Residual-Corrected Equivalent-Circuit Model with Universal Differential Equations for Robust Battery Voltage Prediction under Operating-Condition Shift

ملخص تقني: نموذج الدائرة المكافئة المصحح بالبواقي باستخدام المعادلات التفاضلية الشاملة

بيان المشكلة
يعد التنبؤ بدقة بجهد الطرف أمراً جوهرياً لأنظمة إدارة البطاريات (BMS) القائمة على النماذج، حيث يعمل كإشارة تصحيح أساسية للمقدرات مثل مرشح كالمان الموسع (EKF). ومع ذلك، تواجه النهج الحالية مقايضة بين:

• نماذج الدائرة المكافئة (ECM) منخفضة الرتبة: رغم كفاءتها الحسابية وقابليتها للتفسير، إلا أن نماذج ثيفينين من الدرجة الأولى (ECM-1RC) تفتقر إلى القدرة التعبيرية اللازمة لالتقاط السلوكيات غير الخطية، والاعتماد على درجة الحرارة، والظواهر العابرة في ظروف التشغيل الواقعية. يؤدي هذا التباين الهيكلي إلى أخطاء في الجهد يمكن أن تسبب انحيازاً لعمليات تقدير الحالة اللاحقة.
• النماذج المعتمدة كلياً على البيانات: توفر نماذج التعلم العميق (مثل LSTM) مرونة ودقة عالية في ظل الظروف المتطابقة، ولكنها غالباً ما تضحي بقابلية التفسير وتعاني من تدهور الأداء عند مواجهة تحولات في ظروف التشغيل (مثل تغيرات درجة الحرارة أو دورات القيادة غير المرئية).

تعالج الورقة تحدي تحقيق تنبؤ قوي للجهد يحافظ على قابلية التفسير للنماذج الفيزيائية مع تعويض قيودها الهيكلية، وتحديداً تحت تحولات التوزيع مثل تغيرات درجة الحرارة وأنماط دورات القيادة المختلفة.

المنهجية
يقترح المؤلفون صياغة هجينة مصححة بالبواقي يتم تنفيذها كـ معادلة تفاضلية شاملة قائمة على نموذج الدائرة المكافئة (ECM-UDE). تدمج البنية الأساسية نموذجاً فيزيائياً مع مكون قابل للتعلم:

1. العمود الفقري الفيزيائي (ECM-1RC): يحتفظ النموذج بهيكل دائرة ثيفينين من الدرجة الأولى. يتم التحكم في جهد الطرف $V(t)$ عبر العلاقة القياسية:
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   حيث أن $OCV$ هو جهد الدائرة المفتوحة، و $R_0$ هو المقاومة الأومية، و $V_1(t)$ هو جهد الاستقطاب.
2. ديناميكيات الاستقطاب الكامنة: يتم تعديل تطور حالة الاستقطاب $V_1(t)$ لتشمل حداً قابلاً للتعلم $f_\theta$:
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   هنا، $f_\theta$ هي شبكة عصبية مدمجة (Perceptron متعدد الطبقات) تقوم بتصحيح عدم التطابق الهيكلي (البواقي) فقط الذي لا يستطيع نموذج الدائرة المختزل التقاطه.
3. انتشار الحالة: على عكس نماذج ECM القياسية، يقوم النموذج الهجين بنشر حالة الشحن (SOC، $z$) داخلياً كحالة ديناميكية ($\dot{z} = -\eta I(t)/Q_{nom}$)، مما يقلل الاعتماد على مسارات SOC المزودة خارجياً ضمن نافذة التنبؤ.
4. بروتوكول التدريب:
   • البداية الدافئة (Warm-Start): يتم أولاً تحديد معاملات ECM-1RC ($R_0, R_1, C_1$، ومعاملات OCV) عبر المربعات الصغرى غير الخطية على بيانات التدريب. تضمن هذه المعاملات تهيئة النموذج الهجين ليعمل الجزء العصبي التصحيحي في "نطاق البواقي المنخفضة" منذ حقبة التدريب الأولى.
   • التحسين: يتم تدريب النموذج الهجين من البداية إلى النهاية باستخدام تحسين Adam على خسارة متوسط مربع الخطأ.
   • التطبيع (Normalization): يستخدم خط المعالجة استراتيجية تطبيع هجينة: يتم تطبيع التيار والجهد عبر درجات Z التجريبية، بينما يتم تطبيع درجة الحرارة وSOC باستخدام ثوابت ثابتة مستمدة من الفيزياء لضمان الاستقرار أثناء النقل خارج نطاق التوزيع.

المساهمات الرئيسية

1. تصحيح البواقي الموضعي الهيكلي: على عكس النهج الهجينة السابقة التي قد تطبق التصحيحات عند مستوى المخرجات، يدمج هذا الأسلوب المكون العصبي حصرياً ضمن ديناميكيات الاستقطب الكامنة. يحتفظ النموذج الفيزيائي بمسؤولية الهيكل المهيمن للجهد (OCV، الهبوط الأومي، وديناميكيات RC).
2. تقييم متمحور حول المتانة: تقدم الدراسة بروتوكول تقييم صارم يقيم الأداء عبر أربعة محاور:
   • التنبؤ في الظروف المتطابقة (UDDS عند 25 درجة مئوية).
   • الحساسية لعدم اليقين في SOC أثناء الاستدلال.
   • نقل درجة الحرارة الصفري (من 25 إلى -20 درجة مئوية).
   • نقل دورة القيادة الصفري (من UDDS إلى US06, LA92, HWFET).
3. إثبات الاستقرار: تسلط الورقة الضوء على أن النهج الهجين لا يحسن الدقة فحسب، بل يقلل أيضاً بشكل كبير من تباين اختلاف البذور (inter-seed variability) مقارنة بالنماذج المعتمدة على البيانات فقط، مما يشير إلى استقرار أكبر في التحسين.

النتائج
أُجريت التجارب على مجموعة بيانات عامة لبطارية Panasonic 18650PF. تمت مقارنة ECM-UDE مع نموذج ECM-1RC مستقل ونموذج LSTM متراكم.

• الظروف المتطابقة (UDDS, 25°C): حقق ECM-UDE متوسط خطأ مطلق (MAE) قدره 39.16 مللي فولت، متفوقاً على LSTM (75.89 مللي فولت) و ECM-1RC (127.97 مللي فولت). يمثل هذا انخفاضاً بنسبة 48% في MAE بالنسبة لـ LSTM. علاوة على ذلك، أظهر ECM-UDE تباين بذور أقل بمقدار رتبة عشرية (معامل الاختلاف: 0.44% مقابل 6.20% لـ LSTM).
• اضطراب SOC أثناء الاستدلال: عند إضافة ضجيج غاوسي إلى مدخل SOC، حافظ ECM-UDE على أدنى خطأ مطلق عبر جميع مستويات الضجيج ($\sigma_z \in \{0.01, 0.02, 0.05\}$)، رغم أنه أظهر حساسية أعلى قليلاً من ECM-1RC الحتمي.
• نقل درجة الحرارة (Zero-Shot): مع انخفاض درجة الحرارة من 25 إلى -20 درجة مئوية، تدهورت جميع النماذج. ومع ذلك، ظل ECM-UDE باستمرار الأكثر دقة. عند -20 درجة مئوية، حقق ECM-UDE خطأ MAE قدره 173.63 مللي فولت، مقارنة بـ 193.45 مللي فولت لـ LSTM و 182.92 مللي فولت لـ ECM-1RC.
• نقل دورة القيادة: تحت نقل Zero-Shot إلى دورات غير مرئية (US06, LA92, HWFET)، حقق ECM-UDE أدنى خطأ في جميع الأهداف. كان الربح النسبي أكثر وضوحاً في الدورة الأكثر حدة (US06)، حيث قلل ECM-UDE من MAE بنسبة 45.2% مقارنة بـ LSTM.

الأهمية والادعاءات
تدعي الورقة أن ECM-UDE المصحح بالبواقي يوفر تعزيزاً خفيف الوزن وقابلاً للتفسير لنماذج الدائرة منخفضة الرتبة. تكمن الأهمية في إثبات أن:

• الارتكاز الفيزيائي: يوفر النموذج الفيزيائي "مرساة جهد" مستقرة تمنع النموذج المتعلم كلياً من التدهور تحت تحولات ظروف التشغيل (درجة الحرارة ودورة القيادة).
• التكامل: العمود الفقري الفيزيائي والمكون المتعلم متكاملان وليسا زائدين عن الحاجة؛ حيث تتعامل الدائرة مع الهيكل المهيمن، بينما يعوض المكون العصبي البواقي الهيكلية.
• العملية: يحقق النهج مكاسب كبيرة في الدقة دون استبدال ECM بنموذج ضخم "صندوق أسود"، مما يجعله مرشحاً قابلاً للتطبيق للدمج في مخططات تقدير SOC القائمة على المراقب في BMS.

يشير المؤلفون إلى أنه على الرغم من أن النتائج واعدة لخلية كيمياء NCA المختبرة، فإن تعميم النتائج على كيمياء أخرى (مثل LFP, NMC) وتنسيقات الخلايا يتطلب مزيداً من التقييم. كما يُقترح في العمل المستقبلي استكشاف التكامل على مستوى المراقب والتكيف الصريح للمعلمات المعتمدة على درجة الحرارة.