StateFormer: A Multivariate Transformer for Learning History-Dependent Battery State Dynamics and Long-Horizon Health Forecasting

Resumen Técnico: StateFormer – Un Transformer Multivariante para el Aprendizaje de la Dinámica de Estado de Baterías Dependiente de la Historia y el Pronóstico de Salud a Largo Horizonte

Planteamiento del Problema
La rápida integración de Sistemas de Almacenamiento de Energía con Baterías (BESS, por sus siglas en inglés) a gran escala en las infraestructuras de red futuras requiere un pronóstico fiable de la degradación de las baterías a largo plazo. La predicción precisa de estados como el Estado de Carga (SOC) y el Estado de Salud (SOH) es crítica para la fiabilidad del sistema, la optimización del mantenimiento y la extensión de la vida útil de los activos. Sin embargo, los desafíos actuales incluyen:

• Dinámicas Complejas: La degradación de las baterías implica bucles de retroalimentación electroquímica, térmica y operativa profundamente acoplados que evolucionan en escalas de tiempo de varios años bajo diversas condiciones.
• Limitaciones de Datos: Los enfoques basados en datos actuales suelen estar limitados por la escasez de datos de entrenamiento. Los conjuntos de datos de laboratorio no logran capturar la heterogeneidad del mundo real, mientras que los datos de campo son frecuentemente propietarios, incompletos o carecen de etiquetas de degradación de verdad fundamental (ground-truth).
• Supuestos de Homogeneidad: Muchos métodos existentes asumen una degradación homogénea en flotas completas, ignorando la variabilidad significativa causada por las tolerancias de fabricación, los gradientes térmicos y las diversas condiciones operativas.
• Requisitos de Robustez: Los modelos deben mantener la resiliencia ante el ruido de medición, las transiciones operativas abruptas y los comportamientos discontinuos del sistema, manteniendo al mismo tiempo la precisión sobre horizontes largos.

Metodología
Los autores proponen StateFormer, una novedosa arquitectura de Transformer multivariante diseñada como un modelo de espacio de estados para el pronóstico de estado de batería de largo horizonte. El marco integra representaciones de espacio de estados con mecanismos de atención de largo alcance para modelar dinámicas electroquímicas y térmicas acopladas.

• Arquitectura: StateFormer opera como un Transformer autorregresivo. Toma una ventana histórica de estados operativos de la batería ($L_{in}$) y las condiciones operativas más recientes ($\Upsilon_{t+1}$), que incluyen variables instantáneas como la corriente y la temperatura ambiente.
• Mecanismo: A través de mecanismos de autoatención, el modelo identifica dinámicamente patrones de degradación históricos relevantes, mientras que la codificación posicional preserva el orden temporal. El modelo aprende una función de transición de estado $\hat{S}_{t+1} = F(\hat{S}_{t-L_{in}+1:t}, \Upsilon_{t-L_{in}+1:t+1})$, donde $S$ representa salidas multivariantes (SOC, SOH, temperatura) y $\Upsilon$ representa entradas operativas.
• Protocolo de Entrenamiento: El modelo se entrena para aprender dinámicas de degradación no lineales directamente de los datos sin requerir ecuaciones empíricas o electroquímicas explícitas. Crucialmente, la evaluación se realiza mediante un despliegue autorregresivo (autoregressive rollout) sin corrección de estado de mediciones futuras. Para datos sintéticos, solo se proporcionan las primeras 50 horas para la inicialización; para datos de campo, solo se utilizan los primeros 120 minutos. El modelo luego predice recursivamente estados futuros basándose únicamente en sus propias predicciones previas y entradas medidas.

Contribuciones Clave y Resultados
El artículo valida StateFormer utilizando dos conjuntos de datos distintos: una flota de baterías sintéticas fundamentada en la física y cinco años de datos de campo del mundo real de un sistema de batería de almacenamiento residencial.

1. Evaluación de Flota Sintética:

   • Conjunto de Datos: Generado a partir de simulaciones de décadas, resueltas por hora, que acoplan condiciones ambientales estocásticas, despacho impulsado por el mercado y heterogeneidad de la flota (50 celdas únicas en 5 temperaturas ambiente: 25 °C a 45 °C).
   • Generalización: El modelo fue entrenado en temperaturas más bajas (25–35 °C) y evaluado en temperaturas elevadas no vistas (40 °C y 45 °C). Capturó con éxito las trayectorias de degradación a largo plazo, manteniendo una fuerte concordancia con la verdad fundamental.
   • Resiliencia al Ruido: El modelo demostró robustez contra el ruido gaussiano aditivo en las señales de corriente y voltaje con rangos del 1% al 10%. Los errores relativos $L_2$ se mantuvieron en el orden de $2 \times 10^{-2}\%$, con intervalos de confianza del 95% por debajo de $1 \times 10^{-4}\%$.
   • Precisión Estadística: Las predicciones para SOC y SOH al inicio y al final de la vida útil mostraron discrepancias máximas de aproximadamente 0.02% respecto a los valores de referencia.

2. Evaluación de Datos de Campo:

   • Conjunto de Datos: Cinco años de mediciones de un sistema de almacenamiento doméstico (HSS) integrado con PV en tejados. El conjunto de datos se dividió cronológicamente: 35 meses para entrenamiento, 7 meses para validación y 10 meses para prueba.
   • Desempeño: El modelo reprodujo con precisión la evolución temporal a largo plazo del voltaje y la temperatura de la batería, incluyendo transiciones operativas abruptas.
   • Métricas: A través de cinco realizaciones de entrenamiento independientes, el modelo logró un error relativo $L_2$ promedio de aproximadamente 0.05% para las predicciones de voltaje y temperatura, con valores medidos permaneciendo consistentemente dentro de las bandas de incertidumbre predichas.

Significancia y Reivindicaciones
Los autores afirman que StateFormer cierra la brecha "laboratorio-campo" al proporcionar un marco unificado que captura tanto los procesos electroquímicos/térmicos rápidos como los mecanismos de envejecimiento lento. La significancia de este trabajo radica en:

• Pronóstico Robusto de Largo Horizonte: La capacidad de realizar predicciones precisas y conscientes de la incertidumbre durante años sin acceso a estados de verdad fundamental futuros.
• Generalización: Capacidad demostrada para generalizar a través de diversas condiciones operativas, regímenes de temperatura no vistos e incertidumbres de medición.
• Aplicación Práctica: El modelo resultante sirve como base para la inteligencia predictiva en la planificación del mantenimiento, la optimización operativa y la toma de decisiones económicas.
• Capacidad de Gemelo Digital: Más allá de la predicción hacia adelante, el marco actúa como un sustituto computacionalmente eficiente para el modelado de degradación inversa, permitiendo la síntesis de perfiles de entrada para alcanzar objetivos de vida útil de la batería.

El artículo concluye que los sistemas de gestión de energía de próxima generación requieren tales marcos de IA para ir más allá de las aproximaciones estáticas de un solo activo, capturando en su lugar las dinámicas acopladas y la heterogeneidad de la flota para asegurar la fiabilidad y la eficiencia económica del almacenamiento de energía a gran escala.