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

Resumen Técnico: Modelo de Circuito Equivalente Corregido por Residuos con Ecuaciones Diferenciales Universales

Enunciado del Problema
La predicción precisa del voltaje en los terminales es fundamental para los sistemas de gestión de baterías (BMS) basados en modelos, ya que sirve como la señal de corrección principal para estimadores de estado como el Filtro de Kalman Extendido (EKF). Sin embargo, los enfoques existentes enfrentan una compensación:

• Modelos de Circuito Equivalente (ECM) de bajo orden: Si bien son computacionalmente eficientes e interpretables, los modelos de Thevenin de primer orden (ECM-1RC) carecen de la expresividad necesaria para capturar comportamientos no lineales, dependientes de la temperatura y transitorios bajo condiciones de operación realistas. Esta discrepancia estructural genera errores de voltaje que pueden sesgar la estimación de estado aguas abajo.
• Modelos puramente basados en datos: Los enfoques de aprendizaje profundo (por ejemplo, LSTMs) ofrecen flexibilidad y alta precisión bajo condiciones coincidentes, pero a menudo sacrifican la interpretabilidad y sufren degradación del rendimiento cuando se enfrentan a cambios en las condiciones de operación (por ejemplo, variaciones de temperatura o ciclos de conducción no vistos).

El artículo aborda el desafío de lograr una predicción de voltaje robusta que mantenga la interpretabilidad de los modelos físicos mientras compensa sus limitaciones estructurales, específicamente bajo desplazamientos de distribución como variaciones de temperatura y diferentes perfiles de ciclos de conducción.

Metodología
Los autores proponen una Formulación Híbrida Corregida por Residuos implementada como una Ecuación Diferencial Universal basada en ECM (ECM-UDE). La arquitectura central integra un modelo físico con un componente neuronal aprendible:

1. Esqueleto Físico (ECM-1RC): El modelo retiene una estructura de circuito de Thevenin de primer orden. El voltaje en los terminales $V(t)$ está gobernado por la relación estándar:
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   donde $OCV$ es el voltaje de circuito abierto, $R_0$ es la resistencia óhmica y $V_1(t)$ es el voltaje de polarización.
2. Dinámicas Latentes de Polarización: La evolución del estado de polarización $V_1(t)$ se modifica para incluir un término de corrección aprendible $f_\theta$:
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   Aquí, $f_\theta$ es una red neuronal compacta (un perceptrón multicapa) que corrige exclusivamente la discrepancia estructurada (residuos) que el circuito de orden reducido no puede capturar.
3. Propagación de Estado: A diferencia de los ECM estándar, el modelo híbrido propaga el Estado de Carga (SOC, $z$) internamente como un estado dinámico ($\dot{z} = -\eta I(t)/Q_{nom}$), reduciendo la dependencia de trayectorias de SOC suministradas externamente dentro de la ventana de predicción.
4. Protocolo de Entrenamiento:
   • Arranque en Caliente: Los parámetros del ECM-1RC ($R_0, R_1, C_1$ y coeficientes de OCV) se identifican primero mediante mínimos cuadrados no lineales sobre los datos de entrenamiento. Estos parámetros inicializan el modelo híbrido, asegurando que la corrección neuronal opere en un "régimen de bajo residuo" desde la primera época de entrenamiento.
   • Optimización: El modelo híbrido se entrena de extremo a extremo utilizando optimización Adam sobre la pérdida de error cuadrático medio.
   • Normalización: La pipeline utiliza una estrategia de normalización híbrida: la corriente y el voltaje se normalizan mediante puntuaciones z empíricas, mientras que la temperatura y el SOC se normalizan utilizando constantes fijas informadas por la física para garantizar estabilidad durante la transferencia fuera de distribución.

Contribuciones Clave

1. Corrección de Residuos Localizada Estructuralmente: A diferencia de enfoques híbridos anteriores que pueden aplicar correcciones a nivel de salida, este método incrusta el componente neuronal exclusivamente dentro de las dinámicas latentes de polarización. El modelo físico retiene la responsabilidad de la estructura dominante del voltaje (OCV, caída óhmica y dinámicas RC).
2. Evaluación Centrada en la Robustez: El estudio introduce un protocolo de evaluación riguroso que evalúa el rendimiento a través de cuatro ejes:
   • Predicción en condiciones coincidentes (UDDS a 25°C).
   • Sensibilidad a la incertidumbre del SOC en tiempo de inferencia.
   • Transferencia de temperatura sin ejemplos previos (de 25°C a -20°C).
   • Transferencia de ciclo de conducción sin ejemplos previos (de UDDS a US06, LA92, HWFET).
3. Demostración de Estabilidad: El trabajo destaca que el enfoque híbrido no solo mejora la precisión, sino que también reduce significativamente la variabilidad entre semillas en comparación con las líneas base puramente basadas en datos, indicando una mayor estabilidad de optimización.

Resultados
Los experimentos se realizaron en un conjunto de datos público de Panasonic 18650PF. El ECM-UDE se comparó con un ECM-1RC independiente y una línea base LSTM apilada.

• Condiciones Coincidentes (UDDS, 25°C): El ECM-UDE logró un Error Absoluto Medio (MAE) de 39.16 mV, superando al LSTM (75.89 mV) y al ECM-1RC (127.97 mV). Esto representa una reducción del 48% en el MAE con respecto al LSTM. Además, el ECM-UDE exhibió una variabilidad inter-semilla de un orden de magnitud menor (Coeficiente de Variación: 0.44% frente a 6.20% para el LSTM).
• Perturbación del SOC en Tiempo de Inferencia: Cuando se añadió ruido gaussiano a la entrada de SOC, el ECM-UDE mantuvo el error absoluto más bajo en todos los niveles de ruido ($\sigma_z \in \{0.01, 0.02, 0.05\}$), aunque mostró una sensibilidad ligeramente mayor que el ECM-1RC determinista.
• Transferencia de Temperatura (Sin Ejemplos Previos): A medida que la temperatura disminuyó de 25°C a -20°C, todos los modelos se degradaron. Sin embargo, el ECM-UDE se mantuvo consistentemente como el más preciso. A -20°C, el ECM-UDE logró un MAE de 173.63 mV, en comparación con 193.45 mV para el LSTM y 182.92 mV para el ECM-1RC.
• Transferencia de Ciclo de Conducción: Bajo transferencia sin ejemplos previos a ciclos no vistos (US06, LA92, HWFET), el ECM-UDE logró el error más bajo en todos los objetivos. La ganancia relativa fue más pronunciada en el ciclo más agresivo (US06), donde el ECM-UDE redujo el MAE en un 45.2% en comparación con el LSTM.

Significado y Afirmaciones
El artículo afirma que el ECM-UDE corregido por residuos ofrece una mejora ligera e interpretable para los modelos de circuitos de bajo orden. El significado radica en la demostración de que:

• Anclaje Físico: El modelo físico proporciona un "ancla de voltaje" estable que evita que el modelo puramente aprendido se degrade bajo cambios en las condiciones de operación (variaciones de temperatura y ciclo de conducción).
• Complementariedad: El esqueleto físico y la corrección aprendida son complementarios en lugar de redundantes. El circuito maneja la estructura dominante, mientras que el componente neuronal compensa los residuos estructurados.
• Practicidad: El enfoque logra ganancias sustanciales de precisión sin reemplazar el ECM con un modelo de caja negra grande, lo que lo convierte en un candidato viable para la integración en esquemas de estimación de SOC basados en observadores en BMS.

Los autores señalan que, aunque los resultados son prometedores para la celda de química NCA probada específicamente, la generalización a otras químicas (por ejemplo, LFP, NMC) y formatos de celda requiere una evaluación adicional. Se sugiere trabajo futuro para explorar la integración a nivel de observador y la adaptación explícita de parámetros dependientes de la temperatura.