Operator-Theoretic and physics-guided Sequence Modeling of Lithium-Ion Battery Voltage Dynamics

Resumen Técnico: Modelado de la Dinámica de Voltaje de Baterías de Iones de Litio Mediante Enfoques Operatoriales y Guiados por la Física

Enunciado del Problema
El modelado preciso de la dinámica de voltaje de las baterías de iones de litio es crítico para los sistemas de gestión de baterías (BMS) a fin de garantizar una operación segura, la estimación del estado y la monitorización de la salud. Las baterías exhiben comportamientos no lineales complejos que varían según las condiciones de operación y los estados de envejecimiento. Si bien los modelos basados en la física (por ejemplo, P2D) ofrecen alta fidelidad, incurren en altos costos computacionales. Los modelos de circuito equivalente (ECM) son computacionalmente eficientes, pero a menudo luchan por representar dinámicas dependientes de la degradación sin una identificación extensiva de parámetros. Por el contrario, los métodos puramente impulsados por datos (por ejemplo, SINDy, NARX) pueden ser sensibles al ruido y carecer de estructuras de espacio de estados explícitas adecuadas para el control. Este estudio aborda el desafío de modelar las respuestas de voltaje bajo excitación de Caracterización de Potencia de Pulso Híbrido (HPPC), comparando específicamente un enfoque operatorial contra una arquitectura de aprendizaje profundo guiada por la física para determinar su eficacia en términos de precisión, robustez frente a la degradación e interpretabilidad.

Metodología
El estudio evalúa dos marcos distintos impulsados por datos utilizando datos HPPC de una celda de iones de litio de 30 Ah:

1. Modelo Operatorial DMDc:

   • Marco: Se emplea la Descomposición de Modos Dinámicos con control (DMDc) para identificar matrices de sistemas lineales directamente a partir de datos de medición.
   • Representación de Datos: Se construyen instantáneas embebidas con retraso del voltaje terminal y la corriente utilizando matrices de Hankel para elevar las dependencias temporales a un espacio observable de Koopman.
   • Formulación: El método resuelve operadores lineales $A$ (transición de estado) y $B$ (mapa de entrada) que satisfacen la relación $x_{k+1} \approx Ax_k + Bu_k$, donde $x$ representa el estado de voltaje embebido y $u$ representa la entrada de corriente.
   • Entrenamiento/Prueba: El modelo se identifica utilizando datos del estado saludable (hasta el ciclo 100) y posteriormente se aplica para predecir trayectorias de voltaje en estados degradados (ciclos 120, 140 y 160) sin reentrenamiento, para evaluar la robustez.

2. Modelo de Secuencia Basado en Transformadores Guiado por la Física:

   • Arquitectura: Se desarrolla una arquitectura modificada de PatchTST (Transformador de Series Temporales por Parches).
   • Descomposición Guiada por la Física: En lugar de predecir el voltaje terminal crudo, el modelo predice el residuo dinámico $V_{dyn}(t)$. El voltaje total se descompone como $V(t) = V_{OCV}(SOC(t)) + V_{dyn}(t)$, donde el componente de Voltaje de Circuito Abierto (OCV) se calcula analíticamente utilizando un pseudo-Estado de Carga (SOC) derivado del conteo de Coulomb y una tabla de búsqueda empírica. Esto elimina la deriva termodinámica de baja frecuencia, permitiendo que el modelo se centre en la dinámica transitoria rápida.
   • Fusión de Entradas: El modelo incorpora una "ruta de fusión de corriente futura", utilizando explícitamente el perfil de corriente futura conocido prescrito por el protocolo HPPC durante la inferencia.
   • Entrenamiento/Prueba: El modelo se entrena en una partición a nivel de archivo del conjunto de datos (ciclos 1–100) y se evalúa en archivos de prueba retenidos (ciclos 101–160) utilizando una estrategia de inferencia autorregresiva por fragmentos.

Contribuciones Clave

• Análisis Comparativo: El trabajo proporciona una comparación directa entre un modelo operatorial lineal interpretable (DMDc) y un modelo de aprendizaje profundo no lineal flexible (PatchTST) para la predicción de voltaje de baterías bajo condiciones HPPC idénticas.
• Aprendizaje Profundo Guiado por la Física: Introduce una estrategia de descomposición específica para transformadores en aplicaciones de baterías, separando el componente OCV resoluble analíticamente del residuo dinámico aprendido, e integrando entradas futuras conocidas (corriente) en el mecanismo de atención.
• Evaluación de Robustez frente a la Degradación: El estudio evalúa el rendimiento del modelo en celdas degradadas utilizando operadores/pesos entrenados exclusivamente con datos de estado saludable, destacando las capacidades de generalización de ambos marcos.
• Análisis Modal: Se demuestra que el enfoque DMDc produce valores propios que reflejan el comportamiento disipativo del sistema, ofreciendo una métrica potencial para caracterizar el envejecimiento.

Resultados

• Precisión de Predicción: Bajo el régimen de datos limitado actual, el modelo DMDc superó al modelo basado en transformadores. Para los ciclos 120, 140 y 160, el DMDc logró Errores Cuadráticos Medios (RMSE) de aproximadamente 0.011 V, mientras que el modelo transformador logró RMSEs alrededor de 0.021 V.
• Robustez frente a la Degradación: El modelo DMDc, entrenado con datos saludables, mantuvo una alta precisión y capturó dinámicas de pulso transitorio agudas y comportamientos de relajación lenta en ciclos degradados con desviación mínima. El modelo transformador, aunque capturó dinámicas cualitativamente similares, exhibió una mayor acumulación de errores durante la ejecución autorregresiva.
• Comportamiento Modal: Los valores propios identificados del DMDc mostraron una disminución sistemática en las magnitudes modales ($r = |\lambda|$) a medida que la batería envejecía, indicando dinámicas cada vez más disipativas.
• Eficiencia de Datos: El modelo DMDc demostró un rendimiento superior con menos parámetros y datos de entrenamiento menos diversos, atribuido a su fuerte prior estructural (evolución controlada lineal). El modelo transformador, con ~3.35 millones de parámetros, luchó para generalizar robustamente dada la diversidad limitada del conjunto de datos HPPC (celda única, protocolo único).

Significado y Afirmaciones
El documento concluye que, para la predicción de voltaje de baterías bajo excitación HPPC, el enfoque operatorial DMDc ofrece un equilibrio favorable de precisión, robustez, interpretabilidad y eficiencia computacional. El estudio destaca que, si bien los modelos transformadores guiados por la física poseen flexibilidad arquitectónica y el potencial de capturar dependencias no lineales complejas, su rendimiento en este contexto específico estuvo limitado por el tamaño y la diversidad del conjunto de datos disponible.

Los autores afirdan modestamente que sus resultados no prueban que los modelos transformadores sean inherentemente inferiores para aplicaciones de baterías. En cambio, sugieren que las ventajas de los enfoques basados en transformadores solo pueden realizarse cuando se entrenan en conjuntos de datos sustancialmente más grandes y heterogéneos que abarquen múltiples celdas, trayectorias de envejecimiento y condiciones de operación. Por el contrario, el estudio posiciona los métodos operatoriales como altamente prometedores para el diagnóstico y la prognóstico adaptativo de baterías, particularmente en escenarios donde los datos son limitados o la interpretabilidad es primordial.