Introduction : L'optimisation impérative dans le stockage de l'énergie

La transition mondiale vers des sources d'énergie renouvelables telles que l'énergie solaire et l'énergie éolienne a créé un besoin urgent de solutions de stockage d'énergie électrique à haute performance. Les batteries, les supercondensateurs et les systèmes de débit-cellules doivent satisfaire simultanément à des objectifs de conception multiples, souvent contradictoires : minimiser les coûts de capital et d'exploitation, maximiser la densité énergétique et l'efficacité des parcours, réduire l'empreinte environnementale sur l'ensemble du cycle de vie et garantir une longue durée de vie opérationnelle dans des conditions de cycle variées.

Comprendre l'optimisation multi-objectifs

Contrairement à l'optimisation mono-objectif, qui cherche une solution unique, MOO produit un ensemble de solutions appelé Pareto ensemble optimal. Une solution est Pareto optimal si aucun objectif ne peut être amélioré sans dégrader au moins un autre objectif. La collecte de ces solutions dans l'espace objectif est appelée le front Pareto. Par exemple, dans la conception de la batterie, l'augmentation de la densité énergétique réduit souvent la durée du cycle; un front Pareto montrerait la courbe complète des compromis réalisables entre ces deux objectifs.




où x est le vecteur des variables de conception (p. ex. épaisseur de l'électrode, composition électrolytique, géométrie cellulaire). Comme les objectifs sont souvent non mesurables (p. ex. coût en dollars par rapport à l'impact environnemental en kg équivalent CO2), il n'existe pas de solution « correcte » unique sans information supplémentaire de préférence de la part du décideur.

Il existe deux approches générales pour résoudre les problèmes de MOO : Méthodes a priori, où le décideur articule les préférences (p. ex., les poids) avant l'optimisation, et a méthodes a posteriori, qui génèrent l'ensemble du front de Pareto et permettent la sélection après.

Application du MOO à la conception du stockage d'électricité

La conception des systèmes de stockage d'électricité implique un espace décisionnel multidimensionnel. Les principaux objectifs à atteindre sont les suivants :

  • Coûts de capital et d'exploitation[ – sélection des matériaux, complexité de fabrication, assemblage cellulaire, gestion thermique et composants de balance des systèmes.
  • Densité énergétique et énergétique – mesures volumétriques et gravimétriques qui déterminent l'empreinte physique et le poids de l'unité de stockage.
  • Efficacité de la bande de roulement[ – la fraction d'énergie qui peut être récupérée du stockage; les pertes proviennent de la résistance interne, de l'autodécharge et des systèmes auxiliaires.
  • La durée de vie du cycle et du calendrier – combien de cycles de décharge ou d'années de fonctionnement avant que la capacité ne se dégrade à 80% de la valeur initiale.
  • Effets environnementaux[ – y compris l'extraction des matières premières, l'énergie de fabrication, la toxicité, la recyclabilité et l'élimination en fin de vie.
  • Conformité sécuritaire et réglementaire[ – Risque de fuite thermique, exigences de confinement et restrictions de transport.

Par exemple, une batterie au plomb acide à faible coût peut avoir une faible durée de vie du cycle et une faible densité énergétique, tandis qu'une batterie au lithium-sulfure à coût élevé peut offrir une densité énergétique supérieure mais une durée de vie plus courte. La MOO aide à quantifier ces compromis afin que les ingénieurs puissent choisir les meilleures technologies et les meilleurs paramètres de conception pour un cas d'utilisation spécifique, comme le stockage à l'échelle du réseau par rapport à l'application des véhicules électriques.

Équilibrer les coûts et les performances

Une étude récente a démontré l'utilisation de NSGA‐II – un algorithme évolutif multi-objectifs populaire – pour optimiser les dimensions des électrodes et la composition des matériaux d'une batterie lithium‐ion. L'objectif était de réduire le coût par kWh tout en maximisant la densité énergétique. Le front Pareto qui en résulte a révélé qu'une réduction de 10 % du coût ne pouvait être réalisée qu'avec un sacrifice de 3 % de la densité énergétique, mais d'autres réductions de coûts nécessitaient des sanctions de performance disproportionnées.

Considérations environnementales et de durabilité

L'accent étant mis de plus en plus sur l'évaluation du cycle de vie, l'impact environnemental est devenu un objectif critique. Des modèles d'optimisation multi-objectifs avec des modèles de performance de la batterie ont été mis au point. Par exemple, les chercheurs ont optimisé la composition en cathode des piles NMC (nickel-manganèse-cobalt) afin de minimiser le coût et le potentiel de réchauffement planétaire.

Modélisation de la longévité et de la dégradation

La dégradation de la batterie dépend de nombreux facteurs : profondeur de décharge, température, taux de charge/décharge et gestion de l'état de charge. L'optimisation multi-objectifs peut intégrer des modèles de dégradation pour optimiser les performances initiales et la durée de vie. Par exemple, une conception utilisant une électrode plus épaisse peut offrir une capacité plus élevée mais aussi une résistance interne plus élevée et une dégradation plus rapide en cas de cycles à haut débit.

Méthodes d'optimisation des clés et algorithmes

Plusieurs familles d'algorithmes se sont révélées efficaces pour l'optimisation multi-objectifs de la conception du stockage d'énergie.

  • Algorithmes génétiques (GA)[ – Méthodes de recherche basées sur la population inspirées par la sélection naturelle. Ils ne nécessitent aucune information dérivée et peuvent gérer des espaces objectifs discontinus et non linéaires. L'algorithme génétique de tri non dominé (NSGA‐II) demeure un point de repère en raison de sa capacité à générer des fronts Pareto bien distribués. (Voir le document original de NSGA‐II pour des détails fondamentaux.)
  • Particle Swarm Optimization (PSO)[ – Une technique d'intelligence par essaim où les solutions candidates (« particules ») se déplacent dans l'espace de recherche guidé par leur position la plus connue et la meilleure mondiale. Des variantes multi-objectifs telles que MOPSO ont été appliquées pour optimiser la gestion thermique des batteries et les circuits d'équilibrage cellulaire.
  • Algorithmes évolutifs multi-objectif (MOEA) – Une classe plus large qui comprend NSGA‐II, SPEA2 et MOEA/D. Ces algorithmes utilisent la sélection, le croisement et les opérateurs de mutations pour évoluer les populations vers le front Pareto. MOEA/D (Algorithme évolutif multi-objectif basé sur la décomposition) est particulièrement efficace pour les problèmes ayant un grand nombre d'objectifs.
  • Analyse et visualisation du front de Pareto – Une fois le front de Pareto obtenu, les décideurs ont besoin d'outils pour visualiser les compromis et sélectionner une solution préférée. Les tracés parallèles de coordonnées, les tracés de dispersion et les cartes thermiques sont communs.

En plus de ces méthodes classiques, l'optimisation assistée par un substitut gagne en traction pour la conception de systèmes de stockage, où les simulations de haute fidélité (p. ex. modèles électrochimiques) sont coûteuses en calcul.

Études de cas sur l'optimisation du stockage de l'électricité

Étude de cas 1: Optimisation de la conception des électrodes à batterie au lithium-ion

Une équipe d'ingénieurs a utilisé NSGA‐II pour optimiser la porosité, l'épaisseur et la taille des particules de l'anode et de la cathode dans une cellule lithium‐ion. Les trois objectifs étaient le coût par kWh, la densité d'énergie (kWh/kg) et la densité de puissance (kW/kg). Le front Pareto a montré que l'amélioration de la densité de puissance au-delà de 20 % de la valeur de référence nécessitait une réduction de la densité d'énergie de plus de 40 %, ce qui montre clairement que les applications à haute puissance (p. ex. véhicules électriques hybrides) exigent des architectures cellulaires fondamentalement différentes que les applications à haute énergie (p. ex. stockage stationnaire).

Étude de cas 2: Stockage de batteries de dimensionnement pour l'intégration photovoltaïque solaire

Pour les fermes solaires raccordées au réseau, la capacité du système de stockage d'énergie de batterie (SCEB) doit être dimensionnée de manière à maximiser l'autoconsommation, à réduire les charges de pointe et à réduire le coût total du système.Les objectifs multiples comprennent les dépenses en capital (CAPEX), les dépenses opérationnelles (OPEX) et la fraction d'énergie renouvelable directement consommée (rapport autoconsommation).Un cadre de MAO utilisant le MOEO/D a été appliqué à une centrale solaire de 1 MW. Le front Pareto a fourni une gamme de tailles de SCEB allant de 0,5 MWh à 2,5 MWh, avec des ratios autoconsommation correspondants allant de 35 % à 68 %.

Étude de cas 3: Optimisation multi-objectif de la membrane de batterie à débit

Les batteries à flux de vanadium redox (VRFB) reposent sur une membrane qui sépare les deux flux électrolytiques. La membrane doit avoir une faible résistance (pour une efficacité élevée) mais aussi un faible croisement de vanadium (pour une longue durée de vie et une rétention de grande capacité).Ces deux objectifs sont intrinsèquement contradictoires : une membrane plus mince réduit la résistance mais augmente le croisement. À l'aide d'un algorithme évolutif multi-objectifs, les chercheurs ont optimisé l'épaisseur de la membrane, la capacité d'échange d'ions et l'absorption d'eau.

Avantages et défis de l'application du protocole d'entente

Avantages

  • Contre-mesures éclairées – Plutôt que de se fier à des hypothèses fondées sur l'expérience, le MOO quantifie le coût exact (en termes d'autres objectifs) de l'amélioration d'une mesure particulière.
  • Découvrer des solutions non intuitives – Parce que le MOO explore l'espace de conception entier, il peut découvrir des configurations qu'un optimisation objectif unique ne considérerait jamais, comme un coût légèrement plus élevé qui donne une durée de vie beaucoup plus longue.
  • Scalabilité – Le même cadre de MO peut être appliqué à la conception de cellules, à la gestion thermique de modules et au calibrage de systèmes, offrant une méthodologie cohérente à toutes les échelles.
  • Intégration avec incertitude[ – Des formulations solides de MOO peuvent gérer les incertitudes de paramètres (p. ex. variabilité des coûts des matériaux, incertitude du taux de dégradation) pour produire des solutions qui restent optimales pareto dans une gamme de scénarios.

Défis

  • Coûts informatiques – Les simulations de haute fidélité du comportement électrochimique et thermique peuvent être très coûteuses. L'évaluation d'un seul modèle peut prendre des heures, rendant l'optimisation basée sur la population impossible sans modèles de substitution.
  • Disponibilité des données – Les modèles précis exigent des données expérimentales approfondies sur les propriétés des matériaux, la cinétique de dégradation et la variabilité de la fabrication.
  • La charge cognitive du décideur – Présenter un front complet de Pareto avec trois objectifs ou plus peut submerger les intervenants.
  • Complexité à plusieurs échelles – La performance de la batterie est régie par des phénomènes allant de l'échelle atomique (intercalation d'ions) à l'échelle du système ( gradients thermiques).

Orientations futures et tendances émergentes

Plusieurs développements sont en passe de rendre le MOO encore plus efficace dans le développement de solutions de stockage:

  • Intelligence artificielle et apprentissage automatique[ – Les réseaux neuronaux profonds peuvent servir de modèles de substitution qui accélèrent l'évaluation objective par ordre de grandeur. L'apprentissage du renforcement est également exploré pour ajuster dynamiquement les paramètres d'optimisation pendant la recherche.
  • Jumelles numériques – Un jumeau numérique d'un système de batteries intègre des données de capteurs en temps réel, des modèles de dégradation et des analyses prédictives. Le MOO peut fonctionner sur le jumeau numérique pour recommander des politiques de contrôle optimales (p. ex., des calendriers de charge) qui équilibrent le débit énergétique, la vie et la sécurité.
  • L'optimisation multi-objectifs sous incertitude (MOOUU)[ – L'extension du MO pour tenir compte explicitement des incertitudes d'entrée (p. ex. tolérances de propriété des matériaux, variations de température) donne des frontières Pareto robustes qui sont insensibles aux petites perturbations.
  • L'intégration avec l'établissement des coûts du cycle de vie (CLD) et l'économie circulaire[ – Les futurs cadres de MOO intégreront la valeur de fin de vie, la recyclabilité et les applications de seconde vie (p. ex. les batteries à la retraite pour véhicules électriques utilisés pour le stockage stationnaire) comme objectifs explicites, permettant une conception réellement durable.
  • Optimisation de la boucle humaine – Les outils de MO interactifs permettent aux décideurs d'explorer le front de Pareto et d'affiner les préférences itératives. Les progrès réalisés dans les interfaces utilisateur (p. ex., visualisation basée sur la RV) rendront ce processus plus accessible aux non-experts.

Conclusion

L'optimisation multi-objectifs est devenue une méthodologie essentielle dans le développement de solutions de stockage d'énergie électrique. En modélisant explicitement les compromis entre coûts, performances, impact environnemental et longévité, le MOO permet aux ingénieurs de concevoir des systèmes non seulement efficaces mais également économiquement viables et durables. De la sélection de matériaux au niveau électrode au calibrage de systèmes pour l'intégration des énergies renouvelables, le MOO offre une voie rigoureuse et axée sur les données pour de meilleures décisions.