Modeling of Non-linear Dynamics of Lithium-ion Batteries via Delay-Embedded Dynamic Mode Decomposition

Titolo

Modellazione della Dinamica Non Lineare delle Batterie agli Ioni di Litio tramite Decomposizione delle Modalità Dinamiche (DMD) con Embedding Ritardato

1. Il Problema

Le batterie agli ioni di litio (Li-ion) sono fondamentali per sistemi di accumulo energetico moderni, come i veicoli elettrici e i sistemi aeronautici, grazie alla loro alta densità energetica e potenza. Tuttavia, il loro comportamento elettrochimico intrinseco è altamente non lineare e soggetto a degradazione nel tempo.
La gestione efficace di queste batterie richiede modelli accurati per stimare lo stato di carica (SoC) e lo stato di salute (SoH). Le sfide principali identificate nel lavoro sono:

• Limiti dei modelli fisici ed equivalenti (ECM): I modelli basati su circuiti equivalenti (ECM) sono ampiamente utilizzati ma richiedono una precisa caratterizzazione dei parametri e una topologia di circuito complessa per catturare le non linearità e l'invecchiamento. Spesso mancano di robustezza quando le condizioni operative cambiano drasticamente.
• Limiti dei modelli data-driven puri: Gli approcci basati su machine learning (come SINDy o NARX) possono catturare le non linearità ma spesso mancano di interpretabilità fisica o non forniscono direttamente le matrici di stato (A) e di ingresso (B) necessarie per tecniche di controllo avanzate (es. LQR, MPC, Filtro di Kalman).
• Dipendenza da variabili derivate: Molti modelli esistenti richiedono la conoscenza preventiva di variabili interne difficili da misurare direttamente, come il SoC o la capacità, che devono essere stimate.

L'obiettivo è sviluppare un modello data-driven, computazionalmente efficiente e interpretabile, che catturi la dinamica non lineare della batteria utilizzando solo dati grezzi (tensione e corrente), senza richiedere conoscenze dettagliate della composizione dei materiali o stime preliminari dello stato.

2. Metodologia

Gli autori propongono un framework basato sulla Decomposizione delle Modalità Dinamiche (DMD) e sulla sua variante con controllo (DMDc), applicata a dati ritardati (delay-embedded).

• Dati Sperimentali: Sono stati utilizzati dati provenienti da test di caratterizzazione dell'impulso di potenza ibrida (HPPC) su una batteria Li-ion da 30 Ah. I test sono stati condotti su una batteria sana e ripetuti ciclicamente (ogni 20 cicli di carica/scarica) per indurre e monitorare la degradazione. I dati includono solo tensione (output) e corrente (input).
• Costruzione della Matrice di Hankel (Embedding Ritardato):
  • Poiché lo stato interno non è osservabile direttamente, viene costruita una matrice di Hankel (o embedding temporale ritardato) dalla serie temporale della tensione.
  • Questo processo trasforma un segnale 1D in uno spazio di stato a dimensionalità superiore ($m$), dove ogni colonna contiene $m$ campioni ritardati consecutivi. Questo permette di "sollevare" la dinamica non lineare in uno spazio dove può essere approssimata da un operatore lineare.
• Modelli DMD e DMDc:
  • DMD Standard: Approssima la dinamica come $x_{k+1} = A x_k$, dove $A$ è l'operatore lineare derivato dai dati di tensione.
  • DMDc (con controllo): Estende il modello includendo l'ingresso noto (corrente) nella forma $x_{k+1} = A x_k + B u_k$. Questo permette di separare la dinamica libera dalla risposta forzata dall'input.
  • Input Ritardato: Anche il segnale di corrente è stato sottoposto a embedding ritardato per catturare le dipendenze temporali nell'input.
• Identificazione del Modello:
  • Il 60% dei dati di un test HPPC (batteria sana) è stato utilizzato per l'addestramento (identificazione delle matrici $A$ e $B$).
  • Il 40% restante e i dati di cicli successivi (batteria degradata) sono stati usati per la validazione.
  • È stata ottimizzata la dimensione di embedding ($m$) per la tensione e ($l$) per la corrente per minimizzare l'errore residuo.

3. Contributi Chiave

1. Modellazione Non Lineare tramite Strumenti Lineari: Dimostrazione che la dinamica non lineare complessa di una batteria può essere efficacemente catturata da un modello lineare nello spazio di stato, purché si utilizzi un embedding ritardato (Hankel) appropriato.
2. Indipendenza da Variabili Derivate: Il modello utilizza esclusivamente tensione e corrente grezze, eliminando la necessità di stimare o conoscere a priori lo stato di carica (SoC) o la capacità, rendendolo più robusto e facile da implementare.
3. Interpretabilità e Struttura di Stato: A differenza delle "scatole nere" del deep learning, DMD fornisce direttamente le matrici $A$ e $B$, rendendo il modello compatibile con tecniche di controllo e filtraggio standard (es. Kalman Filter).
4. Robustezza alla Degradazione: Il framework è stato testato applicando le matrici identificate su una batteria sana a dati di batterie degradate (aggiornando solo l'input di controllo), dimostrando una capacità di adattamento significativa.

4. Risultati

• Ottimizzazione dei Parametri:
  • Per il modello DMDc, una dimensione di embedding della tensione di 1810 ha prodotto l'errore residuo minimo (RSS = 3.86).
  • L'aggiunta di un embedding ritardato per la corrente (dimensione 6) ha ulteriormente ridotto l'errore a un RSS di 1.74.
  • Il modello DMD standard ha mostrato prestazioni inferiori con un RSS di circa 30.
• Accuratezza Predittiva:
  • Il modello DMDc ha replicato con alta precisione le risposte transitorie (cadute di tensione e risposte agli impulsi) sia a breve che a lungo termine (fino a 12,5 ore di previsione), mantenendo un errore trascurabile rispetto ai dati sperimentali.
  • Il modello DMD standard ha mostrato deviazioni significative dopo circa 6,5 ore, fallendo nel catturare accuratamente le dinamiche a lungo termine.
• Adattabilità alla Degradazione:
  • Le matrici $A$ e $B$ identificate sulla batteria sana sono state mantenute fisse e utilizzate per simulare batterie degradate (fino al ciclo 360).
  • Sebbene l'errore RSS aumentasse con la degradazione (da ~20 a ~80 per DMDc, contro 30-143 per DMD), il modello DMDc ha continuato a catturare efficacemente le dinamiche chiave, come le cadute di tensione e le risposte transitorie, dimostrando una robustezza superiore rispetto al DMD standard.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo significativo verso la creazione di sistemi di gestione delle batterie (BMS) più intelligenti e adattivi.

• Alternativa ai Modelli Fisici: Offre un'alternativa ai modelli ECM che spesso semplificano eccessivamente le non linearità, senza richiedere la complessa caratterizzazione fisica dei materiali.
• Alternativa ai Modelli Black-Box: Fornisce un modello interpretabile e strutturato, a differenza delle reti neurali profonde che sono difficili da integrare in sistemi di controllo in tempo reale con garanzie di stabilità.
• Diagnostica e Prognostica: La capacità di modellare la dinamica non lineare aggiornando solo l'input (corrente) suggerisce che questo approccio può essere alla base di framework di diagnostica adattiva in tempo reale, capaci di tracciare l'evoluzione del degrado senza bisogno di ri-addestramento completo del modello.
• Generalizzabilità: La metodologia, basata su dati di serie temporali, potrebbe essere estesa ad altre tecnologie di accumulo energetico oltre alle batterie agli ioni di litio.

In sintesi, gli autori dimostrano che la combinazione di embedding ritardato e DMDc permette di costruire modelli lineari, interpretabili e ad alta efficienza computazionale in grado di gestire la complessa dinamica non lineare e la degradazione delle batterie, utilizzando solo dati di tensione e corrente facilmente acquisibili.