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

Technisches Fazit: Residual-korrigiertes Ersatzschaltbild-Modell mit universellen Differentialgleichungen

Problemstellung
Eine genaue Vorhersage der Klemmspannung ist grundlegend für modellbasierte Batteriemanagementsysteme (BMS) und dient als primäres Korrektursignal für Zustandsschätzer wie den Erweiterten Kalman-Filter (EKF). Bestehende Ansätze sehen sich jedoch einem Zielkonflikt gegenüber:

• Niederordentliche Ersatzschaltbild-Modelle (ECM): Obwohl sie rechnerisch effizient und interpretierbar sind, fehlt den Thevenin-Modellen erster Ordnung (ECM-1RC) die Ausdruckskraft, um nichtlineare, temperaturabhängige und transiente Verhaltensweisen unter realistischen Betriebsbedingungen zu erfassen. Diese strukturelle Diskrepanz führt zu Spannungsfehlern, die nachgelagerte Zustandsschätzungen verzerren können.
• Rein datengetriebene Modelle: Deep-Learning-Ansätze (z. B. LSTMs) bieten Flexibilität und hohe Genauigkeit bei übereinstimmenden Bedingungen, opfern jedoch häufig die Interpretierbarkeit und leiden unter Leistungseinbußen, wenn sie mit Verschiebungen der Betriebsbedingungen konfrontiert werden (z. B. Temperaturänderungen oder nicht gesehene Fahrzyklen).

Die Arbeit adressiert die Herausforderung, eine robuste Spannungsvorhersage zu erreichen, die die Interpretierbarkeit physikalischer Modelle beibehält und gleichzeitig deren strukturelle Einschränkungen kompensiert, insbesondere unter Verteilungsverschiebungen wie Temperaturänderungen und unterschiedlichen Fahrzyklusprofilen.

Methodik
Die Autoren schlagen eine residual-korrigierte hybride Formulierung vor, implementiert als ECM-basierte universelle Differentialgleichung (ECM-UDE). Die Kernarchitektur integriert ein physikalisches Modell mit einer lernbaren neuronalen Komponente:

1. Physikalisches Rückgrat (ECM-1RC): Das Modell behält eine Thevenin-Schaltungsstruktur erster Ordnung bei. Die Klemmspannung $V(t)$ wird durch die Standardbeziehung bestimmt:
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   wobei $OCV$ die Leerlaufspannung, $R_0$ der ohmsche Widerstand und $V_1(t)$ die Polarisationsspannung ist.
2. Latente Polarisationsdynamik: Die Entwicklung des Polarisationszustands $V_1(t)$ wird so modifiziert, dass sie einen lernbaren Korrekturterm $f_\theta$ einschließt:
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   Hierbei ist $f_\theta$ ein kompakt neuronales Netz (ein mehrschichtiger Perzeptron), das ausschließlich die strukturelle Diskrepanz (Residuen) korrigiert, die das reduzierte Schaltbild nicht erfassen kann.
3. Zustandspropagation: Im Gegensatz zu Standard-ECMs propagiert das hybride Modell den Ladezustand (SOC, $z$) intern als dynamischen Zustand ($\dot{z} = -\eta I(t)/Q_{nom}$), was die Abhängigkeit von extern bereitgestellten SOC-Trajektorien innerhalb des Vorhersagefensters reduziert.
4. Trainingsprotokoll:
   • Warm-Start: Die ECM-1RC-Parameter ($R_0, R_1, C_1$ und OCV-Koeffizienten) werden zunächst mittels nichtlinearer kleinster Quadrate auf Trainingsdaten identifiziert. Diese Parameter initialisieren das hybride Modell und stellen sicher, dass die neuronale Korrektur ab der ersten Trainingsperiode in einem „Niedrig-Residuum-Regime" operiert.
   • Optimierung: Das hybride Modell wird end-to-end mit Adam-Optimierung auf der Verlustfunktion des mittleren quadratischen Fehlers trainiert.
   • Normalisierung: Die Pipeline verwendet eine hybride Normalisierungsstrategie: Strom und Spannung werden über empirische z-Scores normalisiert, während Temperatur und SOC unter Verwendung fester, physikinformierter Konstanten normalisiert werden, um die Stabilität bei Verteilungsverschiebungen zu gewährleisten.

Hauptbeiträge

1. Strukturell lokalisierte Residual-Korrektur: Im Gegensatz zu früheren hybriden Ansätzen, die Korrekturen möglicherweise auf der Ausgabeebene anwenden, integriert diese Methode die neuronale Komponente ausschließlich innerhalb der latenten Polarisationsdynamik. Das physikalische Modell behält die Verantwortung für die dominante Spannungsstruktur (OCV, ohmscher Spannungsabfall und RC-Dynamik).
2. Robustheitszentrierte Evaluierung: Die Studie führt ein rigoroses Evaluierungsprotokoll ein, das die Leistung entlang vier Achsen bewertet:
   • Vorhersage bei übereinstimmenden Bedingungen (UDDS bei 25°C).
   • Sensitivität gegenüber SOC-Unsicherheiten zur Inferenzzeit.
   • Zero-Shot-Temperaturtransfer (25°C zu -20°C).
   • Zero-Shot-Fahrzyklus-Transfer (UDDS zu US06, LA92, HWFET).
3. Nachweis der Stabilität: Die Arbeit hebt hervor, dass der hybride Ansatz nicht nur die Genauigkeit verbessert, sondern auch die Variabilität zwischen verschiedenen Seeds im Vergleich zu rein datengetriebenen Baselines signifikant reduziert, was auf eine größere Optimierungsstabilität hindeutet.

Ergebnisse
Experimente wurden mit einem öffentlichen Panasonic-18650PF-Datensatz durchgeführt. Die ECM-UDE wurde mit einem eigenständigen ECM-1RC und einer gestapelten LSTM-Baseline verglichen.

• Übereinstimmende Bedingungen (UDDS, 25°C): Die ECM-UDE erreichte einen mittleren absoluten Fehler (MAE) von 39,16 mV und übertraf dabei die LSTM (75,89 mV) und die ECM-1RC (127,97 mV). Dies entspricht einer Reduktion des MAE um 48 % im Vergleich zur LSTM. Darüber hinaus zeigte die ECM-UDE eine um eine Größenordnung geringere Variabilität zwischen den Seeds (Variationskoeffizient: 0,44 % gegenüber 6,20 % für die LSTM).
• SOC-Perturbation zur Inferenzzeit: Wenn dem SOC-Eingang Gaußsches Rauschen hinzugefügt wurde, behielt die ECM-UDE über alle Rauschniveaus hinweg ($\sigma_z \in \{0,01, 0,02, 0,05\}$) den niedrigsten absoluten Fehler bei, obwohl sie eine etwas höhere Sensitivität als das deterministische ECM-1RC aufwies.
• Temperaturtransfer (Zero-Shot): Mit sinkender Temperatur von 25°C auf -20°C verschlechterte sich die Leistung aller Modelle. Die ECM-UDE blieb jedoch konsistent am genauesten. Bei -20°C erreichte die ECM-UDE einen MAE von 173,63 mV, verglichen mit 193,45 mV für die LSTM und 182,92 mV für die ECM-1RC.
• Fahrzyklus-Transfer: Unter Zero-Shot-Transfer auf nicht gesehene Zyklen (US06, LA92, HWFET) erzielte die ECM-UDE auf allen Zielen den niedrigsten Fehler. Der relative Gewinn war beim aggressivsten Zyklus (US06) am ausgeprägtesten, wo die ECM-UDE den MAE im Vergleich zur LSTM um 45,2 % reduzierte.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die residual-korrigierte ECM-UDE eine leichte und interpretierbare Verbesserung für niederordentliche Schaltkreismodelle bietet. Die Bedeutung liegt im Nachweis, dass:

• Physikalische Verankerung: Das physikalische Modell einen stabilen „Spannungsanker" bereitstellt, der verhindert, dass das rein gelernte Modell unter Verschiebungen der Betriebsbedingungen (Temperatur- und Fahrzyklusvariationen) an Leistung verliert.
• Komplementarität: Das physikalische Rückgrat und die gelernte Korrektur sind komplementär und nicht redundant. Der Schaltkreis übernimmt die dominante Struktur, während die neuronale Komponente strukturelle Residuen kompensiert.
• Praktikabilität: Der Ansatz erzielt erhebliche Genauigkeitsgewinne, ohne das ECM durch ein großes Black-Box-Modell zu ersetzen, was ihn zu einem viable Kandidaten für die Integration in beobachterbasierte SOC-Schätzverfahren in BMS macht.

Die Autoren weisen darauf hin, dass die Ergebnisse zwar vielversprechend für die getestete spezifische NCA-Chemie-Zelle sind, die Generalisierbarkeit auf andere Chemien (z. B. LFP, NMC) und Zellformate jedoch weiterer Bewertung bedarf. Als zukünftige Arbeit wird vorgeschlagen, die Integration auf Beobachterebene und eine explizite temperaturabhängige Parameteranpassung zu untersuchen.