Les batteries Li-ion (LIB) sont utilisées comme dispositifs de stockage d'énergie dans les applications automobiles, mobiles ou stationnaire. Cependant, leur vieillissement conduisant à une dégradation de leur performance reste un problème majeur. Les LIB présentent un comportement non uniforme qui entraîne une utilisation incomplète et un vieillissement non uniforme. L'objectif de ce travail est donc d'identifier les facteurs influençant le comportement inhomogène et d'étudier leur effet sur le vieillissement. Une approche combinée modèle/expérimentation est adoptée. Un dispositif expérimental a été développé pour simuler les dispersions thermiques et de potentiels dans les batteries Li-ion commerciales. Ce dispositif est utilisé pour effectuer des tests en cyclage et le vieillissement inhomogène est évalué par des tests de caractérisation effectués pendant et après le cyclage. Des modèles multi-physiques décrivant le comportement des LIB ont été développés pour représenter le comportement du système expérimental. Deux phénomènes de vieillissement identifiés expérimentalement sont pris en compte, à savoir la formation d'une couche de SEI (Solid Electrolyte Interface) et la perte de matière active d'électrode positive. Le premier est fortement dépendant de la température et le second est plus uniforme. Cette approche combinée a permis de montrer que la dispersion thermique avait plus d'impact que les différences de potentiel sur l'homogénéité du vieillissement / Li-ion batteries (LIB) are used as energy storage devices in automobile, mobile and stationary applications. However their lifetime issue is a primary concern resulting in a decreased performance. Li-ion batteries exhibit non-uniform behavior that results in incomplete utilization of the cell energy and non-uniform aging. Thus the objective of this work is to identify the factors influencing the inhomogeneous behavior and to study their effect on aging. A combined modeling and experimental approach is adopted in this work. In the experimental work, a setup is developed that surrogates the thermal and potential gradients occurring in commercial LIB. This setup is used to perform long-term accelerated cycling tests and inhomogeneous aging behavior is assessed. Several characterization tests are performed during and after the completion of the cycling. In the modeling part, multiphysics models describing the electrochemical, electrical and thermal behavior of LIB are developed. These models are appropriately coupled integrated with an aging component to represent the experimental setup behavior. Two main degradation phenomena, namely SEI (Solid Electrolyte Interface) formation and positive electrode active material have been identified experimentally and modelled. The latter is uniform whereas the former is influenced by temperature. Based on this, thermal dispersion impact on the inhomogeneity is greater than potential dispersion

La sécurité de plusieurs systèmes électriques est fortement dépendante de la fiabilité de leur bloc-batterie à base de piles aux ions lithium (Li-ion). Par conséquent, ces batteries doivent être suivis et contrôlés par un système de gestion des batteries (BMS). Le BMS interagit avec toutes les composantes du bloc-batterie de façon à maintenir leur intégrité. La principale composante d’un BMS est un modèle représentant le comportement des piles Liion et capable de prédire ses différents points d’opération. Dans les industries de l’électronique et de l’automobile, le BMS repose habituellement sur des modèles empiriques simples. Ceux-ci ne sont cependant pas capables de prédire les paramètres de la batterie lorsqu’elle vieillit. De plus, ils ne sont applicables que pour des piles spécifiques. D’un autre côté, les modèles électrochimiques sont plus sophistiqués et plus précis puisqu’ils sont basés sur la résolution des équations de transport et de cinétique électrochimique. Ils peuvent être utilisés pour simuler les caractéristiques et les réactions à l’intérieur des piles aux ions lithium. Pour résoudre les équations des modèles électrochimiques, il faut connaître les différents paramètres électrochimiques et thermo-physiques de la pile. Les variables les plus significatives des piles Li-ion peuvent être divisées en 3 catégories : les paramètres géométriques, ceux définissant les matériaux et les paramètres d’opération. Les paramètres géométriques et de matériaux peuvent être facilement obtenus à partir de mesures directes ou à partir des spécifications du manufacturier. Par contre, les paramètres d’opération ne sont pas faciles à identifier. De plus, certains d’entre eux peuvent dépendre de la technique de mesure utilisée et de l’âge. Finalement, la mesure de certains paramètres requiert le démantèlement de la pile, une procédure risquée et destructive. Plusieurs recherches ont été réalisées afin d’identifier les paramètres opérationnels des piles aux ions lithium. Toutefois, la plupart de ces études ont porté sur l’estimation d’un nombre limité de paramètres et se sont attardées sur un seul type de matériau pour l’électrode positive utilisé dans la fabrication des piles Li-ion. De plus, le couplage qui existe entre les paramètres électrochimiques et thermo-physiques est complètement ignoré. Le but principal de cette thèse est de développer une méthode générale pour identifier simultanément différents paramètres électrochimiques et thermo-physiques et de prédire la performance des piles Li-ion à base de différents matériaux d’électrodes positives. Pour atteindre ce but, une méthode inverse efficace a été introduite. Des modèles directs représentatifs des piles Li-ion à base de différents matériaux d’électrodes positives ont également été développés. Un modèle rapide et précis simulant la performance de piles Li-ion avec des électrodes positives à base de LiMn2O4 ou de LiCoO2 est présenté. Également, deux modèles ont été développés pour prédire la performance des piles Li-ion avec une électrode positive de LiFePO4. Le premier, appelé modèle mosaïque modifié (MM), est basé sur une approche macroscopique alors que le deuxième, appelé le modèle mésoscopique, est plutôt basé sur une approche microscopique. Des études d’estimation de paramètres ont été conduites en utilisant les modèles développés et des données expérimentales fournies par Hydro-Québec. Tous les paramètres électrochimiques et thermo-physiques des piles Li-ions ont été simultanément identifiés et appliqués à la prédiction de la performance des piles. Finalement, une technique en temps réel reposant sur des réseaux de neurones est introduite dans la méthode d’estimation des paramètres intrinsèques au piles Li-ion. / Abstract : The safety of many electrical systems is strongly dependent on the reliable operation of their lithium-ion (Li-ion) battery packs. As a result, the battery packs must be monitored by a battery management system (BMS). The BMS interacts with all the components of the system so as to maintain the integrity of the batteries. The main part of a BMS is a Li-ion battery model that simulates and predicts its different operating points. In the electronics and in the automobile industries, the BMS usually rests on simple empirical models. They are however unable to predict the battery parameters as it ages. Furthermore, they are only applicable to a specific cell. Electrochemical-based models are, on the other hand, more sophisticated and more precise. These models are based on chemical/electrochemical kinetics and transport equations. They may be used to simulate the Li-ion battery characteristics and reactions. In order to run the electrochemical-based mathematical models, it is imperative to know the different electrochemical and thermophysical parameters of the battery. The significant variables of the Li-ion battery can be classified into three groups: geometric, material and operational parameters. The geometric and material parameters can be easily obtained from direct measurements or from the datasheets provided by the manufacturer. The operational properties are, on the other hand, not easily available. Furthermore, some of them may vary according to the measurement techniques or the battery age. Sometimes, the measurement of these parameters requires the dismantling of the battery itself, which is a risky and destructive procedure. Many investigations have been conducted to identify the operational parameters of Li-ion batteries. However, most of these studies focused on the estimation of limited parameters, or considered only one type of the positive electrode materials used in Li-ion batteries. Moreover, the coupling of the thermophysical parameters to the electrochemical variables is ignored in all of them. The main goal of this thesis is to develop a general method to simultaneously identify different electrochemical and thermophysical parameters and to predict the performance of Li-ion batteries with different positive electrode materials. To achieve this goal, an effective inverse method is introduced. Also, direct models representative of Li-ion batteries are developed, applicable for all of the positive electrode materials. A fast and accurate model is presented for simulating the performance of the Li-ion batteries with the LiMn2O4 and LiCoO2 positive electrodes. Moreover, two macro- and micro-based models are developed for predicting the performance of Li-ion battery with the LiFePO4 positive electrode, namely the Modified Mosaic (MM) and the mesoscopic-based models. The parameter estimation studies are then implemented by means of the developed direct models and experimental data provided by Hydro-Québec. All electrochemical and thermophysical parameters of the Li-ion batteries are simultaneously identified and applied for the prediction of the battery performance. Finally, a real-time technique resting on neural networks is used for the estimation of the Li-ion batteries intrinsic parameters.

The rate of degradation of a lithium-ion battery depends on its use i.e. how it is charged and discharged. Physics-based models are used to represent the processes inside a cell as well as the degradation mechanisms. This thesis aimed to compare how the battery lifetime is affected when charging with different charging protocols using different battery models and degradation mechanisms. The investigated models are the Single Particle Model (SPM), the Single Particle Model with electrolyte (SPMe), and the Doyle-Fuller Newman model (DFN). The degradation mechanisms are solid electrolyte interphase (SEI), and lithium plating (LP). The used charging protocols are constant-current constant voltage(CCCV), positive pulsed current (PPC), and constant current (CC). Pulsed charging was included to investigate if the battery lifetime can be improved as in an experiment by Huang where pulsed charging increased the battery lifetime by 60%. To perform the simulations using the physics-based models, PyBaMM (PythonBattery Mathematical Modeling) was used. The simulations were performed for a lithium cobalt oxide (LCO) cell. Two types of SEI were implemented, solvent-diffusion limited and reaction limited. For the LP only irreversible LP was used.1200 cycles were simulated. Comparing the PPC and CC protocols, there were no significant changes between the degradation mechanisms for the different protocols. The results were the same for all the models, except for the results of the internal resistance. The conclusion is that for the PPC and CC protocols, the cell degrades the same although the PPC protocol used twice the C-rate. The PPC charging did not increase the battery lifetime. For the CCCV and CC protocols, there were some bigger differences between the protocols, but between the different models, there weren’t any significant differences. The CCCV degrades the cell faster for all degradation mechanisms and all models. Simulating one degradation submodel at a time resulted in a very small capacity fade for some submodels. Therefore, for future work, it is suggested to use several degradation submodels at the same time but also to try other degradation mechanisms or try PPC protocols with different frequencies and duty cycles. / Hur snabbt litiumjonbatterier degraderas beror på hur de används, laddas och laddas ur. Fysikbaserde modeller används för att representera processerna inuti cellen och även degraderingsmekanismerna. Denna studie har genomförts för att undersöka hur batteriets livslängd påverkas av olika laddningsprotokoll genom att använda olika batterimodeller och degraderingsmekanismer. Modellerna som användes är Singel-partikelmodellen (SPM), Singel-partikelmodellen med elektrolyt (SPMe) och Doyle-Fuller Newman-modellen (DFN). Degraderingsmekanismerna är fast elektrolytinterfas (SEI) och litiumplätering (LP). Laddningsprotokollen som användes är konstant ström konstant spänning (CCCV), positiv pulserande ström (PPC) och konstant ström konstant (CC). Protokollet för pulsad laddning inkluderades för att undersöka om batteriets livslängd kan förbättras som i ett experiment av Huang, där pulsad laddning ökade batteriets livslängdmed 60%. För att utföra simuleringar med fysikbaserade modeller användes PyBaMM(Pyhton Battery Mathematical Modeling). Simuleringarna utfördes för en lithiumkobaltoxid-cell (LCO). Två typer av SEI implementerades, lösningsmedelsdiffusion-begränsad och reaktions-begränsad SEI. För LP användes endast irreversibel LP.1200 cykler simulerades. Jämförande PPC- och CC-protokollen fanns det inga signifikanta förändringar mellan degraderingsmekanismerna för de olika protokollen. Resultaten vardesamma för alla modellerna, förutom resultaten av den interna resistansen. Slutsatsen är att för både PPC- och CC-protokollen så degraderades cellen på samma sätt, trots att PPC-protokollet använde dubbelt så hög C-faktor. PPC-protokollet ökade inte batteriets livslängd. För CCCV- och CC-protokollen fanns det några större skillnader mellan protokollen, men mellan de olika modellerna fanns det inga signifikanta skillnader. CCCV-protokollet försämrade cellen snabbare för alla degraderingsmekanismer och alla modeller. Att simulera en degraderingsmodell i taget resulterade i mycket små kapacitetsförluster. Därmed föreslås det att i framtida arbete använda flera degraderingsmodeller samtidigt men även testa andra degraderingsmekanismer eller PPC-protokoll med olika frekvenser och arbetscykler