Riepilogo Tecnico: KAN-Therm

Enunciato del Problema

Il funzionamento affidabile delle batterie agli ioni di litio è fondamentale per la sicurezza e la longevità, in particolare in applicazioni critiche per la sicurezza come i veicoli elettrici e le reti elettriche intelligenti. Una sfida chiave è la stima accurata in tempo reale della temperatura del nucleo della batteria, che non è accessibile alla misurazione diretta. Sebbene esistano modelli fisici ad alta fedeltà (ad esempio, osservatori H∞, filtri di Kalman), essi soffrono di elevate richieste computazionali, difficoltà di parametrizzazione e scarsa osservabilità, rendendoli inadatti ai Sistemi di Gestione della Batteria (BMS) fisici con risorse limitate. Al contrario, gli approcci basati sui dati esistenti (ad esempio, MLP, LSTM, XGBoost) offrono una stima più rapida ma spesso richiedono un significativo sovraccarico di memoria e risorse computazionali per memorizzare strutture di rete complesse, creando un compromesso tra accuratezza e possibilità di implementazione su hardware embedded.

Metodologia

Gli autori propongono KAN-Therm, un modello termico leggero basato sui dati fondato sulle Reticoli di Kolmogorov-Arnold (KAN) per stimare la temperatura del nucleo di una cella batteria cilindrica.

1. Fondamento Teorico

A differenza delle tradizionali Reti Perceptron Multistrato (MLP) che utilizzano funzioni di attivazione non lineari fisse con pesi lineari apprendibili, le KAN sostituiscono i pesi scalari con funzioni univariate apprendibili (parametrizzate da B-spline) sugli archi. Questa architettura si basa sul teorema di rappresentazione di Kolmogorov-Arnold, consentendo alla rete di catturare relazioni non lineari complesse con meno parametri e un'interpretabilità migliorata.

2. Generazione dei Dati

I dati di addestramento e validazione sono stati generati utilizzando un modello termico a parametri concentrati di una cella batteria cilindrica LiFePO4–LiC6 da 2,3 Ah. Il modello simula la dinamica della temperatura del nucleo ($T_1$), della temperatura superficiale ($T_2$) e della temperatura del refrigerante ($T_\infty$) in varie condizioni:

• Input: Corrente applicata ($I$), potenza di raffreddamento ($\dot{Q}_c$), temperatura del refrigerante ($T_\infty$) e temperatura superficiale ($T_2$).
• Scenari: I dati sono stati raccolti dai cicli di guida Urban Dynamometer Driving Schedule (UDDS), US06 e VEIL2NREL, nonché da profili di ricarica a corrente costante (CC) che variano da 0,9C a 10C.
• Rumore: È stato aggiunto un rumore realistico del sensore (rumore gaussiano con $\sigma=0,015K$ per la temperatura e $\sigma=0,006A$ per la corrente) per simulare le misurazioni fisiche.

3. Architettura del Modello e Addestramento

• Struttura: Il modello KAN-Therm utilizza un'architettura compatta con un livello di input di 4 nodi, un livello nascosto di 1 nodo e un livello di output di 1 nodo (configurazione [[4, 1, 1]]).
• Ottimizzazione degli Ipervariable: È stata condotta una ricerca esaustiva su griglia per determinare le impostazioni ottimali, inclusi l'ordine dello spline ($k=3$), gli intervalli della griglia ($G=2$), le penalità di diradamento ($\lambda, \nu_1, \nu_2$) e le epoche di addestramento (70).
• Funzione di Perdita: L'obiettivo dell'addestramento minimizza una combinazione dell'errore quadratico medio di previsione e termini di regolarizzazione (norma L1 ed entropia self) per imporre la sparsità e la compattezza del modello.
• Linee di Base: Il modello è stato confrontato con quattro benchmark all'avanguardia: MLP, RNN, LSTM e XGBoost, tutti ottimizzati tramite ricerca su griglia.

Contributi Chiave

1. Sviluppo di KAN-Therm: Il documento introduce un'architettura specifica basata su KAN, adattata per la stima della temperatura del nucleo della batteria, dimostrando che le funzioni di attivazione apprendibili possono modellare efficacemente le dinamiche termiche con un'efficienza parametrica estrema.
2. Ottimizzazione per BMS Fisici: Attraverso un'attenta ottimizzazione degli ipervariable, gli autori hanno identificato una configurazione che bilancia l'accuratezza con i vincoli rigorosi di memoria e computazione dell'hardware BMS fisico (ad esempio, sistemi con FRAM limitato).
3. Benchmarking Completo: Lo studio fornisce un confronto dettagliato delle KAN rispetto alle reti neurali tradizionali e ai modelli basati su alberi su cinque metriche: numero di parametri, tempo di stima e RMSE (addestramento, validazione e test).

Risultati

Il confronto delle prestazioni su un dataset di test (inclusi profili a corrente costante e dinamici VEIL2NREL) ha prodotto le seguenti scoperte:

• Efficienza Parametrica: KAN-Therm è il modello più compatto, richiedendo solo 25 parametri apprendibili. Questo è significativamente inferiore rispetto a RNN (121), MLP (369), LSTM (877) e XGBoost (6.000).
• Velocità Computazionale: KAN-Therm ha raggiunto il tempo di stima più rapido a 0,0395 µs per campione. È stato circa 21,7 volte più veloce della RNN, 12,5 volte più veloce della LSTM e 20,4 volte più veloce di XGBoost. Ha anche superato il modello di integrazione numerica basato sulla fisica (1,3 µs).
• Accuratezza:
  • RMSE di Test: La RNN ha ottenuto il RMSE di test più basso (0,0334 K), seguita dalla LSTM (0,0359 K). KAN-Therm ha ottenuto un RMSE di test di 0,0477 K.
  • Analisi dell'Errore: La differenza di RMSE tra la RNN migliore e KAN-Therm è di 0,0143 K, che gli autori notano essere paragonabile al livello di rumore del sensore (0,015 K).
  • Compromesso: Sebbene KAN-Therm abbia un RMSE leggermente superiore rispetto a RNN e LSTM, offre un equilibrio superiore tra accuratezza ed efficienza. L'errore relativo di KAN-Therm è di circa lo 0,0125%, considerato sufficiente per le applicazioni di sicurezza a valle.

Significato e Affermazioni

Il documento afferma che KAN-Therm affronta con successo la dicotomia tra l'accuratezza di stima desiderata e la praticità nel mondo reale nella gestione delle batterie. Sfruttando l'efficienza parametrica e l'interpretabilità delle KAN, il modello fornisce un'alternativa leggera adatta alla distribuzione su hardware BMS fisico con risorse limitate, dove i modelli ad alta fedeltà sono troppo costosi dal punto di vista computazionale e le reti neurali standard sono troppo intensive in termini di memoria.

Gli autori sottolineano che, sebbene KAN-Therm non superi strettamente le RNN in termini di accuratezza grezza, la sua massiccia riduzione del numero di parametri (79,3% in meno rispetto alla RNN) e del tempo di inferenza (21,7 volte più veloce) lo rende una soluzione vitale e scalabile per il monitoraggio termico in tempo reale e critico per la sicurezza nei sistemi embedded. Il lavoro suggerisce che le KAN possono sostituire efficacemente architetture più complesse in scenari in cui le risorse computazionali sono limitate.