate
the OCV to obtain the SoC estimation. In [32] and [70], several kinds of battery models used
on EVs and HEVs were analyzed. The third order model has been chosen due to its good
accuracy without high complexity. The cell terminal voltage of this model is defined as :
Vbatt = VOCV − Ibatt R0 − V1 − V2 − V3 (4.2)
where Vx is the voltage across each RC filter, with x ∈ 1, 2, 3 and VOCV is the open-circuit
circuit voltage of the cell. As OCV is a non-linear function of the SoC, VOCV is given by :
VOCV = f (SoCcell ) (4.3)
f-function is often given by a LuT obtained from experimental discharge of the cell at low
C-rate like presented in Figure 4.1. The SoC is computed by (4.1). The model uses R0 as the
internal resistor and the R1 C1 , R2 C2 and R3 C3 circuits simulate the transient characteristics
of the cell. The voltage across each RC filter is given by :
Rx
Vx = Ibatt (4.4)
Rx Cx s + 1
B. Model parametrization
To obtain a good accuracy an exhaustive parametrization is needed. In [98], it is stated that

a lithium-ion cell impedance can be modeled as a series resistor and three RC elements to
represent three exponential zones in the spectrum presented in Figure 4.2. In [70], several
78
ECMs have been compared and it has been demonstrated that the third order model is one of
the most accurate and adding more elements does not increase the accuracy a lot. The cells
considered in this work have been characterized using impedance spectroscopy to obtain its
impedance by injecting a small alternative current into it and measuring the corresponding
cell voltage. The result can be illustrated in a Nyquist plot as presented in Figure 4.3a and
Figure 4.3b. With these results, the value of each equivalent circuit element by curve fitting
algorithm can be easily defined. The value of these circuit elements changes with temperature
and the SoC. In [5], experimental results show variation of the RC elements with the SoC.
As shown in Figure 4.3a and Figure 4.3b, the internal parameters of the cell change with
the SoC and temperature. Parameters were extracted from the Nyquist plots for difference
C-rates and temperatures and some of them are presented in Table 4.1.
Figure 4.1 – OCV-SoC relationship of the LG ICR C2 cell
79
Figure 4.2 – Theorical Impedance Spectrum
Tableau 4.1 – Parameters of the cell
Parameters at 50% SoC 23°C 50°C Units

R0 20 23 mΩ
R1 2.8 0.89 mΩ
R2 3.9 1.1 mΩ
R3 2.5 4.2 mΩ
C1 0.086 190 F
C2 0.0039 0.00105 F
C3 0.97 660 F
80
(a)
(b)
Figure 4.3 – Nyquist plot at different SoC : a) at 23°C and b) at 50°C
81
In order to make the algorithm easier to implement, the parameters can be pre-calculated for
each measured SoC and the average value between each measured point can be estimated.
Three-dimension LuTs are implemented to improve the time efficiency of the algorithm.
4.4.2 Disturbance observer technique
The disturbance observer has been introduced by Ohishi in 1983 [99] for a DC motor control
application. The intent was to propose an alternative method to the PID controller. Since
then, the disturbance observers have been used is various industrial applications ranging from
motion control, to robotics, chemical processes or aircraft control [100]. The general principle
is illustrated in Figure 4.4, where G(s) represent the real system, Gn (s) the system model
used for the control design, Q(s) a filter, c is the controller output, u the input of the system,
y the system output, yr the reference signal, ȳ the measurement output,n the noise, d the
disturbance, dl the lumped disturbance and d̂l the estimate of the lumped disturbance. The
primary advantage of this control method is the disturbance rejection that consists in an
inner loop of the control loop. The inner loop improves the control performance by rejecting
the disturbance. In the absence of disturbance, this loop will not be activated : the output of
the inverse model G−1
n (s) will be the same as the input u. This characteristic distinguished
the DOB of traditional PID because the integral action introduce overshoot in the tracking
and degrade the system stability.
Figure 4.4 – The principle of the disturbance observer
82
Figure 4.5 – Practical implementation of the DOB
Figure 4.6 – Proposed DOB-based scheme for batteries SoC estimation
The lumped disturbance is given by (4.5) :
dl (s) = [G(s)−1 − Gn (s)−1 ]y(s) + d(s) − Gn (s)n(s) (4.5)
The first term represents the mismatching between the physical system and the model, the
second term is the external disturbance and represent the measurement noise. Unfortunately,
the DOB cannot be directly implemented in practice, because, the model of a real physical
system is causal, but its inverse is therefore non-causal ; and also the derivative effect of
the numerator is sensitive to measurement noises which may cause low performance or even
instability for the system.
Therefore, to tackle this problem, a low-pass filter (LPF) should be added. Because LPF
introduces a dynamical delay to the system, another one is used to balance the global delay
83
of the control signal. Accordingly, in practice, the DOB can be implemented as presented in
Figure 4.5 and the estimated disturbance is given by :
ˆ = (y(s) + n(s))G−1
n (s) y(s)G(s)−1 + d(s)
d(s) − (4.6)
am sm + am−1 sm−1 + ... + a0 am sm + am−1 sm−1 + ... + a0
where m≥n which is the order of the system G(s).
The benefits of disturbance observer are not only in compensation of disturbance but also in
cancellation of parameters variations. Therefore, this technique is appropriate to be applied
for improving estimation performances of SoC LiB in light EV framework.
4.4.3 SoC Estimation Method Based on Disturbance Observer
For SoC estimation the battery voltage (Vbatt ) and the current (Ibatt ) are required. The two
signals are filtered using LPFs to introduce the required delay and reduce the measurement
noise. The developed algorithm scheme is presented in Figure 4.6. The battery SoC is consi-
dered as the system model and represented by (4.1). The inversion of (4.1) leads to the ideal
calculation of batteries current from the derivative of the SoC as computed by (4.7) :
ˆ = Cbatt d
Ibatt (SoCini − SoC) (4.7)
dt
Or in the Laplace domain as expressed by :
ˆ
Ibatt
= Cbatt s (4.8)
∆SoC
However, such a pure derivative is unrealistic due to the violation of causality. A first-order
LPF can be added to overcome this issue :
ˆ = Cbatt s
Ibatt ∆SoC (4.9)
τs + 1
where τ is the time constant of the LPF. The batteries SoC can be determined by the inversion
of (4.3) as given by :
SoC = f −1 (OCV ) (4.10)
84
where f −1 depicts the inverse function of f that can be realized by the inversion of LuT. From
′ ′
(4.9), using the filtered measurements of Vbatt and Ibatt , the battery current is calculated from
the inversion of the model as given by (4.11) :
ˆ = Cbatt s
Ibatt (SoCini − f −1 (Vbatt
′ ′
+ Ibatt Rbatt + V1batt + V2batt + V3batt )) (4.11)
τs + 1
A first correction loop is introduced to estimate the SoC. This loop is highlighted by the blue
′ ′
area in Figure 4.6. The filtered signals Vbatt and Ibatt are used into the model to estimate the
OCV. The OCV is computed by isolating the VOCV in (4.2) to obtain (4.12) :
′ ′
VOCV = Vbatt + Ibatt Rbatt + V1batt + V2batt + V3batt (4.12)
From this estimation, the initial SoC is subtracted to obtain the ∆SoC at the current step
time. After, the ∆SoC is derivated over the sampling time to obtain the estimation of the
ˆ , at the current step time. This value corresponds to the estimation of the
current, Ibatt
ˆ , is compared to Ibatt
current that create the variation of SoC. This estimated current, Ibatt ′
. By
′
comparing the measured current, Ibatt ˆ the current estimation
, and the estimated current, Ibatt
error can be determined by 4.13 :
′
∆Ibatt = Ibatt ˆ
− Ibatt (4.13)
The difference between the estimation and the measurement gives the disturbance of the
signal ∆Ibatt1 . The sum of the disturbance, ∆Ibatt , is integrated to obtain the corresponding
SoC error. The SoC error can be therefore obtained by :
1
SoCerr = ∆Ibatt (4.14)
Cbatt s
The correction of SoC error can be accelerated using the gain Kp as proposed in (4.17) :
SoCcorr = Kp SoCerr (4.15)
The Kp is determined based on the time constant τ in 4.9. The close loop transfer function
85
of the system 4.7 and its feedback 4.14 gives a first order system as presented in (16) :
y 1
= τ (4.16)
ȳ Kp
s +1
The gain is determined by the designated time response value, Tres , for the closed control
loop.
τ
Kp = 5 (4.17)
Tres
ˆ¯ and the current SoC estimation,
This error is subtracted to the prior SoC estimation, SoC
ˆ is obtained. Finally, the estimated batteries SoC can be given by (4.18) :
SoC,
SoC ˆ¯ − SoC
ˆ = SoC (4.18)
corr
This loop is used to correct the error related to the current integration. The presence of noise
in the current signal adds a minor integration error in the process and the sum of all these
integration errors can lead to major error.
A second correction loop is introduced to mainly correct the initial estimation error, offset
error of the current sensor and the self-discharge behavior of the cell. This loop is represen-
ted into the red shape in Figure 4.6. This loop estimates the terminal voltage of the battery,
ˆ ,using the estimated SoC, SoC,
Vbatt ˆ and the measured current, I ′ , using the electric equi-
batt
valent cell model.
ˆ = VOCV
Vbatt ˆ + Ibatt
′
Rbatt − V1batt − V2batt − V3batt (4.19)
ˆ is compared to the measured voltage V ′ . The difference

The terminal voltage estimation Vbatt batt
∆Vbatt is considered as the second disturbance of the system. However, since voltage is non-
linearly proportional to the SoC as shown in Figure 4.1, it is very difficult to convert this
disturbance into a SoC value. On the other hand, it is possible to convert this variation of
voltage into a variation of current ∆Ibatt2 knowing the internal resistor value. This disturbance
is included into ∆Ibatt as the sum of disturbances. The primary function of this loop is to
correct coarse voltage error. However, when the estimation gets really close to the real value,
86
4.5. DISTURBANCE OBSERVER BASED STATE OF CHARGE ESTIMATION
it has been observed that coarse correction adds an undesirable error. Despite that, in the
absence of an initial error, the first correction loop alone can track the SoC better than with
second loop. Thus, a logic condition has been introduced to disable the second correction
loop when the error ∆Vbatt .is inside a range factor of the standard deviation of the voltage
sensor measurement. Factor x is defined by the BMS developer based on his own expertise
and cell knowledge behavior.
The performance of the DOB is also bound by the accuracy of the model. Like any other
adaptive model-based algorithm, more accurate a model is, less correction is needed. An
accurate method must be used for the parametrization of the model, as the one presented in
subsection B..
4.5 Disturbance Observer based State of Charge esti-

mation
To confirm DOB as a suitable solution to estimate the SoC and validate its performance,
an extended validation has been performed. Before using this algorithm with real batteries,
multiple validations must be done with simulation and testing tools to ensure that this novel
method used for SoC estimation offer at least similar performance to the ones presented
in recent literature. Two validation steps are done. First a validation by simulation and
second a validation using HIL approach. Two other methods have been used to compare the
performance of the developed DOB algorithm. An EKF has been developed because it is the
most adaptive method used in the literature for SoC estimation. The equation and value used
for the EKF are detail in Table 4.4 (see Appendix). A CC method has been also implemented
because it is a very common open-loop method and it is traditionally used as the reference
SoC for validation purpose. Also, in the HIL emulation validation step, a commercial BMS
is added to be compared to the three other algorithms (CC, DOB and EKF).
87
4.5.1 Case Study
The vehicle data has been recorded from the e-TESC three-wheeled vehicle prototype of the
University of Sherbrooke. The vehicle is powered by a 28kW synchronous permanent magnet
motor connected to the rear wheel. The detail of the prototype can be found in [5]. Using
an on-board data logger, the speed and the battery current has been recorded during a road
test. The results are presented in Figure 4.7 and Figure 4.8, respectively. The current profile
shows a non-deterministic signal with a wide range (-100A to +300A) and a high dynamic
result from a human driver behavior. The current profile is required for the further simulation
and used for the HIL battery emulator. The three-wheeled roadster is limited at a maximum
speed of 140 km/h.
Figure 4.7 – e-TESC Vehicle Speed profile
The battery nominal specifications are 96 V, 126-Ah made of several 18650 cylindrical cells
in series and parallel. The main characteristics of the battery and the cells are presented in
Table 4.2
88
Figure 4.8 – e-TESC Vehicle Current profile
4.5.2 Full-Scale Off-line Simulations
First, a simulation has been done to estimate the performance of the DOB algorithm under
two different current profiles. The DOB and the EKF developed have been submitted to these
current profiles in Matlab/Simulink®. By their design, the EKF and the DOB will consider
uncertainties on the signals and will introduce some error. A battery pack has been modeled
and submitted to a constant discharge test of 126A (1C). The results, presented in Figure
4.9, show the DOB and EKF SoC estimation compared to the simulation result. The model
uses the CC method as the reference SoC estimation.
Table 4.3 present the estimation error of the DOB. As can be seen by the simulation results,
a very interesting accuracy performance, with of MAE of 0.28%, is observed for DOB-based
estimation.
The next simulation uses the vehicle current profile shown in Figure 4.8. Figure 4.10 presents
the result of the simulation. The results are very similar to the constant current discharge
test and the detail results are presented in Table 4.3.
89
Tableau 4.2 – Characteristics of the battery
Parameters Value Units

Cell model LG ICR C2 -
Battery pack power at 2C [-11.2, 24.2] kW
Nominal cell OCV 3.72 V
Max cell OCV 4.2 V
Cell nominal capacity 2800 mAh
Number of cells in series 27 -
Number of cell bank in parallel 45 -
Cell mass 50 g
Figure 4.9 – Simulation using a constant discharge
The simulation results are very promising. The DOB presented is 6 times more accurate than
the designed EKF. As in the real system, noise is present on the measurement signal and
the algorithm will not operate on the same processor, a real experimental test is required to
access of the DOB-based algorithm performances. Programing the algorithm into the BMS
will give a better preview of the expected performances. The next step will be the run the
DOB-based algorithm on a microcontroller and with real measurement signals.
90
Figure 4.10 – Simulation using current vehicle profile
Tableau 4.3 – Performance of the different SoC estimation algorithms in simulation
Profile Test Constant Discharge Test

Algorithms
MAE Error Max Error MAE Error Max Error
EKF 1.76% 2.10% 1.81% 2.49%
DOB 0.28% 0.55% 0.28% 0.56%
4.5.3 Hardware-In-the-Loop Simulation Layout
To have a good evaluation of the algorithm performance, it must be programmed on a

microcontroller that has less computation resource than a desktop computer. This is more
representative of the BMS, where the algorithm is intended to run on. Also, the BMS must be
submitted to real case scenarios, more representative of the application than standard driving
cycle, to properly validate the proposed DOB-based algorithm. At this stage of development,
a HIL system is a useful tool, using hardware to replicate some element of a system to test
a specific device, due to its capacity to replicate several times the same scenario or emulate
different starting conditions. In this work, a HIL battery emulator has been used to generate
91
the required signal by the BMS.
The experimental test bench consists of a real-time computer (RTC) linked to a HIL battery
emulator interface to connect a commercial BMS and a microcontroller platform as shown in
Figure 4.11 and proposed in [101]. A commercial BMS is used to measure the emulated cell
voltage and the current from the HIL interface. The BMS does its own SoC estimation and
broadcasts the voltages and current measurement of the emulated battery module over the
CAN Bus. To implement the other algorithms under comparison (CC, EKF and DOB), an off-
the-shelf microcontroller platform (PI-Innovo) has been used. This platform has been chosen
for its rapid-prototyping capabilities that allows software developers to convert algorithms
from Matlab/Simulink® to C language to be ported to the Microcontroller Unit (MCU). The
specification of the used PI-Innovo are presented in Table 4.6 (see Appendix). Figure 4.12
presents the schematic of the used HIL.
Figure 4.11 – HIL Setup
The purpose of the HIL approach is to accelerate development time and allow the user to
replicate the behavior of a battery without changes in the normal operation of the BMS.
With an emulated battery, it is also useful to define the battery behavior, the initial states
92
Figure 4.12 – HIL schematic
and save a lot of time regarding the charge and discharge processes of the physical samples.
A cell-based HIL solution has been developed to recreate the analog signals required by the
BMS under test. The battery emulator is made of multiple cell emulators connected into a
motherboard. The motherboard also emulates the current sensor signal. In this case, the used
BMS is designed to operate with an analog output hall effect sensor. The RTC generate the
output signal in accordance to the signal output function of the considered current sensor. The
current emulator circuit on the motherboard offer final analog signal conditioning. A detailed
description of the operation of the cell emulators has been done in [101]. The capacity and
internal parameters of the cell model are configured as functions of the number of parallel
cells. The RTC generates the voltage output of the model and this signal is connected to the
input of each cell emulator. For this experiment, the simulated battery has 7 cells in series
because it corresponds to the number of cells of a battery module of the studied vehicle. To
emulate each voltage signal, 7 cell emulators have been connected in series. Each cell emulator
receives a signal from the RTC representing the voltage level of the corresponding cell. The
current also needs to be measured by the BMS. A circuit has been added to the motherboard
of the battery emulator to replicate the voltage output of the configured current sensor. The
transfer function of the current sensor is calculated into the RTC and replicates with high
fidelity the output signal of the current sensor. For all the experiments, the temperature
sensor has been set to 25°C.
93
Another advantage to using a HIL system instead of a battery is to create behavior that
could not be achieved with a real battery but can be very useful for BMS validation and
debugging. Multiple kinds of fault insertion can be emulated to trigger alarms in the BMS
and validate its functionality. Also, it can be useful to generate some test cases that are
creating to validate the performance of the proposed algorithm, like making step changes
into the measured signals (voltage or current) by the BMS.
4.5.4 Full-Scale HIL Emulation Tests
A. Profiles Emulation
With the HIL system, it is possible to recreate recorded vehicle current profiles in a controlled
environment. The HIL provides the voltage and current sensor signals required by the BMS to
perform the estimation algorithms. Figure 4.13 shows the comparison between the reference
current profile and the HIL current profile acquired by the BMS. This obtained result shows
that the profile acquired by the BMS is slightly different but can be explained by electrical
noise in the signal and measurement error of the analog-digital converter. Like in a real
application, the current read by the BMS will be different from the real current drawn by
the battery and it is the role of the SoC algorithm to compensate these differences. Figure
4.14 presents the voltage of the battery emulator in response to the vehicle current profile.
This voltage corresponds to one of the vehicle battery modules.
By emulating sensor signals, the algorithms implemented in the BMS will generate a SoC
estimation according to the current profile. Figure 4.15 shows the SoC estimation comparison
between the four methods and the emulated SoC reference. The emulated SoC reference is
obtained directly from the model that runs into the RTC. The current profile is conside-
red noiseless inside the RTC even if it came from real data measurement and the current
integration of this profile gives the SoC reference.
The reference SoC is initialized to 100% and the initial SoC of the algorithms is estimated
online by the BMS itself using the cell model. At the beginning of the test, the estimation
error is around 0.9% for each algorithm. During the test, the EKF and the DOB have similar
94
Figure 4.13 – Emulated Battery current
Figure 4.14 – Emulated Battery Module Voltage
95
Figure 4.15 – SoC comparison between the four methods to the emulated SoC with a real
driving profile
behaviors and progressively made a correction to end with 0.54% error for DOB and 0.96% for
the EKF. For the CC, it seems a convergence at the end but in a practical application it would
be quite unlikely to have the CC method converge as it is not robust to measurement noise
and that is an open loop approach. In theory, the reference SoC and the CC are supposed
to stay parallel because they use the same algorithm. The measurement error introduced by
the HIL and the BMS measurement induces a different behavior to the CC algorithm into
the BMS. In fact, the CC algorithm is not correcting its estimation, it is underestimating the
number of ampere-hours transferred. The MAE and the maximum error of each algorithm
are presented in Table 4.4. Figure 4.16 present the experimental result of the constant current
discharge profile. The DOB-based result presents a MAE of 0.72% in comparison to 0.28% by
simulation. The presence of noise in the measurement signals explains the difference between
the two tests.
The performance of an algorithm is an important criterion to evaluate. However, for on-
96
Figure 4.16 – SoC comparison between the four methods to the emulated SoC with a
constant current profile
line applications like EVs, other criteria must be considered for cost and reliability reasons.
The computational time of the algorithm becomes a criterion to consider because on-board
systems have less capability than a computer and must not be expensive. Furthermore, the
accuracy can be greatly reduced if the battery SoC is not the same as the estimated value at
the initialization of the BMS. The algorithm must be able to correct itself in case of major
initial error.
B. Computational time evaluation
The execution time of an algorithm is an important criterion to compare SoC algorithms.

Mostly for a cost reasons, designers might rather use low-cost MCUs to make savings on
the parts volume once the BMS goes to production. Usually, the performance of the MCU
decreases with the cost and an algorithm with low computational time can be a valuable
solution to get the same estimation performance. The MCU program loop time is determined
by the number of task that the MCU can execute, the number of instructions in each task
97
and the instruction execution time. Each MCU has differ characteristics and performances.
Depending on the system, the tasks must be completed in a targeted loop time, a high
performance MCU can complete all the task in less time than the targeted one. Repeat
the loop several times per second can be pointless regarding of the system. Increasing the
number of executions per second rise also the energy consumption of the MCU. Choosing an
MCU that is optimized for the application will be more efficient and will be cheaper. A low
computational algorithm will contribute to reduce the performance requirement of the MCU.
To measure the execution time, the three algorithms (CC, DOB, EKF) have been program-
med into the same MCU. This MCU is powerful enough to run all these algorithms at the
same time. The objective was to compare each of them on the same MCU. Obviously, if the
algorithms are programmed on another MCU, the result will probably be different because
each MCU does not have the same instruction set or capability to execute instructions in
parallel. However, a timer-counter is setting up for each algorithm to measure the execution
time. The timers are initialized before each estimation loop and start the algorithm estima-
tion loops. When a new value is written into the output variable, a trigger stopped the timer
execution and the time value is read. The results are shown in Table 4.4. The DOB shows
an execution time approximately 10 times faster than the EKF. Despite model execution in
the DOB loop, its execution time is comparable to the CC. The use of LuTs and simplified
model have contributed to these results. The performance requirement for an MCU using a
DOB algorithm can be highly reduce compare to an MCU using an EKF. Also, with a lower
execution time, it is possible for the BMS to estimate the SoC for more cells in series in the
same time and allow to use the same MCU for different battery configuration.
Tableau 4.4 – Performance of different SoC algorithm in experimental test
Profile Test Constant Discharge Test Execution Time

Algorithms
MAE Error Max Error MAE Error Max Error (µs)
CC 0.56% 1.03% 0.99% 1.19% 11
EKF 1.31% 1.88% 2.05% 2.02% 185
DOB 0.72% 1.72% 0.74% 1.17% 16
BMS SoC 1.60% 3.83% 2.07% 5.51% N/A
98
C. Robustness regarding a huge initial error
Another important criterion for an adaptive algorithm is to be able to correct its estimation
from a huge error. Even if a battery is unused, the SoC can change because of the self-leakage
of the cells. For Li-ion cell, the self-leakage is quite low but if the battery is unused for a
couple of months, the actual SoC can be very different from the last value in memory. To
verify the correction time of each algorithm, the HIL battery emulator has been used to
generate a major change in the cell terminal voltage (see Figure 4.17 ). The HIL has been
programmed to output voltage signals for a fully charged battery, let the algorithm stabilize
and introduce a step voltage drop. This disruptive event is unlikely to happen with real cells
during normal operation but with a HIL it is possible to create this specific situation that
will push the algorithms to their limits.
Figure 4.17 – Robustness Test - Voltage drop
This test introduces voltage changes from 4.2V to 3.8V as shown in Figure 4.17. During
the test, the emulated current is fixed to zero amperes to consider that the cells are at rest
and the terminal voltage read can be considered equal to the OCV. The corresponding SoC
value for a 3.8V cell voltage is 62%, that means a 38% SOC error in a fraction of second.
99
Figure 4.18 – Robustness Test - Correction of an initial SoC error
This way to measure the SoC correction time is interesting because the emulated SoC is
steady. That makes easier to know when the algorithm starts correcting and when it finishes
in an acceptable error range. The test results presented in Figure 4.18, demonstrate that two
adaptive algorithms make a correction after the voltage drop. The CC-based result has been
removed because the CC is not an adaptive algorithm and does not make any correction.
The DOB-based shows good performance and can reach 1% of error within 1600 seconds
(26.6 minutes). The EKF presented does not converge to the desired value within the test
time. The parametrization of the EKF is very well for a dynamic discharge profile but these
parameters are not aggressive enough to perform huge error correction. To obtain similar
performance, more effort should be focused in the parametrization to improve the EKF. For
instance, another configuration a Kalman-based algorithm, proposed in [11], can correct itself
from a 40% initial error in approximately 15 minutes.
This test also demonstrates that the DOB-based needs less effort to be parametrized than
a Kalman-based filter. The same battery model has been used for both algorithms. On one
hand, for DoB the estimator design only needs to adjust the proportional gain KP to increase
100
4.6. CONCLUSION
the correction speed. On the other hand, for the EKF estimator design the covariance matrix
must be tuned as function of the model and sensor uncertainties. The matrices parametriza-
tion is crucial for the EKF performance and a poor parametrization can affect the robustness
of the filter in specific cases. For dedicated cases, a huge parametrization effort could be
done to reach better performance using EKF, but a solution using a simple methodology and
easy to reconfigure can be more suitable where a BMS design can be used for different cell
chemistries or different vehicle application.
4.6 Conclusion
In conclusion, this paper presents a novel method for SoC estimation that offers the same
performance with less computational resources. The DOB-based algorithm has been com-
pared to a CC-based and EKF-based in simulation and in experimental with two different
current profiles. The DOB-based method compensated the error of estimation by removing
the disturbance present in the measured signals. Two correctives loop are presented to reject
the disturbances of the voltage and current measured signals. Experiments are carried out
with an HIL test system and the result shows a MAE of 0.72% under two different cur-
rent test profiles. Moreover, the execution time of the algorithms have been compared and
the DOB-based is ten times faster than the implemented EKF-based that would allow to
use it in cheaper MCU while maintaining the performances. Finally, the accuracy and the
fast computing of the DOB-based make it a great choice for on-board application in a low-
cost vehicle. Future works will extend the experimental test to real battery prototype and
vehicle implementation to confirm that the DOB offer the same performance as in a HIL
environment.
4.7 Acknowledgments
This work was supported in part by the Canada Research Chairs and by the Natural Sciences
and Engineering Research Council of Canada under the project RDCJP 490763 and RGPIN-
2017-05924.
101
4.8 Appendix - Kalman Filter
Tableau 4.5 – Extended Kalman Filter Equations
Prediction Step
x̂− (k) = Ax̂(k − 1)AT + Bu(k) + v(k) (4.20)
P − (k) = AP (k − 1)AT + Q (4.21)
Correction Step
L(k) = P − (k)C(k)T (C(k)P − (k)C(k)T + R)−1 (4.22)
x̂(k) = x̂− (k) + L(k)[Y (k) − g(x̂− (k), u(k))] (4.23)
P (k) = (I − L(k)C(k))P − (k) (4.24)
Matrix
10e−7 0 0 0
⎡ ⎤
⎢ 0 −5
10e 0 0 ⎥
Q=⎢ −5
⎥
(4.25)
⎣ 0 0 10e 0 ⎦
⎢ ⎥
0 0 0 10e−5
R = 0.1 (4.26)
Tableau 4.6 – Microcontroller development platform specifications [102]
Manufacturer Pi-Innovo
Model M220
Processor NXP MPC5534 32-bit
Clock Rate 80MHz
Code Space 512KB
RAM Space 64KB
Calibration Space 256KB
102
Chapitre 5
Conclusion et travaux futurs
5.1 Conclusion
La popularité des véhicules électriques a fortement augmenté depuis les dernières années. La
poursuite du développement des technologies liées aux véhicules électriques est de plus en
plus importante. Le coût et l’autonomie restreinte étant présentement les principaux facteurs
négatifs des véhicules électriques, il est impératif de développer des technologies qui vont
permettre d’augmenter l’autonomie, de l’estimer avec précision, tout en réduisant le coût des
systèmes.
Ce travail a permis de développer un algorithme à partir de la théorie du contrôle avancé

demandant peu de ressource de calcul pour l’estimation de l’état de charge, tout en mainte-
nant des performances similaires à des algorithmes fréquemment utilisés dans la littérature
et par des systèmes commerciaux. Il a été démontré que l’algorithme DOB a permis d’obtenir
une meilleure précision et un temps d’exécution environ 10 fois plus rapide que le filtre de
Kalman étendue, couramment utilisé de nos jours dans les véhicules électriques et proposés
dans la littérature de la spécialité.
Afin de comparer les performances de chacun des algorithmes dans les mêmes conditions et
de façon représentative de l’environnement réel, les algorithmes ont été programmés sur le
même microcontrôleur. De plus, afin de recréer des conditions semblables à l’environnement
où le BMS sera utilisé, un système d’émulation HIL permettant de recréer les signaux des
103
CHAPITRE 5. CONCLUSION ET TRAVAUX FUTURS
capteurs lus par le BMS. Ce système a soumis le BMS à des signaux électriques réels générés
par un modèle de simulation. Les valeurs acquises sont ensuite utilisées par les algorithmes
programmés sur le microcontrôleur afin de générer une estimation de l’état de charge de la
batterie émulée. Cette méthode de validation a permis d’avoir des résultats de performance
beaucoup plus représentatifs qu’une simulation, car les algorithmes ont été programmés sur
un microcontrôleur ayant des performances similaires à ceux utilisés dans les BMS commer-
ciaux. L’utilisation de technique HIL permet aussi une répétabilité dans les tests, ce qui est
impossible à réaliser avec de vraies batteries.
L’algorithme DOB fut implémenté pour la première fois pour l’estimation de l’état de charge.
Ces performances impressionnantes en termes de précision et de temps d’exécution le placent
comme une nouvelle alternative pour l’estimation d’état de charge. Sa simplicité lui permet de
s’adapter facilement à diverses chimies de batterie lithium-ion ou de technologie de stockage
d’énergie électrique, en remplaçant les tables de paramètres et le modèle du composant de
stockage. Il est fort probable de voir, dans un futur rapproché, cet algorithme implémenté
dans des systèmes de gestion de batterie.
5.2 Travaux Futurs

Comme perspectives futures, il serait pertinent de la valider les performances de l’algorithme
sous différentes températures. La structure de l’algorithme a été conçue pour considérer
la température ambiante de la batterie et l’ajout d’un modèle thermique dans le système
HIL permettra d’estimer la température générée par les pertes Joule de batterie en addition
à la température ambiante, ce qui permettra d’évaluer l’algorithme avec des changements
de température. La température influence les paramètres de batterie et le modèle utilisé
par l’algorithme devrait en tenir compte afin d’obtenir une grande précision dans toutes les
conditions. Le système HIL devra être ainsi amélioré afin d’émuler les capteurs de température
présente dans la batterie.
L’algorithme développé pourrait aussi être utile pour estimer l’état de santé de la batterie.
Conjoint avec un modèle de vieillissement, l’algorithme DOB pourrait corriger l’incertitude
104
5.2. TRAVAUX FUTURS
du modèle et estimer la perte de capacité de la batterie. Cette perte estimée pourrait alors
être pris en compte par le modèle d’estimation d’état de charge afin de corrigé la capacité
totale du modèle de batterie et d’améliorer la précision de l’algorithme.
L’algorithme pourrait aussi être utilisé pour estimer l’état de charge d’autre accumulateur
d’énergie électrique. Les systèmes utilisant des super-condensateurs pourrait aussi bénéficier
de cet algorithme pour estimer leur état de charge.
105
CHAPITRE 5. CONCLUSION ET TRAVAUX FUTURS
106
Bibliographie
[1] MDDELCC Changements Climatiques Cible 2030. http://www.mddelcc.gouv.qc.

ca/changementsclimatiques/consultations/cible2030/. Accessed : 2017-04-27.
[2] Félix-Antoine LeBel. « Méthode de dimensionnement et modélisation de batterie

lithium-ion ». Mém.de mast. Université de Sherbrooke, 2017.
[3] Lip Huat Saw, Yonghuang Ye et Andrew A O Tay. « Integration issues of lithium-
ion battery into electric vehicles battery pack ». In : Journal of Cleaner Production
113 (2016), p. 1032–1045.
[4] O Gomozov et al. « Adaptive Energy Management System Based on a Real-Time

Model Predictive Control With Nonuniform Sampling Time for Multiple Energy Sto-
rage Electric Vehicle ». In : IEEE Transactions on Vehicular Technology 66.7 (2017),
p. 5520–5530.
[5] Joao Pedro F. Trovao et al. « Energy- and Power-Split Management of Dual Energy
Storage System for a Three-Wheel Electric Vehicle ». In : IEEE Transactions on
Vehicular Technology 66.7 (juil. 2017), p. 5540–5550.
[6] Limei Wang, Yong Cheng et Xiuliang Zhao. « A LiFePO4 battery pack capacity
estimation approach considering in-parallel cell safety in electric vehicles ». In : Applied
Energy 142.0 (mar. 2015), p. 293–302.
[7] Gregory L Plett. « Extended Kalman filtering for battery management systems of
LiPB-based {HEV} battery packs : Part 1. Background ». In : Journal of Power
Sources 134.2 (2004), p. 252–261.
107
BIBLIOGRAPHIE
[8] Liu Rui-hao, Sun Yu-kun et Ji Xiao-fu. « Battery state of charge estimation for
electric vehicle based on neural network ». In : 2011 IEEE 3rd International Confe-
rence on Communication Software and Networks. IEEE, mai 2011, p. 493–496.
[9] Fengchun Sun et Rui Xiong. « A novel dual-scale cell state-of-charge estimation
approach for series-connected battery pack used in electric vehicles ». In : Journal of
Power Sources 274 (2015), p. 582–594.
[10] Carlo Taborelli et Simona Onori. « State of charge estimation using extended
Kalman filters for battery management system ». In : 2014 IEEE International Electric
Vehicle Conference (IEVC). IEEE, déc. 2014, p. 1–8.
[11] Zhongbao Wei et al. « A multi-timescale estimator for battery state of charge and
capacity dual estimation based on an online identified model ». In : Applied Energy
204 (2017), p. 1264–1274.
[12] I Bloom et al. « An accelerated calendar and cycle life study of Li-ion cells ». In :
Journal of Power Sources 101.2 (2001), p. 238–247.
[13] Jonathan Nadeau. « Effets du vieillissement de la batterie Li-Ion sur les performances
d’un véhicule récréatif hybride branchable à trois roues ». Thèse de doct. Université
de Sherbrooke, juil. 2013.
[14] Cadex-Battery University.com Battery Developments. http://batteryuniversity.

com/learn/article/battery_developments. Accessed : 2017-04-28.
[15] Cadex-Battery University.com When was the battery invented. http://batteryuniversity.

com/learn/article/when_was_the_battery_invented. Accessed : 2017-04-28.
[16] GoodenoughBio. http : / / www . me . utexas . edu / faculty / faculty - directory /

goodenough. Accessed : 2017-05-27.
[17] Cadex-Battery University.com Types of lithium-ion. http : / / batteryuniversity .

com/learn/article/types_of_lithium_ion. Accessed : 2017-04-28.
[18] John T Warner. The Handbook of Lithium-Ion Battery Pack Design : Chemistry,
Components, Types and Terminology. Elsevier, 2015.
108
BIBLIOGRAPHIE
[19] Johnson Matthey Battery System. http : / / www . jmbatterysystems . com / JMBS /
media/JMBS/Documents/JMBS- 28025- Battery- Guide- Reprint- July- 2017.pdf.
Accessed : 2018-11-03.
[20] P Weicker. A Systems Approach to Lithium-Ion Battery Management : Power En-

gineering. Artech House, Incorporated, 2013.
[21] H Rahimi-Eichi et al. « Battery Management System : An Overview of Its Appli-

cation in the Smart Grid and Electric Vehicles ». In : IEEE Industrial Electronics
Magazine 7.2 (2013), p. 4–16.
[22] Alexandre Oliver Tessier. « Bloc batterie li-ion pour véhiculesélectriques : méthode
de classement novatrice en temps réel des paramètres électriques des cellules ». Thèse
de doct. Université de Sherbrooke, 2015.
[23] A Lievre et al. « Practical Online Estimation of Lithium-Ion Battery Apparent Series
Resistance for Mild Hybrid Vehicles ». In : IEEE Transactions on Vehicular Techno-
logy 65.6 (2016), p. 4505–4511.
[24] V J Ovejas, A Cuadras et J R Morante. « SoH evaluation of LiFePO4 cells

using impedance and thermal measurements ». In : 2014 IEEE 11th International
Multi-Conference on Systems, Signals & Devices (SSD14). IEEE, fév. 2014, p. 1–6.
[25] Jürgen Remmlinger et al. « State-of-health monitoring of lithium-ion batteries in

electric vehicles by on-board internal resistance estimation ». In : Journal of Power
Sources 196.12 (2011), p. 5357–5363.
[26] Davide Andrea. Battery Management Systems For Large Lithium-Ion Battery Packs.
2010, p. 300.
[27] PlugInSupply Prismatic Cell Boards. http://www.pluginsupply.com/bms/. Acces-

sed : 2017-04-27.
[28] Vector Protocole CAN. https : / / elearning . vector . com / index . php ? wbt _ ls _
kapitel_id=489560&root=378422&seite=vl_can_introduction_en. Accessed :
2017-08-21.
109
BIBLIOGRAPHIE
[29] Vector Protocole Flexray. https://elearning.vector.com/index.php?wbt_ls_

kapitel_id=490463&root=378422&seite=vl_flexray_introduction_en. Acces-
sed : 2017-08-21.
[30] M A Hannan et al. « A review of lithium-ion battery state of charge estimation and
management system in electric vehicle applications : Challenges and recommenda-
tions ». In : Renewable and Sustainable Energy Reviews 78 (2017), p. 834–854.
[31] H Chaoui, A El Mejdoubi et H Gualous. « Online Parameter Identification of

Lithium-Ion Batteries With Surface Temperature Variations ». In : IEEE Transactions
on Vehicular Technology 66.3 (2017), p. 2000–2009.
[32] Hongwen He et al. « Comparison study on the battery models used for the energy ma-
nagement of batteries in electric vehicles ». In : Energy Conversion and Management
64 (déc. 2012), p. 113–121.
[33] Ala Al-Haj Hussein et Issa Batarseh. « An overview of generic battery models ».
In : 2011 IEEE Power and Energy Society General Meeting. IEEE, juil. 2011, p. 1–6.
LiPB-based {HEV} battery packs : Part 2. Modeling and identification ». In : Journal
of Power Sources 134.2 (2004), p. 262–276.
[35] L A Dessaint O.Tremblay. « Experimental Validation of a Battery Dynamic Model

for EV Applications ». In : World Electric Vehicle Journal Vol. 3 67.1-2 (2009), p. 69–
84.
[36] O Tremblay, L.-A. Dessaint et A.-I. Dekkiche. « A Generic Battery Model for the
Dynamic Simulation of Hybrid Electric Vehicles ». In : Vehicle Power and Propulsion
Conference, 2007. VPPC 2007. IEEE. 2007, p. 284–289.
[37] MathWorksImplement generic battery model. https://www.mathworks.com/help/

physmod/sps/powersys/ref/battery.html. Accessed : 2017-09-06.
[38] Hongwen He, Rui Xiong et Jinxin Fan. « Evaluation of Lithium-Ion Battery Equi-
valent Circuit Models for State of Charge Estimation by an Experimental Approach ».
In : Energies 4.4 (2011), p. 582–598.
110
BIBLIOGRAPHIE
[39] A Baba et S Adachi. « State of charge estimation of lithium-ion battery using Kal-
man filters ». In : 2012 IEEE International Conference on Control Applications. 2012,
p. 409–414.
[40] Jean Ernst Bester, Ahmed El Hajjaji et Augustin Mpanda Mabwe. « Modelling of
Lithium-ion battery and SOC estimation using simple and extended discrete Kalman
Filters for Aircraft energy management ». In : IECON 2015 - 41st Annual Conference
of the IEEE Industrial Electronics Society. IEEE, nov. 2015, p. 002433–002438.
[41] T Huria et al. « High fidelity electrical model with thermal dependence for charac-
terization and simulation of high power lithium battery cells ». In : Electric Vehicle
Conference (IEVC), 2012 IEEE International. 2012, p. 1–8.
[42] Ali Jokar et al. « An Inverse Method for Estimating the Electrochemical Parame-
ters of Lithium-Ion Batteries : I. Methodology ». In : Journal of The Electrochemical
Society 163.14 (2016), A2876–A2886.
[43] Christian Campestrini et al. « A comparative study and review of different Kalman
filters by applying an enhanced validation method ». In : Journal of Energy Storage
8 (2016), p. 142–159.
LiPB-based {HEV} battery packs : Part 3. State and parameter estimation ». In :
Journal of Power Sources 134.2 (2004), p. 277–292.
[45] Van-Huan Duong et al. « Online state of charge and model parameters estimation
of the LiFePO4 battery in electric vehicles using multiple adaptive forgetting factors
recursive least-squares ». In : Journal of Power Sources 296 (2015), p. 215–224.
[46] Hu Xiaosong et al. « Online estimation of an electric vehicle Lithium-Ion battery

using recursive least squares with forgetting ». In : Proceedings of the 2011 American
Control Conference. IEEE, juin 2011, p. 935–940.
[47] Cheng Lin et al. « A novel multi-model probability battery state of charge estimation
approach for electric vehicles using H-infinity algorithm ». In : Applied Energy 166
(2016), p. 76–83.
111
BIBLIOGRAPHIE
[48] M Gholizadeh et F R Salmasi. « Estimation of State of Charge, Unknown Non-

linearities, and State of Health of a Lithium-Ion Battery Based on a Comprehensive
Unobservable Model ». In : Industrial Electronics, IEEE Transactions on 61.3 (2014),
p. 1335–1344.
[49] I S Kim. « Nonlinear State of Charge Estimator for Hybrid Electric Vehicle Battery ».
In : IEEE Transactions on Power Electronics 23.4 (2008), p. 2027–2034.
[50] M Cacciato et al. « Real-Time Model-Based Estimation of SOC and SOH for Energy
Storage Systems ». In : IEEE Transactions on Power Electronics 32.1 (2017), p. 794–
803.
[51] Robert Ratz. {Ricardo} BMS System Benchmark And Standardization. 2015.
[52] Tesla Motor Club Pics/Info : Inside the battery pack. https://teslamotorsclub.
com / tmc / threads / pics - info - inside - the - battery - pack . 34934/. Accessed :
2018-11-27.
[53] Mark Karpenko et Nariman Sepehri. « Hardware-in-the-loop simulator for research

on fault tolerant control of electrohydraulic actuators in a flight control application ».
In : Mechatronics 19.7 (oct. 2009), p. 1067–1077.
[54] A Bouscayrol. « Different types of Hardware-In-the-Loop simulation for electric

drives ». In : 2008 IEEE International Symposium on Industrial Electronics. IEEE,
juin 2008, p. 2146–2151.
[55] Jorge Varela Barreras et al. « An Advanced HIL Simulation Battery Model for Bat-
tery Management System Testing ». In : IEEE Transactions on Industry Applications
52.6 (nov. 2016), p. 5086–5099.
[56] C Fleischer et al. « Development of software and strategies for Battery Management
System testing on HIL simulator ». In : 2016 Eleventh International Conference on
Ecological Vehicles and Renewable Energies (EVER). 2016, p. 1–12.
[57] N S hidore et al. « Battery in the loop : Battery evaluation in a systems context ».
In : 2014 IEEE Transportation Electrification Conference and Expo (ITEC). 2014,
p. 1–9.
112
BIBLIOGRAPHIE
[58] H s. Song et al. « Verification of battery system model for environmentally friendly
vehicles using a battery hardware-in-the-loop simulation ». In : IET Power Electronics
6.2 (2013), p. 417–424.
[59] S Kermani et al. « PHIL Implementation of Energy Management Optimization for

a Parallel HEV on a Predefined Route ». In : IEEE Transactions on Vehicular Tech-
nology 60.3 (2011), p. 782–792.
[60] T Letrouve et al. « Signal HIL Simulation of a Hybrid Locomotive Using Ener-
getic Macroscopic Representation ». In : 2015 IEEE Vehicle Power and Propulsion
Conference (VPPC). 2015, p. 1–6.
[61] O König et al. « Battery Emulation for Power-HIL Using Local Model Networks and
Robust Impedance Control ». In : IEEE Transactions on Industrial Electronics 61.2
(2014), p. 943–955.
[62] Christian Seitl et al. « Power hardware-in-the-loop implementation and verification

of a real time capable battery model ». In : 2014 IEEE 23rd International Symposium
on Industrial Electronics (ISIE). IEEE, juin 2014, p. 2285–2290.
[63] Hannes Rathmann et al. « Sophisticated estimation of hardly measurable conditions

of lithium-ion batteries ». In : IECON 2013 - 39th Annual Conference of the IEEE
Industrial Electronics Society. IEEE, nov. 2013, p. 1862–1866.
[64] R Subramanian, P Venhovens et B P Keane. « Accelerated design and opti-

mization of battery management systems using HIL simulation and Rapid Control
Prototyping ». In : 2012 IEEE International Electric Vehicle Conference. 2012, p. 1–
5.
[65] Jorge Varela Barreras et al. « Functional analysis of Battery Management Sys-
tems using multi-cell HIL simulator ». In : 2015 Tenth International Conference on
Ecological Vehicles and Renewable Energies (EVER). IEEE, mar. 2015, p. 1–10.
[66] Haifeng Dai et al. « Cell-BMS validation with a hardware-in-the-loop simulation of

lithium-ion battery cells for electric vehicles ». In : International Journal of Electrical
Power & Energy Systems 52.Supplement C (nov. 2013), p. 174–184.
113
BIBLIOGRAPHIE
[67] A Collet, J C Crébier et A Chureau. « Multi-cell battery emulator for advanced

battery management system benchmarking ». In : 2011 IEEE International Sympo-
sium on Industrial Electronics. 2011, p. 1093–1099.
[68] W C Lee et D Drury. « Development of a Hardware-in-the-Loop Simulation System

for Testing Cell Balancing Circuits ». In : IEEE Transactions on Power Electronics
28.12 (2013), p. 5949–5959.
[69] Fan Zhang et al. « State-of-charge estimation based on microcontroller-implemented

sigma-point Kalman filter in a modular cell balancing system for Lithium-Ion battery
packs ». In : Control and Modeling for Power Electronics (COMPEL), 2015 IEEE
16th Workshop on. 2015, p. 1–7.
[70] Xiaosong Hu, Shengbo Li et Huei Peng. « A comparative study of equivalent circuit
models for Li-ion batteries ». In : Journal of Power Sources 198.0 (2012), p. 359–367.
[71] Félix-Antoine LeBel. Méthode de dimensionnement et modélisation de batterie lithium-

ion. 2017.
[72] J. Jaguemont, L. Boulon et Y. Dubé. A comprehensive review of lithium-ion

batteries used in hybrid and electric vehicles at cold temperatures. 2016.
[73] Yuejiu Zheng et al. « Investigating the error sources of the online state of charge
estimation methods for lithium-ion batteries in electric vehicles ». In : Journal of
Power Sources 377 (fév. 2018), p. 161–188.
[74] Kong Soon Ng et al. « Enhanced coulomb counting method for estimating state-of-
charge and state-of-health of lithium-ion batteries ». In : Applied Energy 86.9 (sept.
2009), p. 1506–1511.
[75] Alexandros Nikolian et al. « Complete cell-level lithium-ion electrical ECM model for
different chemistries (NMC, LFP, LTO) and temperatures (5 ◦ C to 45 ◦ C) – Optimized
modelling techniques ». In : International Journal of Electrical Power and Energy
Systems 98 (juin 2018), p. 133–146.
114
BIBLIOGRAPHIE
[76] U. Westerhoff et al. « Electrochemical impedance spectroscopy based estimation

of the state of charge of lithium-ion batteries ». In : Journal of Energy Storage 8 (nov.
2016), p. 244–256.
[77] Jinhao Meng et al. « An Overview and Comparison of Online Implementable SOC
Estimation Methods for Lithium-Ion Battery ». In : IEEE Transactions on Industry
Applications 54.2 (mar. 2018), p. 1583–1591.
[78] Felix-A. LeBel et al. « Battery Pack Sizing Method - Case Study of an Electric
Motorcycle ». In : 2018 IEEE Vehicle Power and Propulsion Conference (VPPC).
IEEE, août 2018, p. 1–6.
[79] Liang Zhong et al. « A method for the estimation of the battery pack state of charge
based on in-pack cells uniformity analysis ». In : Applied Energy 113 (jan. 2014),
p. 558–564.
[80] M Coleman et al. « State-of-Charge Determination From EMF Voltage Estimation :

Using Impedance, Terminal Voltage, and Current for Lead-Acid and Lithium-Ion Bat-
teries ». In : IEEE Transactions on Industrial Electronics 54.5 (oct. 2007), p. 2550–
2557.
[81] Shijie Tong, Joseph H. Lacap et Jae Wan Park. « Battery state of charge estimation
using a load-classifying neural network ». In : Journal of Energy Storage 7 (août 2016),
p. 236–243.
[82] Hicham Ben Sassi et al. « Comparative study of ANN/KF for on-board SOC es-
timation for vehicular applications ». In : Journal of Energy Storage 25 (oct. 2019),
p. 100822.
[83] Mohamed A. Awadallah et Bala Venkatesh. « Accuracy improvement of SOC

estimation in lithium-ion batteries ». In : Journal of Energy Storage 6 (mai 2016),
p. 95–104.
[84] Aden Seaman, Thanh-Son Dao et John McPhee. « A survey of mathematics-based

equivalent-circuit and electrochemical battery models for hybrid and electric vehicle
simulation ». In : Journal of Power Sources 256.0 (juin 2014), p. 410–423.
115
BIBLIOGRAPHIE
[85] Lei Pei et al. « Development of a voltage relaxation model for rapid open-circuit
voltage prediction in lithium-ion batteries ». In : Journal of Power Sources 253 (mai
2014), p. 412–418.
[86] Jan Philipp Schmidt et al. « The distribution of relaxation times as basis for gene-
ralized time-domain models for Li-ion batteries ». In : Journal of Power Sources 221
(jan. 2013), p. 70–77.
[87] Naixing Yang et al. « Unbalanced discharging and aging due to temperature diffe-
rences among the cells in a lithium-ion battery pack with parallel combination ». In :
Journal of Power Sources 306 (fév. 2016), p. 733–741.
[88] Languang Lu et al. « A review on the key issues for lithium-ion battery management
in electric vehicles ». In : Journal of Power Sources 226 (mar. 2013), p. 272–288.
[89] Il-Song Kim. « The novel state of charge estimation method for lithium battery using
sliding mode observer ». In : Journal of Power Sources 163.1 (2006), p. 584–590.
[90] Sophia Gantenbein, Michael Weiss et Ellen Ivers-Tiffée. « Impedance based

time-domain modeling of lithium-ion batteries : Part I ». In : Journal of Power Sources
379 (mar. 2018), p. 317–327.
[91] J Xu et al. « The State of Charge Estimation of Lithium-Ion Batteries Based on a

Proportional-Integral Observer ». In : IEEE Transactions on Vehicular Technology
63.4 (2014), p. 1614–1621.
[92] X Chen et al. « Robust Adaptive Sliding-Mode Observer Using RBF Neural Network
for Lithium-Ion Battery State of Charge Estimation in Electric Vehicles ». In : IEEE
Transactions on Vehicular Technology 65.4 (2016), p. 1936–1947.
[93] Claudio Burgos-Mellado et al. « Particle-filtering-based estimation of maximum

available power state in Lithium-Ion batteries ». In : Applied Energy 161 (2016),
p. 349–363.
[94] Jonghoon Kim et B H Cho. « State-of-Charge Estimation and State-of-Health Pre-

diction of a Li-Ion Degraded Battery Based on an EKF Combined With a Per-Unit
116
BIBLIOGRAPHIE
System ». In : IEEE Transactions on Vehicular Technology 60.9 (nov. 2011), p. 4249–

4260.
[95] Hongwen He et al. « State-of-Charge Estimation of the Lithium-Ion Battery Using

an Adaptive Extended Kalman Filter Based on an Improved Thevenin Model ». In :
IEEE Transactions on Vehicular Technology 60.4 (mai 2011), p. 1461–1469.
[96] Shunli Wang et al. « Online state of charge estimation for the aerial lithium-ion
battery packs based on the improved extended Kalman filter method ». In : Journal
of Energy Storage 9 (fév. 2017), p. 69–83.
[97] Nikolaos Wassiliadis et al. « Revisiting the dual extended Kalman filter for battery
state-of-charge and state-of-health estimation : A use-case life cycle analysis ». In :
Journal of Energy Storage 19 (oct. 2018), p. 73–87.
[98] D. Andre et al. « Characterization of high-power lithium-ion batteries by electroche-

mical impedance spectroscopy. II : Modelling ». In : Journal of Power Sources 196.12
(juin 2011), p. 5349–5356.
[99] Kiyoshi Ohishi. « Torque-speed regulation of DC motor based on load torque estima-
tion ». In : IEEJ International Power Electronics Conference, IPEC-TOKYO, 1983-3.
T. 2. 1983, p. 1209–1216.
[100] Wen-Hua Chen et al. « Disturbance-Observer-Based Control and Related Methods—An

Overview ». In : IEEE Transactions on Industrial Electronics 63.2 (fév. 2016), p. 1083–
1095.
[101] Pascal Messier et al. « Multi-Cell Emulation for Battery Management System Vali-
dation ». In : 2018 IEEE Vehicle Power and Propulsion Conference (VPPC). IEEE,
août 2018, p. 1–6.
[102] Pi-innovo. Pi-innovo - M220 Technical Specification.
117

Messier Pascal MScA 2019

Transféré par

Droits d'auteur :

Formats disponibles

Messier Pascal MScA 2019

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Messier Pascal MScA 2019

Transféré par

Droits d'auteur :

Formats disponibles

Faculté de génie

Département de Génie Électrique et Génie Informatique

Sherbrooke (Québec), Canada

Ce projet propose d’une part de développer un système de validation Hardware-in-the-loop

De plus, un algorithme issu du domaine du contrôle avancé a été développé et nouvellement

Mots clés : Algorithme, état de charge, observateur de perturbations, système de gestion

This project proposes to develop an Hardware-in-the-loop system (HIL) for performance

3 Émulateur multi-cellules pour validation de système de gestion de batterie 49

4 Estimation de l’état de charge basée sur l’algorithme d’observation de per-

5 Conclusion et travaux futurs 103

2.1 Format de Cellules [19] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3.1 V-Shape development process . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.1 OCV-SoC relationship of the LG ICR C2 cell . . . . . . . . . . . . . . . . . 79

2.1 Tableau Comparatif des types de cellule au lithium-ion [17, 18] . . . . . . . . 12

4.1 Parameters of the cell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

Acronyme Définition Française Définition Anglaise

Acronyme Définition Française Définition Anglaise

MCU Microcontrôleur Microcontroller Unit

1.1 Contexte Global

1.2 Définition du projet de recherche

Considérant ces aspects, on formule deux questions de recherche :

— Comment estimer l’état de charge dans un système embarqué en tenant

1.3 Objectifs du Projet

Développement d’algorithme : Développer un algorithme d’estimation d’état de charge

1.4 Contributions originales

l’estimation de l’état de charge de batterie au lithium-ion. L’algorithme supporté par la théo-

1.5 Plan du document

2.1 Cellules au Lithium-ion

2.1.2 Types et formats de cellules au Lithium-ion

2.1.3 Batterie et branchement des cellules

(a) Cellule Cylindrique (b) Cellule Prismatique (c) Cellule Pochette

Figure 2.1 – Format de Cellules [19]

2.1.4 État de charge

L’état de charge, traduction de l’anglais State of Charge (SOC), représente le pourcentage

(a) Cellules Série (b) Cellules Parallèle

(c) Cellules Matricielle (d) Cellules Série - Parallèle

Figure 2.2 – Agencements de Cellules

la capacité nominale spécifier par le manufacturier. En d’autres mots, la capacité de chaque

2.1.5 État de santé

Cnom − Cbatt (t)

2.1.6 Effet de la température

La température joue un rôle important dans le fonctionnement des cellules au lithium-ion.

35°C. La température influence les caractéristiques internes de la cellule et accélère le vieillis-

Figure 2.3 – Plage de température des cellules au lithium-ion [18]

2.2 Système de Gestion de Batterie

Il existe plusieurs topologies dans la conception des BMS. Dépendant de l’architecture et

(a) Topologie de BMS Centralisé (b) Topologie de BMS Modulaire

Figure 2.5 – Topologie de BMS

(a) Topologie (b) BMS EMUS

Figure 2.6 – BMS Maître-Esclave

(a) Topologie (b) PCB sur cellules prismatique [27]

Figure 2.7 – BMS distribué

Tableau 2.2 – Comparatif des topologie de BMS

Paramètres Centralisé Modulaire Distribué Maître-Esclave

2.2.2 Composants Matériel

B. Circuit intégré d’acquisition et d’équilibrage

Tableau 2.3 – Circuit intégré d’interface et d’équilibrage pour cellules

Figure 2.8 – Fonction du BMS [21]

A. Surveillance des cellules

La gestion thermique de la batterie se divise en deux fonctions spécifiques, la surveillance