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

Résumé Technique : Modèle de Circuit Équivalent Corrigé par Résidus avec Équations Différentielles Universelles

Énoncé du Problème
La prédiction précise de la tension aux bornes est fondamentale pour les systèmes de gestion de batterie (BMS) basés sur des modèles, servant de signal de correction principal pour les estimateurs d'état tels que le Filtre de Kalman Étendu (EKF). Cependant, les approches existantes font face à un compromis :

• Modèles de Circuit Équivalent (ECM) d'ordre faible : Bien que efficaces sur le plan computationnel et interprétables, les modèles de Thévenin d'ordre un (ECM-1RC) manquent de capacité d'expression pour capturer les comportements non linéaires, dépendants de la température et transitoires dans des conditions de fonctionnement réalistes. Cette inadéquation structurelle entraîne des erreurs de tension qui peuvent biaiser l'estimation d'état en aval.
• Modèles purement pilotés par les données : Les approches d'apprentissage profond (par exemple, les LSTM) offrent de la flexibilité et une haute précision dans des conditions correspondantes, mais sacrifient souvent l'interprétabilité et souffrent d'une dégradation des performances lorsqu'elles sont confrontées à des changements de conditions de fonctionnement (par exemple, variations de température ou cycles de conduite inédits).

L'article aborde le défi de réaliser une prédiction de tension robuste qui maintient l'interprétabilité des modèles physiques tout en compensant leurs limitations structurelles, spécifiquement sous des décalages de distribution tels que les variations de température et les différents profils de cycles de conduite.

Méthodologie
Les auteurs proposent une Formulation Hybride Corrigée par Résidus implémentée sous forme d'Équation Différentielle Universelle basée sur ECM (ECM-UDE). L'architecture de base intègre un modèle physique avec un composant neuronal apprenable :

1. Squelette Physique (ECM-1RC) : Le modèle conserve une structure de circuit de Thévenin d'ordre un. La tension aux bornes $V(t)$ est régie par la relation standard :
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   où $OCV$ est la tension à circuit ouvert, $R_0$ est la résistance ohmique, et $V_1(t)$ est la tension de polarisation.
2. Dynamique Latente de Polarisation : L'évolution de l'état de polarisation $V_1(t)$ est modifiée pour inclure un terme de correction apprenable $f_\theta$ :
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   Ici, $f_\theta$ est un réseau de neurones compact (un perceptron multicouche) qui corrige uniquement l'inadéquation structurée (résidus) que le circuit d'ordre réduit ne peut pas capturer.
3. Propagation de l'État : Contrairement aux ECM standards, le modèle hybride propage l'État de Charge (SOC, $z$) en interne comme un état dynamique ($\dot{z} = -\eta I(t)/Q_{nom}$), réduisant la dépendance aux trajectoires de SOC fournies externement dans la fenêtre de prédiction.
4. Protocole d'Entraînement :
   • Démarrage à Chaud : Les paramètres de l'ECM-1RC ($R_0, R_1, C_1$, et coefficients OCV) sont d'abord identifiés par moindres carrés non linéaires sur les données d'entraînement. Ces paramètres initialisent le modèle hybride, assurant que la correction neuronale opère dans un « régime de faible résidu » dès la première époque d'entraînement.
   • Optimisation : Le modèle hybride est entraîné de bout en bout en utilisant l'optimisation Adam sur une perte d'erreur quadratique moyenne.
   • Normalisation : Le pipeline utilise une stratégie de normalisation hybride : le courant et la tension sont normalisés via des scores-z empiriques, tandis que la température et le SOC sont normalisés en utilisant des constantes fixes, informées par la physique, pour assurer la stabilité lors du transfert hors distribution.

Contributions Clés

1. Correction de Résidus Structurellement Localisée : Contrairement aux approches hybrides précédentes qui peuvent appliquer des corrections au niveau de la sortie, cette méthode intègre le composant neuronal exclusivement au sein de la dynamique de polarisation latente. Le modèle physique conserve la responsabilité de la structure de tension dominante (OCV, chute ohmique et dynamique RC).
2. Évaluation Centrée sur la Robustesse : L'étude introduit un protocole d'évaluation rigoureux évaluant les performances selon quatre axes :
   • Prédiction en conditions correspondantes (UDDS à 25°C).
   • Sensibilité à l'incertitude du SOC au moment de l'inférence.
   • Transfert de température en zéro-shot (de 25°C à -20°C).
   • Transfert de cycle de conduite en zéro-shot (de UDDS à US06, LA92, HWFET).
3. Démonstration de Stabilité : Le travail met en évidence que l'approche hybride améliore non seulement la précision, mais réduit également considérablement la variabilité inter-graines par rapport aux bases de référence purement pilotées par les données, indiquant une plus grande stabilité d'optimisation.

Résultats
Les expériences ont été menées sur un ensemble de données public Panasonic 18650PF. L'ECM-UDE a été comparé à un ECM-1RC autonome et à une base de référence LSTM empilée.

• Conditions Correspondantes (UDDS, 25°C) : L'ECM-UDE a atteint une Erreur Absolue Moyenne (MAE) de 39,16 mV, surpassant le LSTM (75,89 mV) et l'ECM-1RC (127,97 mV). Cela représente une réduction de 48 % de la MAE par rapport au LSTM. De plus, l'ECM-UDE a présenté une variabilité inter-graines d'un ordre de grandeur inférieure (Coefficient de Variation : 0,44 % contre 6,20 % pour le LSTM).
• Perturbation du SOC au Moment de l'Inférence : Lorsque du bruit gaussien a été ajouté à l'entrée du SOC, l'ECM-UDE a maintenu l'erreur absolue la plus faible à tous les niveaux de bruit ($\sigma_z \in \{0,01, 0,02, 0,05\}$), bien qu'il ait montré une sensibilité légèrement supérieure à celle de l'ECM-1RC déterministe.
• Transfert de Température (Zéro-Shot) : Alors que la température diminuait de 25°C à -20°C, tous les modèles se sont dégradés. Cependant, l'ECM-UDE est resté constamment le plus précis. À -20°C, l'ECM-UDE a atteint une MAE de 173,63 mV, contre 193,45 mV pour le LSTM et 182,92 mV pour l'ECM-1RC.
• Transfert de Cycle de Conduite : Sous un transfert en zéro-shot vers des cycles inédits (US06, LA92, HWFET), l'ECM-UDE a atteint l'erreur la plus faible sur toutes les cibles. Le gain relatif a été le plus prononcé sur le cycle le plus agressif (US06), où l'ECM-UDE a réduit la MAE de 45,2 % par rapport au LSTM.

Signification et Revendications
L'article revendique que l'ECM-UDE corrigé par résidus offre une amélioration légère et interprétable des modèles de circuit d'ordre faible. La signification réside dans la démonstration que :

• Ancrage Physique : Le modèle physique fournit une « ancre de tension » stable qui empêche le modèle purement appris de se dégrader sous des décalages de conditions de fonctionnement (variations de température et de cycles de conduite).
• Complémentarité : Le squelette physique et la correction apprise sont complémentaires plutôt que redondants. Le circuit gère la structure dominante, tandis que le composant neuronal compense les résidus structurés.
• Praticité : L'approche réalise des gains substantiels de précision sans remplacer l'ECM par un grand modèle boîte noire, en faisant un candidat viable pour l'intégration dans des schémas d'estimation de SOC basés sur des observateurs dans les BMS.

Les auteurs notent que, bien que les résultats soient prometteurs pour la cellule de chimie NCA spécifique testée, la généralisation à d'autres chimies (par exemple, LFP, NMC) et formats de cellules nécessite une évaluation supplémentaire. Des travaux futurs sont suggérés pour explorer l'intégration au niveau de l'observateur et l'adaptation explicite des paramètres dépendante de la température.