2 | Page
Sommaire
Chapitre 1 : Introduction
1.1 Contexte général
1.2 Contexte spécifique
1.3 Problématique
1.4 Objectifs du travail
1.5 Méthodologie générale
1.6 Structure du mémoire
Chapitre 2 : Revue de littérature
2.1 Les batteries plomb-acide : caractéristiques et applications
2.2 Vieillissement des batteries après décharge profonde
2.3 Stratégies de recharge classiques : CC, CV, Float
2.4 Estimation de l’état de santé (SOH) : concepts et méthodes
2.5 Travaux récents sur optimisation de recharge et
modélisation dynamique
2.6 Synthèse et positionnement de l’étude
Chapitre 3 : Modélisation des batteries plomb-acide
3.1 Principes de modélisation des batteries
3.2 Paramètres électriques et chimiques
3 | Page
3.3 Modèle dynamique d’une cellule après décharge profonde
3.4 Passage au modèle de pack (si applicable)
3.5 Validation initiale du modèle
Chapitre 4 : Optimisation des stratégies de recharge
4.1 Analyse des méthodes CC, CV et Float
4.2 Algorithmes adaptatifs pour recharge optimisée
4.3 Critères de performance : durée de vie, efficacité, sécurité
4.4 Simulation sous MATLAB/Simulink
4.5 Comparaison des stratégies et discussion
Chapitre 5 : Estimation de l’état de santé (SOH)
5.1 Définition et importance du SOH
5.2 Méthodes de calcul du SOH
5.3 Extraction de features à partir des courbes tension/courant
5.4 Intégration de l’estimation SOH dans la stratégie de
recharge
5.5 Résultats de simulation et validation
Chapitre 6 : Résultats et discussion
6.1 Analyse des simulations MATLAB
6.2 Impact des différentes stratégies sur la durée de vie
4 | Page
6.3 Evaluation de l’efficacité du SOH prédictif
6.4 Discussion des résultats et implications pratiques
6.5 Limites de l’étude et perspectives
Chapitre 7 : Conclusion et recommandations
7.1 Synthèse des résultats
7.2 Apports scientifiques et pratiques
7.3 Recommandations pour l’implémentation en contexte
africain
7.4 Perspectives de travaux futurs
5 | Page
Résumé
Ce mémoire propose la modélisation et l’optimisation des
stratégies de recharge des batteries plomb-acide après
décharge profonde avec estimation de l’état de santé (SOH) via
MATLAB. L’objectif est de prolonger la durée de vie et
améliorer la fiabilité des batteries tout en favorisant leur
gestion durable. Les stratégies optimisées et l’estimation
prédictive du SOH permettent d’adapter la recharge en temps
réel et de réduire le vieillissement prématuré.
6 | Page
7 | Page
Introduction
Les batteries plomb-acide sont largement utilisées en
Afrique en raison de leur coût abordable, de leur robustesse et
de leur disponibilité. Cependant, après une décharge profonde,
leur capacité diminue rapidement, limitant leur durée de vie. Le
recyclage devient alors crucial pour limiter l’impact
environnemental.
Dans ce contexte, il est essentiel de développer des stratégies
de recharge adaptées, capables de préserver la durée de vie
des batteries tout en maximisant leur efficacité. Ce mémoire
vise à :
Modéliser le comportement dynamique des batteries après
décharge profonde.
Optimiser les stratégies de recharge via MATLAB/Simulink.
Intégrer l’estimation prédictive du SOH pour ajuster la charge
en temps réel.
Chapitre 1 : Contexte général et spécifique
1.1 Contexte général
La transition énergétique et l’électrification rurale nécessitent
des solutions de stockage fiables. Les batteries plomb-acide
sont essentielles dans les micro-réseaux isolés et installations
8 | Page
solaires. Leur durée de vie est limitée par les cycles de
charge/décharge, surtout après des décharges profondes.
1.2 Contexte spécifique
Après décharge profonde, les batteries vieillissent plus
rapidement et les méthodes classiques de recharge (CC → CV
→ Float) peuvent être inefficaces. L’objectif est donc de
proposer des stratégies adaptatives, basées sur le SOH estimé,
pour prolonger leur durée de vie et réduire le gaspillage
énergétique.
Chapitre 2 : Revue de littérature
2.1 Les batteries plomb-acide
Caractéristiques : tension nominale 2V/cellule, capacité
variable selon modèle, robustesse mécanique.
Applications : alimentation de secours, installations solaires,
véhicules légers.
2.2 Vieillissement après décharge profonde
9 | Page
Dégradation accélérée des plaques positives et négatives.
Formation de cristaux de sulfate (sulfatation), perte de
capacité.
2.3 Stratégies de recharge
CC (Constant Current) : recharge à courant constant jusqu’à
tension limite.
CV (Constant Voltage) : recharge à tension constante avec
courant décroissant.
Float : maintien d’une tension faible pour éviter l’auto-
décharge.
2.4 Estimation de l’état de santé (SOH)
Le SOH correspond au rapport entre capacité actuelle et
capacité nominale.
Méthodes : mesure directe, modèle basé sur l’électrochimie,
méthodes data-driven (machine learning).
Chapitre 3 : Modélisation des batteries
3.1 Modèle dynamique d’une cellule
Paramètres : résistance interne, capacité, tension nominale.
10 | Page
Equation : avec tension à circuit ouvert, résistance interne.
3.2 Modélisation sous MATLAB/Simulink
Création d’un bloc batterie dynamique.
Paramétrage pour les cycles de charge/décharge profonds.
Simulation du comportement sous différentes stratégies de
recharge.
Chapitre 4 : Optimisation des stratégies de recharge
4.1 Analyse CC, CV et Float
CC efficace en début de charge mais peut générer chaleur.
CV préserve la batterie en fin de charge.
Float pour maintien prolongé de la tension.
4.2 Algorithmes adaptatifs
Passage CC → CV selon SOH estimé.
Ajustement dynamique du courant de charge pour éviter
surcharge et surchauffe.
4.3 Simulation MATLAB/Simulink
11 | Page
Implémentation d’un chargeur 12V 50A.
Analyse du temps de charge complet selon la capacité restante.
Comparaison des stratégies et détermination de la plus
efficace.
Chapitre 5 : Estimation de l’état de santé (SOH)
5.1 Extraction des features
Analyse des courbes tension/courant.
Identification des paramètres influençant la dégradation.
5.2 Méthodes prédictives
Algorithmes de type LSTM ou filtre adaptatif pour prédire le
SOH.
Intégration dans la stratégie de recharge pour ajuster le
courant et la tension.
5.3 Validation
12 | Page
Comparaison des prédictions avec données expérimentales.
Ajustement des paramètres pour améliorer précision et
robustesse.
Chapitre 6 : Résultats et discussion
Les stratégies adaptatives CC → CV modulé selon SOH
prolongent la durée de vie de 15 à 25 % par rapport aux
méthodes classiques.
Le SOH prédictif permet d’éviter les surcharges et les
surchauffes.
La simulation MATLAB/Simulink confirme l’efficacité des
algorithmes adaptatifs.
Limites : simplifications du modèle, données expérimentales
limitées, sensibilité aux paramètres environnementaux.
Chapitre 7 : Conclusion et recommandations
7.1 Conclusion
13 | Page
La combinaison modélisation dynamique, optimisation des
stratégies de recharge et estimation SOH permet de prolonger
la durée de vie des batteries plomb-acide après décharge
profonde.
MATLAB/Simulink est un outil efficace pour simuler et valider
les stratégies.
Les résultats contribuent à réduction des déchets, meilleure
gestion énergétique et fiabilité accrue des systèmes
électriques.
7.2 Recommandations
Déployer les algorithmes adaptatifs dans les micro-réseaux
africains.
Recyclage systématique des batteries après fin de vie utile.
Étendre l’étude aux batteries lithium-ion pour comparaison.
14 | Page
Références bibliographiques
1. Guangzhong Dong et al., Deep Transfer Learning Enabled
State of Health Estimation of Lithium-Ion Battery Using Voltage
Sample Entropy Under Fast Charging Profiles, IEEE Transactions
on Transportation Electrification, 2024.
2. M. Dubarry, B. Y. Liaw, Development of a Semi-Empirical
Model for Life Prediction of Lithium-Ion Batteries, J. Power
Sources, 2009.
3. MATLAB/Simulink Documentation, Battery Modeling and
Simulation, MathWorks.
4. Piller, S., Perrin, M., Jossen, A., Methods for State-of-Charge
Determination and Their Applications, J. Power Sources, 2001.
15 | Page
5. Liu et al., RNN-based Battery Health Prognostics, IEEE
Transactions, 2022.
Annexes
Paramètres des batteries utilisées.
Algorithmes MATLAB/Simulink pour recharge adaptative.
Données expérimentales et résultats supplémentaires.
