FR3126500A1 - Procédé de détection de l’emballement thermique d’une batterie éléctrique - Google Patents

Procédé de détection de l’emballement thermique d’une batterie éléctrique Download PDF

Info

Publication number
FR3126500A1
FR3126500A1 FR2108975A FR2108975A FR3126500A1 FR 3126500 A1 FR3126500 A1 FR 3126500A1 FR 2108975 A FR2108975 A FR 2108975A FR 2108975 A FR2108975 A FR 2108975A FR 3126500 A1 FR3126500 A1 FR 3126500A1
Authority
FR
France
Prior art keywords
battery
temperature
bat
computer
electric battery
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR2108975A
Other languages
English (en)
Other versions
FR3126500B1 (fr
Inventor
Hai Li
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PSA Automobiles SA
Original Assignee
PSA Automobiles SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PSA Automobiles SA filed Critical PSA Automobiles SA
Priority to FR2108975A priority Critical patent/FR3126500B1/fr
Publication of FR3126500A1 publication Critical patent/FR3126500A1/fr
Application granted granted Critical
Publication of FR3126500B1 publication Critical patent/FR3126500B1/fr
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/42—Circuits effecting compensation of thermal inertia; Circuits for predicting the stationary value of a temperature
    • G01K7/427—Temperature calculation based on spatial modeling, e.g. spatial inter- or extrapolation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/61—Types of temperature control
    • H01M10/613—Cooling or keeping cold
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/62—Heating or cooling; Temperature control specially adapted for specific applications
    • H01M10/625—Vehicles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/63—Control systems
    • H01M10/637—Control systems characterised by the use of reversible temperature-sensitive devices, e.g. NTC, PTC or bimetal devices; characterised by control of the internal current flowing through the cells, e.g. by switching
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2250/00—Driver interactions
    • B60L2250/10—Driver interactions by alarm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K2205/00—Application of thermometers in motors, e.g. of a vehicle
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/65—Means for temperature control structurally associated with the cells
    • H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
    • H01M10/6567—Liquids
    • H01M10/6568—Liquids characterised by flow circuits, e.g. loops, located externally to the cells or cell casings
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2200/00—Safety devices for primary or secondary batteries
    • H01M2200/10—Temperature sensitive devices
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Transportation (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Secondary Cells (AREA)

Abstract

Le procédé est du type comprenant une mesure d’une température interne (Tb) de la batterie électrique. Conformément à l’invention, le procédé comprend les étapes de a) (B2) calcul d’un premier gradient de température (GT) à partir de la température interne (Tb) mesurée, b) (B3) prédiction d’un deuxième gradient de température (GT_P) par un modèle de prédiction (MOD_NE) de type à apprentissage automatique à partir de données (DE INF_MD) de la batterie électrique et d’un système thermique associé à la batterie électrique, et c) (B4) décision d’émission d’une alerte de détection d’emballement thermique (AL_ET) sur la base d’une comparaison entre les premier et deuxième gradients de température. Fig.3

Description

PROCÉDÉ DE DÉTECTION DE L’EMBALLEMENT THERMIQUE D’UNE BATTERIE ÉLÉCTRIQUE
La présente invention concerne le domaine des batteries électriques. Plus particulièrement, l’invention se rapporte à un procédé de détection de l’emballement thermique d’une batterie électrique, applicable notamment pour une batterie de traction d’un véhicule électrifié.
Une batterie électrique de traction lorsqu’elle est en service dans un véhicule électrifié, tel qu’un véhicule tout électrique ou un véhicule hybride thermique-électrique, peut dégager une puissance calorifique conséquente. La puissance calorifique dégagée doit être évacuée pour maintenir la température interne de la batterie en dessous d’un certain seuil de température et éviter un emballement thermique de celle-ci. L’emballement thermique de la batterie peut conduire à une explosion de celle-ci et est un évènement de sécurité majeur. Il est donc important de détecter au plus tôt le risque d’un emballement thermique de la batterie.
Dans l’état de la technique, il est connu deux méthodes industrialisables pour détecter l’emballement thermique d’une batterie.
Une première méthode est de détecter l’emballement thermique de la batterie par une surveillance de la tension électrique aux bornes de celle-ci, l’emballement thermique étant détecté lorsqu’intervient une chute brutale de cette tension électrique. Cette méthode autorise une détection rapide. Cependant, elle ne suffit à elle seule pour une détection fiable d’un emballement thermique. En effet, une chute brutale de la tension électrique aux bornes d’une batterie peut avoir une autre cause qu’un emballement, comme par exemple l’activation sur le réseau électrique connecté à la batterie d’un dispositif à forte consommation électrique.
Une autre méthode est de détecter l’emballement thermique de la batterie par une surveillance de la pression de gaz dans les cellules électrochimiques de la batterie. Cette méthode offre une détection fiable d’un emballement thermique. Cependant, la détection de l’emballement thermique intervient tardivement, alors que l’explosion de la batterie est proche.
Par ailleurs, par le document US20130049971A1, il est connu un dispositif qui se base sur une mesure de la résistance d’isolation électrique du pack batterie pour détecter une défaillance d’une cellule électrochimique de celui-ci.
Les documents CN104330743A et WO2016118250A1 proposent quant à eux des méthodes pour détecter un emballement thermique d’une batterie à partir de la température de celle-ci.
Le document WO2016118250A1 divulgue une méthode de principe dans laquelle l’emballement thermique est détecté par des calculs de dérivées sur des mesures de température et une comparaison à un seuil. L’agencement d’un capteur de température pour l’acquisition des mesures n’est pas décrit dans ce document.
Le document CN104330743A décrit une méthode de laboratoire pour une batterie de type lithium-ion. Cette méthode faisant appel à un tube caloporteur et à un capteur de température à fil résistif pour mesurer la température de la batterie. Le tube caloporteur comporte une partie intégrée dans la structure de la batterie et une extrémité externe sur laquelle est enroulé le fil résistif du capteur de température.
Il est souhaitable de fournir une solution ne présentant pas les inconvénients susmentionnés de la technique antérieure et bien adaptée à une industrialisation, pour détecter de façon fiable et au plus tôt l’emballement thermique d’une batterie électrique.
Selon un premier aspect, l’invention concerne un procédé de détection de l’emballement thermique d’une batterie électrique du type effectuant une mesure d’une température interne de la batterie électrique. Conformément à l’invention, le procédé comprend également les étapes de a) calcul d’un premier gradient de température à partir de la température interne mesurée, b) prédiction d’un deuxième gradient de température par un modèle de prédiction de type à apprentissage automatique à partir de données de la batterie électrique et d’un système thermique associé à la batterie électrique, et c) décision d’émission d’une alerte de détection d’emballement thermique sur la base d’une comparaison entre les premier et deuxième gradients de température.
Selon une caractéristique particulière du procédé, la mesure de la température interne est réalisée avec un capteur de température de type dit « PVD » intégré dans la batterie électrique.
Selon une autre caractéristique particulière du procédé, dans l’étape b), les données comprennent une puissance électrique de la batterie électrique et un débit de fluide caloporteur dans le système thermique.
Selon encore une autre caractéristique particulière du procédé, dans l’étape b), le modèle de prédiction est un modèle neuronal d’un réseau neuronal convolutif.
Selon encore une autre caractéristique particulière du procédé, dans l’étape c), la comparaison comprend le calcul d’un rapport entre les premier et deuxième gradients de température et la comparaison de ce rapport à un seuil de décision.
L’invention concerne aussi un calculateur comprenant une mémoire stockant des instructions de programme pour la mise en œuvre du procédé tel que décrit brièvement ci-dessus.
L’invention concerne aussi un ensemble d’une batterie électrique et d’un calculateur, intégré dans un véhicule, le calculateur étant un calculateur tel que décrit ci-dessus. Dans une forme de réalisation particulière pour un véhicule électrifié, la batterie électrique est une batterie électrique de traction. Dans une autre forme de réalisation particulière, le calculateur compris dans cet ensemble est un calculateur de gestion de batterie du type dit « BMS ».
L’invention concerne aussi un véhicule comprenant un ensemble tel que décrit brièvement ci-dessus.
D’autres avantages et caractéristiques de la présente invention apparaîtront plus clairement à la lecture de la description détaillée ci-dessous de plusieurs modes de réalisation particuliers de l’invention, en référence aux dessins annexés, dans lesquels :
La est un bloc-diagramme montrant schématiquement de manière simplifiée une architecture électrique d’un véhicule électrique dans lequel est mis en œuvre un mode de réalisation particulier du procédé selon l’invention.
La est un bloc-diagramme montrant des blocs fonctionnels du procédé selon l’invention.
La est une coupe transversale partielle schématique d’un module de batterie équipé d’un capteur de température de type « PVD ».
La est un bloc-diagramme d’un exemple de système thermique d’un module de batterie.
La montre des premières courbes comparatives entre des résultats de prédiction et de simulation obtenus avec une puissance de batterie fixe et un débit de fluide caloporteur de refroidissement variable.
La montre des deuxièmes courbes comparatives entre des résultats de prédiction et de simulation obtenus avec une puissance de batterie variable et un débit de fluide caloporteur de refroidissement fixe.
En référence aux Figs.1 à 6, il est maintenant décrit un mode de réalisation particulier du procédé selon l’invention. Dans cet exemple de réalisation, le procédé est mis en œuvre dans un véhicule électrifié sous la forme d’un véhicule tout électrique VE. Le véhicule VE comprend une chaîne de traction électrique intégrant un groupe motopropulseur électrique eGMP. Le groupe motopropulseur électrique eGMP est alimenté en énergie par un pack batterie BAT_HV, à travers un convertisseur électrique réversible de type DC/AC (non représenté).
Le pack batterie BAT_HV est par exemple un pack batterie haute tension de type lithium-ion qui est géré par un calculateur dit « BMS », pour « Battery Management System » en anglais. Le pack batterie BAT_HV comprend notamment une pluralité de modules de batterie MP qui stockent l’énergie électrique, ainsi que des bus conducteurs de connexion électrique des modules de batterie et un système de gestion thermique de ceux-ci.
Le calculateur BMS est relié à un réseau de communication de données eCAN, typiquement de type « CAN », du véhicule et héberge des modules logiciels embarqués qui réalisent différentes fonctions de gestion et de mesure pour le pack batterie BAT_HV. Ainsi, typiquement, le calculateur BMS estime notamment l’état de charge « SOC » (pour « State Of Charge » en anglais) et l’état de santé « SOH » (pour « State Of Heath » en anglais) du pack batterie.
La mise en œuvre du procédé selon l’invention fait appel à un module logiciel embarqué MOD_SW hébergé dans un calculateur du véhicule et à au moins un capteur de température CT logé dans un module de batterie MP du pack batterie BAT_HV.
Dans ce mode de réalisation particulier de l’invention, comme représenté à la , le module logiciel MOD_SW est implanté dans une mémoire MEM du calculateur BMS. Le calculateur BMS peut coopérer, sous la supervision du module logiciel MOD_SW, avec un ou plusieurs autres calculateurs du véhicule pour la mise en œuvre du procédé selon l’invention, en particulier le calculateur eVCU qui est le calculateur superviseur de la chaîne de traction électrique du véhicule. Le module logiciel MOD_SW autorise la mise en œuvre du procédé selon l’invention par l’exécution d’instructions de code de programme par un processeur (non représenté) du calculateur BMS.
Comme montré schématiquement à la , le calculateur BMS reçoit en entrée une information de température Tb produite à partir de la mesure de température du capteur de température CT. Le capteur de température CT est relié à un circuit électronique de mesure (non représenté) ayant pour fonction d’acquérir la mesure de température du capteur CT et de la transmettre au calculateur BMS sous la forme de l’information de température Tb. L’information de température Tb est exploitée par le module logiciel MOD_SW pour la mise en œuvre du procédé selon l’invention. Pour la mise en œuvre du procédé selon l’invention, le module logiciel MOD_SW exploite d’autres informations INF_MD, détaillées plus bas, qui sont disponibles typiquement dans le calculateur BMS ou obtenues en provenance d’un autre calculateur, comme le calculateur eVCU, par exemple via le réseau eCAN.
Dans ce mode de réalisation de l’invention, le capteur de température CT est du type décrit dans la demande de brevet français non publiée FR2103618 de la demanderesse, déposée le 08 avril 2021. Cette technologie est décrite brièvement ci-dessous, en référence à la , pour une meilleure compréhension de ce mode de réalisation de l’invention.
Comme bien visible à la , le capteur de température CT de température est disposé entre des parois en regard 2a, 2b, respectivement de deux cellules électrochimiques adjacentes 1a, 1b, du module de batterie MP.
Chaque cellule 1a, 1b, est recouverte d’une couche externe 3a, 3b, d’isolation électrique. Chaque paroi 2a, 2b, est donc recouverte de la couche d’isolation électrique 3a, 3b, respectivement, qui est mince, de l’ordre de 0,1 mm. Cette couche d’isolation électrique 3a, 3b, est typiquement en plastique PET (polytéréphtalate d'éthylène).
De plus, le module de batterie MP comprend également une tranche 4 d’isolant thermique prise en sandwich entre les parois 2a, 2b, des cellules 1a, 1b. La tranche d’isolant thermique 4 est destinée à la prévention de l’emballement thermique du module de batterie MP. La tranche d’isolant thermique 4 est plus épaisse que la couche d’isolation électrique 3a, 3b, par exemple d’environ 1,5 mm. Cette tranche d’isolant thermique 4 peut être en plastique, également en PET (Polytéréphtalate d'éthylène).
Le capteur de température CT est disposé ici entre la tranche d’isolant thermique 4 et la couche d’isolation électrique 3a de la cellule 1a. Le capteur CT est ici un capteur de température de type « PVD », c’est-à-dire, un capteur dont l’élément sensible est déposé en revêtement, typiquement par la technologie de dépôt en phase vapeur « PVD » pour « Physical Vapor Deposition » en anglais. La technologie « PVD » autorise la réalisation de l’élément sensible du capteur CT avec une très faible épaisseur, quelques microns, ce qui facilite son insertion entre la couche d’isolation électrique 3a et la tranche d’isolant thermique 4, sans aménagement spécifique de celles-ci.
Les essais réalisés par l’entité inventive ont montré que le capteur de température CT de type « PVD », avec une épaisseur d’élément sensible de 5 µm environ, permet une mesure de la température du module de batterie MP qui est proche de la température maximale à l’intérieur des cellules électrochimiques 1a, 1b.
Le processus de traitement mis en œuvre dans le procédé selon l’invention est maintenant décrit ci-dessous en référence plus particulièrement à la .
Comme représenté schématiquement à la , le processus de traitement comprend essentiellement quatre blocs fonctionnels B1 à B4. Ces blocs fonctionnels B1 à B4 sont respectivement un bloc d’acquisition de données, un bloc de calcul de gradient de température, un bloc de prédiction de gradient de température et un bloc de décision d’alerte d’emballement thermique.
Le bloc fonctionnel B1 a pour fonction d’acquérir les différentes informations nécessaires à la mise en œuvre du procédé de l’invention, à savoir, l’information de température Tb susmentionnée qui est utilisée par le bloc fonctionnel B2, ainsi que les autres informations INF_MD susmentionnées qui sont utilisées par le bloc fonctionnel B3. Les informations INF_MD comprennent notamment une puissance électrique P du module de batterie MP et un débit DE de liquide caloporteur dans un système thermique décrit plus bas prévu pour le refroidissement du module de batterie MP.
Le bloc fonctionnel B2 a pour fonction de calculer un gradient de température GT à l’intérieur du module de batterie MP à partir de l’information de température Tb délivrée en temps réel. Le gradient de température GT est obtenu grâce à la mesure précise du capteur CT de type « PVD ». Le gradient de température GT, désigné également ci-après « gradient de température mesuré », indique directement la génération de chaleur dans le module de batterie MP et offre donc un indicateur fiable pour la détection de l’emballement thermique.
Le bloc fonctionnel B3 a pour fonction de prédire un gradient de température GT_P qui correspond au gradient de température à l’intérieur du module de batterie MP lorsque celui-ci fonctionne normalement, c’est-à-dire, hors d’une phase d’emballement thermique. Le gradient de température GT_P, désigné également ci-après « gradient de température prédit », est obtenu au moyen d’un modèle mathématique MOD_NE qui est modèle neuronal.
Le bloc fonctionnel B4 a pour fonction de décider de l’émission d’une alerte d’emballement thermique AL_ET, sur la base d’une comparaison entre le gradient de température mesuré GT et le gradient de température prédit GT_P. Cette comparaison permet de détecter une brusque augmentation anormale du gradient de température GT indicatrice d’un emballement thermique à un stade précoce. Ainsi, dans ce mode de réalisation particulier, l’alerte d’emballement thermique AL_ET est émise lorsqu’un rapport R entre GT et S_GT, R=GT/S_GT, devient supérieur à un seuil calibré S_R.
Le modèle neuronal MOD_NE est un modèle d’intelligence artificielle obtenu par apprentissage automatique, typiquement au moyen d’un réseau neuronal convolutif dit « CNN » (pour « Convolutional Neural Network » en anglais). Le réseau neuronal convolutif « CNN » est capable d’un apprentissage automatique approfondi dit « deep learning » en anglais.
L’architecture et le fonctionnement d’un réseau neuronal convolutif ne seront pas décrits ici en détail, ceux-ci étant connus de l’homme du métier et largement documentés dans la littérature. Brièvement, comme montré schématiquement à la , le réseau neuronal convolutif « CNN » comporte un certain nombre de couches de convolution CL qui assurent l’extraction de caractéristiques, des couches de classification CC qui assurent la classification et la hiérarchisation des caractéristiques extraites et des couches de sortie CS qui délivrent la prédiction sortante, ici GT_P, du modèle neuronal. Le nombre des couches et le nombre de nœuds dans chaque couche devront être ajustés, en fonction de l’application, pour obtenir la précision voulue pour le gradient de température prédit GT_P.
Conformément à l’invention, afin d’obtenir le modèle neuronal MOD_NE, le réseau neuronal convolutif « CNN » est entraîné avec des données obtenues par des essais réalisé sur le module de batterie MP et son système thermique.
Un exemple d’un système thermique de module de batterie, désigné ST, est représenté schématiquement à la .
Comme visible à la , le système thermique ST comprenant essentiellement un refroidisseur de batterie RE, un circuit de fluide caloporteur CF, une pompe hydraulique PO et un échangeur thermique ET.
Ce système thermique ST a pour fonction de refroidir le module de batterie MP en évacuant une partie des calories produites dans celui-ci. Le refroidisseur de batterie RE est ici en contact étroit avec la base du module de batterie MP, en partie basse de celui-ci. Les calories extraites du module de batterie MP au niveau du refroidisseur de batterie RE sont transportées jusqu’à l’échangeur thermique ET par le liquide caloporteur du circuit CF. La circulation forcée du fluide caloporteur dans le circuit CF est commandée par la pompe hydraulique PO, avec un débit DE.
Le module de batterie MP lors de son fonctionnement, en mode de charge ou décharge, est une source de la chaleur ayant une capacité thermique et une résistance thermique. La chaleur produite par le module de batterie MP dépend de plusieurs facteurs, à savoir, principalement la puissance électrique P de fonctionnement du module de batterie MP, sa température, l’état de charge « SOC », et aussi l’état de santé « SOH ».
Le débit DE du fluide caloporteur et la puissance électrique P du module de batterie MP sont des données utilisées pour le modèle neuronal MOD_NE. La température TF en entrée du refroidisseur de batterie RE, ainsi que la température TH en partie haute du module de batterie MP, sont également utilisables pour le modèle neuronal MOD_NE. La température TH en partie haute du module de batterie MP est donnée ici par l’information de température Tb obtenue à l’aide du capteur CT.
Les essais avec le système thermique du module de batterie MP, nécessaires au développement du modèle neuronal MOD_NE, sont réalisés de la manière suivante, en considérant l’exemple de système thermique ST décrit brièvement :
A- Le module de batterie MP est monté sur le refroidisseur RE ayant un coefficient de transfert de chaleur de valeur connue et adéquate.
B- Le module de batterie MP est isolé thermiquement au niveau de toutes ses surfaces externes, excepté sa surface d’interface avec le refroidisseur RE.
C- Conditionner le module de batterie MP à une température déterminée en fonction de l’exigence (par exemple 30°B) pendant une durée suffisante pour obtenir une température interne homogène.
D- Démarrer le fonctionnement du module de batterie MP à puissance P constante, et démarrer la pompe hydraulique PO à une vitesse constante pour obtenir un débit de fluide caloporteur DE constant. Appliquer une matrice de test basée sur une combinaison de la puissance P et du débit de fluide caloporteur DE. Le nombre des points des tests doit être suffisant pour représenter des courbes de caractéristiques généralement non linéaires sur la totalité de leur plage de valeur.
E- Répéter la matrice de tests pour différents états de charge « SOC » et différents états de santé « SOH ».
F- Arrêter les tests dès que l’équilibre thermique est atteint dans le module de batterie MP, ou dès que la puissance P du module de batterie MP commence à baisser (réduction de puissance dite « power derating » en anglais).
Les données obtenues par les essais réalisés comme décrit, avec le système thermique du module de batterie MP, sont ensuite utilisées pour entraîner le réseau neuronal convolutif « CNN » et obtenir le modèle neuronal MOD_NE.
Une simulation en régime transitoire du module de batterie MP avec son système thermique ST a été réalisée par l’entité inventive pour vérifier par comparaison des résultats la performance prédictive du modèle neuronal MOD_NE obtenu. Cette simulation a été réalisée à partir des équations mathématiques détaillées ci-dessous issues de l’analyse du fonctionnement physique du module de batterie MP avec son système thermique ST.
La production de chaleur dans le module de batterie MP, en négligeant l’influence du « SOC » et du « SOH », est régie par l’égalité :
Qgen= c1.TH.P,
dans laquelle, Qgenest la chaleur générée, TH est la température susmentionnée mesurée en partie haute du module M, P est la puissance électrique susmentionnée du module de batterie MP et c1 est un coefficient considéré ici comme étant constant.
La température TL en partie basse du module de batterie MP, c’est-à-dire au niveau de son interface avec le refroidisseur de batterie RE, est sensiblement plus basse que la température TH en partie haute du module de batterie MP, en raison de la résistance thermique interne dans les cellules électrochimiques. La différence entre ces températures est donnée par l’égalité suivante :
TH-TL = c2.Qgen,
dans laquelle, c2 est un coefficient constant représentant la résistance thermique interne susmentionnée.
De manière simplifiée, en négligeant la corrélation entre un coefficient de transfert de chaleur c3 du module de batterie MP et le débit de fluide caloporteur DE, le transfert de la chaleur du module de batterie MP vers le refroidisseur de batterie RE est régi par l’égalité suivante :
Qtrans= c3.DE.(TL-TF),
dans laquelle, Qtransest la chaleur transférée, DE est le débit de fluide caloporteur, TF est la température susmentionnée du fluide caloporteur en entrée du refroidisseur de batterie RE et c3 est le coefficient de transfert de chaleur susmentionné considéré ici comme étant constant.
La variation transitoire de la température du module de batterie MP est exprimée dans l’équation suivante :
(Qgen-Qtrans).Dt = c4.[(THtn+TLtn)/2 - (THt(n-1)+TLt(n-1))/2],
dans laquelle Dt est le pas de temps de la simulation, les indices tn et t(n-1) affectés aux températures TH et TL indiquent que les valeurs considérées pour ces températures sont respectivement celles du pas de temps n considéré et celles du pas de temps n-1 antérieur, et c4 est un coefficient considéré ici comme étant constant.
Le gradient de température recherché par simulation, désigné GT_S, est :
GT_S = (THtn– THt(n-1))/Dt.
Pour obtenir le gradient GT_S, les équations sont résolues de manière itérative par la méthode implicite, en prenant un pas de temps Dt par exemple de 1s , Dt = 1s, et en ajustant les valeurs des coefficients de façon à obtenir des valeurs de température dans la plage de température réelle du module de batterie MP avec son système thermique ST.
Les Figs.5 et 6 montrent l’évolution en fonction du temps des températures internes T_P et T_S obtenues par intégration respectivement des gradients de température GT_P et GT_S prédit par le modèle MOD_NE et calculé par la simulation. Les courbes de la ont été obtenues avec une puissance P fixe de 50 kW et un débit de fluide caloporteur DE variant sinusoïdalement de 0 à 10 litres/minute. Les courbes de la ont été obtenues avec une puissance P variant sinusoïdalement de 0 à 100 kW et un débit de fluide caloporteur DE fixe de 10 litres/minute. La concordance clairement visible des courbes dans les Figs.5 et 6 démontre la justesse de la prédiction fournie par le modèle neuronal MOD_NE.
L’invention ne se limite pas au mode de réalisation particulier qui a été décrit ici à titre d’exemple. L’homme du métier, selon les applications de l’invention, pourra apporter différentes modifications et variantes entrant dans le champ de protection de l’invention.

Claims (10)

  1. Procédé de détection de l’emballement thermique d’une batterie électrique (BAT_HT) du type effectuant une mesure d’une température interne (Tb) de ladite batterie électrique (BAT_HT), caractérisé en ce qu’il comprend les étapes de a) (B2) calcul d’un premier gradient de température (GT) à partir de ladite température interne (Tb) mesurée, b) (B3) prédiction d’un deuxième gradient de température (GT_P) par un modèle de prédiction (MOD_NE) de type à apprentissage automatique à partir de données (PE, DE INF_MD) de ladite batterie électrique (BAT_HV) et d’un système thermique (ST) associé à ladite batterie électrique (BAT_HV), et c) (B4) décision d’émission d’une alerte de détection d’emballement thermique (AL_ET) sur la base d’une comparaison entre lesdits premier et deuxième gradients de température (GT, GT_P).
  2. Procédé selon la revendication 1, caractérisé en ce que la mesure de ladite température interne (Tb) est réalisée avec un capteur de température (CT) de type dit « PVD » intégré dans ladite batterie électrique (BAT_HV).
  3. Procédé selon la revendication 1 ou 2, caractérisé en ce que, dans l’étape b), lesdites données comprennent une puissance électrique (P) de ladite batterie électrique (BAT_HV) et un débit de fluide caloporteur (DE) dans ledit système thermique (ST).
  4. Procédé selon l’une quelconque des revendications 1 à 3, caractérisé en ce que, dans l’étape b), ledit modèle de prédiction est un modèle neuronal (MOD_NE) d’un réseau neuronal convolutif.
  5. Procédé selon l’une quelconque des revendications 1 à 4 caractérisé en ce que, dans l’étape c), ladite comparaison comprend le calcul d’un rapport (R) entre lesdits premier et deuxième gradients de température (GT, GT_P) et la comparaison dudit rapport (R) à un seuil de décision.
  6. Calculateur (BMS) caractérisé en ce qu’il comprend une mémoire (MEM) stockant des instructions de programme (MOD_SW) pour la mise en œuvre du procédé selon l'une quelconque des revendications 1 à 5.
  7. Ensemble d’une batterie électrique (BAT_HV) et d’un calculateur, intégré dans un véhicule (VE), caractérisé en ce que ledit calculateur est un calculateur (BMS) selon la revendication 6.
  8. Ensemble selon la revendication 7, intégré dans un véhicule électrifié (VE), caractérisé en ce que ladite batterie électrique est une batterie électrique de traction (BAT_HV).
  9. Ensemble selon la revendication 7 ou 8, caractérisé en ce que ledit calculateur est un calculateur de gestion de batterie du type dit « BMS ».
  10. Véhicule (VE) caractérisé en ce qu’il comprend un ensemble (BAT_HV, BMS) selon l’une quelconque des revendications 7 à 9.
FR2108975A 2021-08-27 2021-08-27 Procédé de détection de l’emballement thermique d’une batterie éléctrique Expired - Fee Related FR3126500B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2108975A FR3126500B1 (fr) 2021-08-27 2021-08-27 Procédé de détection de l’emballement thermique d’une batterie éléctrique

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2108975 2021-08-27
FR2108975A FR3126500B1 (fr) 2021-08-27 2021-08-27 Procédé de détection de l’emballement thermique d’une batterie éléctrique

Publications (2)

Publication Number Publication Date
FR3126500A1 true FR3126500A1 (fr) 2023-03-03
FR3126500B1 FR3126500B1 (fr) 2023-07-21

Family

ID=77821951

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2108975A Expired - Fee Related FR3126500B1 (fr) 2021-08-27 2021-08-27 Procédé de détection de l’emballement thermique d’une batterie éléctrique

Country Status (1)

Country Link
FR (1) FR3126500B1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116872734A (zh) * 2023-06-28 2023-10-13 深蓝汽车科技有限公司 动力电池安全预警方法、装置、车辆及存储介质
FR3149387A1 (fr) * 2023-06-02 2024-12-06 Psa Automobiles Sa Surveillance du fonctionnement d’une batterie cellulaire d’un véhicule, pour détecter un court-circuit interne par comparaison d’évolutions de tensions cellulaires

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2103618A1 (fr) 1970-08-29 1972-04-14 Dainippon Pharmaceutical Co
US20130049971A1 (en) 2011-08-23 2013-02-28 Tesla Motors, Inc. Battery Thermal Event Detection System Utilizing Battery Pack Isolation Monitoring
CN104330743A (zh) 2014-11-28 2015-02-04 南京工业大学 锂离子电池热失控测试分析系统
WO2016118250A1 (fr) 2015-01-22 2016-07-28 Qualcomm Incorporated Systèmes et procédés pour détecter un emballement thermique
WO2020219747A2 (fr) * 2019-04-23 2020-10-29 Joby Aero, Inc. Système et procédé de gestion thermique de batterie

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2103618A1 (fr) 1970-08-29 1972-04-14 Dainippon Pharmaceutical Co
US20130049971A1 (en) 2011-08-23 2013-02-28 Tesla Motors, Inc. Battery Thermal Event Detection System Utilizing Battery Pack Isolation Monitoring
CN104330743A (zh) 2014-11-28 2015-02-04 南京工业大学 锂离子电池热失控测试分析系统
WO2016118250A1 (fr) 2015-01-22 2016-07-28 Qualcomm Incorporated Systèmes et procédés pour détecter un emballement thermique
WO2020219747A2 (fr) * 2019-04-23 2020-10-29 Joby Aero, Inc. Système et procédé de gestion thermique de batterie

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHI-YUAN LEE ET AL: "In situ monitoring of voltage and temperature in lithium batteries", NANO/MICRO ENGINEERED AND MOLECULAR SYSTEMS (NEMS), 2011 IEEE INTERNATIONAL CONFERENCE ON, IEEE, 20 February 2011 (2011-02-20), pages 237 - 240, XP031965893, ISBN: 978-1-61284-775-7, DOI: 10.1109/NEMS.2011.6017338 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3149387A1 (fr) * 2023-06-02 2024-12-06 Psa Automobiles Sa Surveillance du fonctionnement d’une batterie cellulaire d’un véhicule, pour détecter un court-circuit interne par comparaison d’évolutions de tensions cellulaires
CN116872734A (zh) * 2023-06-28 2023-10-13 深蓝汽车科技有限公司 动力电池安全预警方法、装置、车辆及存储介质

Also Published As

Publication number Publication date
FR3126500B1 (fr) 2023-07-21

Similar Documents

Publication Publication Date Title
CN115063418B (zh) 一种基于图像识别的动力电池温度检测方法
CN115032542A (zh) 一种基于混合模型的储能系统电池热失控预判方法
CN113013514B (zh) 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法
Anthony et al. Non-invasive measurement of internal temperature of a cylindrical Li-ion cell during high-rate discharge
EP2494673B1 (fr) Procédé de charge ou de décharge d'une batterie pour déterminer la fin de charge ou de décharge en fonction de mesures de courant et de température
FR3126500A1 (fr) Procédé de détection de l’emballement thermique d’une batterie éléctrique
EP3011630A1 (fr) Systeme et procede de regulation de la temperature d'une batterie electrochimique
EP2368027A1 (fr) Dispositif et procede de refroidissement d'un organe thermique de vehicule automobile
Su et al. Implanted potential sensing separator enables smart battery internal state monitor and safety alert
WO2012156605A1 (fr) Procede d'estimation de l'etat de sante d'une batterie et systeme de gestion de batterie adapte
FR3086802A1 (fr) Procede et dispositif de mesure en temps reel et in situ des donnees thermodynamiques d'une batterie (enthalpie et entropie)
CN117825958A (zh) 一种基于电化学机理模型的电池热失控预警方法及系统
Parmananda et al. Underpinnings of Multiscale Interactions and Heterogeneities in Li‐Ion Batteries: Electrode Microstructure to Cell Format
EP3047290A1 (fr) Procede d'estimation du vieillissement d'une cellule de batterie d'accumulateurs
Wang et al. Quantitative diagnosis of the soft short circuit for LiFePO4 battery packs between voltage plateaus
Yu et al. Warning lithium-ion battery thermal runaway with 4-min relaxation voltage
WO2017050945A1 (fr) Procede d'estimation d'un indicateur d'etat de sante d'une batterie lithium et dispositif d'estimation associe
EP3968431A1 (fr) Procédé et dispositif de gestion du comportement thermique d'une batterie
WO2016113481A1 (fr) Procede d'identification de la courbe de tension a vide d'une cellule electrique en vieillissement
Jin et al. Low-temperature sodium dendrite-induced short circuit diagnosis for sodium battery
Jia et al. Early monitoring and warning of overcharge thermal runaway in lithium-ion battery under various charging methods
Cheng et al. A data-driven early warning method for thermal runaway during charging of lithium-ion battery packs in electric vehicles
EP4453588B1 (fr) Procédé et système de gestion d'un dispositif de batterie d'un véhicule électrique ou hybride contenant une mesure de tension des cellules reliées à une barre d'interconnexion
WO2012101366A2 (fr) Procede de gestion de la charge d'une batterie rechargeable d'un vehicule automobile
Saeed et al. Advancements in Temperature Sensing Technologies for Lithium-Ion Batteries in Electric Vehicle Thermal Management Systems: A Comprehensive Review

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20230303

ST Notification of lapse

Effective date: 20240406