Analyse comparative des approches utilisées pour la prévision et la gestion des performances des batteries Li-Ion

Abstract

Ce mémoire explore différentes approches d’apprentissage automatique, allant des modèles classiques comme Ridge et Random Forest aux réseaux neuronaux profonds (CNN, LSTM), pour prédire la durée de vie restante des batteries lithium-ion. En utilisant les jeux de données MATR1 et MATR2, nous avons comparé les performances de chaque modèle selon plusieurs critères : précision (RMSE, MAE, R2), robustesse, interprétabilité et adaptabilité aux conditions réelles. Les résultats montrent que le CNN offre le meilleur compromis entre précision et stabilité, faisant de lui un candidat idéal pour une intégration industrielle future dans la maintenance prédictive des systèmes de stockage énergétique.