Résumé Technique : KAN-Therm

Énoncé du Problème

Le fonctionnement fiable des batteries au lithium-ion est critique pour la sécurité et la longévité, en particulier dans des applications critiques pour la sécurité telles que les véhicules électriques et les réseaux intelligents. Un défi majeur réside dans l'estimation précise en temps réel de la température du cœur de la batterie, inaccessible à la mesure directe. Bien que des modèles physiques haute fidélité (par exemple, observateurs H∞, filtres de Kalman) existent, ils souffrent de demandes computationnelles élevées, de difficultés de paramétrage et d'une mauvaise observabilité, les rendant inadaptés aux systèmes de gestion de batterie (BMS) physiques contraints en ressources. À l'inverse, les approches basées sur les données existantes (par exemple, MLP, LSTM, XGBoost) offrent une estimation plus rapide mais nécessitent souvent une surcharge mémoire significative et des ressources computationnelles pour stocker des structures de réseau complexes, créant un compromis entre précision et déployabilité sur le matériel embarqué.

Méthodologie

Les auteurs proposent KAN-Therm, un modèle thermique léger et basé sur les données fondé sur les Réseaux de Kolmogorov-Arnold (KAN) pour estimer la température du cœur d'une cellule de batterie cylindrique.

1. Fondement Théorique

Contrairement aux Perceptrons Multicouches (MLP) traditionnels qui utilisent des fonctions d'activation non linéaires fixes avec des poids linéaires apprenables, les KAN remplacent les poids scalaires par des fonctions univariées apprenables (paramétrées par des B-splines) sur les arêtes. Cette architecture est fondée sur le théorème de représentation de Kolmogorov-Arnold, permettant au réseau de capturer des relations non linéaires complexes avec moins de paramètres et une interprétabilité améliorée.

2. Génération de Données

Les données d'entraînement et de validation ont été générées à l'aide d'un modèle thermique à paramètres concentrés d'une cellule de batterie LiFePO4–LiC6 cylindrique de 2,3 Ah. Le modèle simule la dynamique de la température du cœur ($T_1$), de la température de surface ($T_2$) et de la température du fluide de refroidissement ($T_\infty$) dans diverses conditions :

• Entrées : Courant appliqué ($I$), puissance de refroidissement ($\dot{Q}_c$), température du fluide de refroidissement ($T_\infty$) et température de surface ($T_2$).
• Scénarios : Les données ont été collectées à partir des cycles de conduite Urban Dynamometer Driving Schedule (UDDS), US06 et VEIL2NREL, ainsi que de profils de charge à courant constant (CC) allant de 0,9C à 10C.
• Bruit : Un bruit de capteur réaliste (bruit gaussien avec $\sigma=0,015K$ pour la température et $\sigma=0,006A$ pour le courant) a été ajouté pour simuler les mesures physiques.

3. Architecture du Modèle et Entraînement

• Structure : Le modèle KAN-Therm utilise une architecture compacte avec une couche d'entrée de 4 nœuds, une couche cachée de 1 nœud et une couche de sortie de 1 nœud (configuration [[4, 1, 1]]).
• Optimisation des Hyperparamètres : Une recherche exhaustive sur grille a été menée pour déterminer les paramètres optimaux, notamment l'ordre des splines ($k=3$), les intervalles de grille ($G=2$), les pénalités de sparsification ($\lambda, \nu_1, \nu_2$) et les époques d'entraînement (70).
• Fonction de Perte : L'objectif d'entraînement minimise une combinaison de l'erreur quadratique moyenne de prédiction et de termes de régularisation (norme L1 et auto-entropie) pour imposer la sparsité et la compacité du modèle.
• Références : Le modèle a été comparé à quatre références de pointe : MLP, RNN, LSTM et XGBoost, tous ajustés par recherche sur grille.

Contributions Clés

1. Développement de KAN-Therm : L'article introduit une architecture spécifique basée sur les KAN, adaptée à l'estimation de la température du cœur de la batterie, démontrant que les fonctions d'activation apprenables peuvent modéliser efficacement la dynamique thermique avec une efficacité paramétrique extrême.
2. Optimisation pour les BMS Physiques : Grâce à un réglage rigoureux des hyperparamètres, les auteurs ont identifié une configuration qui équilibre la précision avec les contraintes strictes de mémoire et de calcul du matériel BMS physique (par exemple, systèmes avec FRAM limité).
3. Évaluation Comparative Complète : L'étude fournit une comparaison détaillée des KAN par rapport aux réseaux de neurones traditionnels et aux modèles basés sur des arbres selon cinq métriques : nombre de paramètres, temps d'estimation et RMSE (entraînement, validation et test).

Résultats

La comparaison des performances sur un jeu de données de test (incluant des courants constants et des profils dynamiques VEIL2NREL) a produit les constatations suivantes :

• Efficacité Paramétrique : KAN-Therm est le modèle le plus compact, ne nécessitant que 25 paramètres apprenables. C'est nettement moins que le RNN (121), le MLP (369), le LSTM (877) et XGBoost (6 000).
• Vitesse de Calcul : KAN-Therm a atteint le temps d'estimation le plus rapide à 0,0395 µs par échantillon. Il est environ 21,7 fois plus rapide que le RNN, 12,5 fois plus rapide que le LSTM et 20,4 fois plus rapide que XGBoost. Il surpasse également le modèle d'intégration numérique basé sur la physique (1,3 µs).
• Précision :
  • RMSE de Test : Le RNN a obtenu la RMSE de test la plus faible (0,0334 K), suivi du LSTM (0,0359 K). KAN-Therm a obtenu une RMSE de test de 0,0477 K.
  • Analyse des Erreurs : La différence de RMSE entre le RNN le plus performant et KAN-Therm est de 0,0143 K, ce que les auteurs notent être comparable au niveau de bruit des capteurs (0,015 K).
  • Compromis : Bien que KAN-Therm ait une RMSE légèrement supérieure à celle du RNN et du LSTM, il offre un équilibre supérieur entre précision et efficacité. L'erreur relative de KAN-Therm est d'environ 0,0125 %, jugée suffisante pour les applications de sécurité en aval.

Importance et Revendications

L'article affirme que KAN-Therm résout avec succès la dichotomie entre la précision d'estimation souhaitée et la praticité réelle dans la gestion des batteries. En tirant parti de l'efficacité paramétrique et de l'interprétabilité des KAN, le modèle fournit une alternative légère adaptée au déploiement sur du matériel BMS physique contraint en ressources, où les modèles haute fidélité sont trop coûteux en calcul et les réseaux de neurones standards trop gourmands en mémoire.

Les auteurs soulignent que, bien que KAN-Therm ne surpasse pas strictement les RNN en termes de précision brute, sa réduction massive du nombre de paramètres (79,3 % de moins que le RNN) et du temps d'inférence (21,7 fois plus rapide) en fait une solution viable et évolutive pour la surveillance thermique en temps réel et critique pour la sécurité dans les systèmes embarqués. Ce travail suggère que les KAN peuvent efficacement remplacer des architectures plus complexes dans des scénarios où les ressources computationnelles sont limitées.