Operator-Theoretic and physics-guided Sequence Modeling of Lithium-Ion Battery Voltage Dynamics

Riepilogo Tecnico: Modellazione delle Dinamiche di Tensione delle Batterie agli Ioni di Litio Basata su Operatori e Guidata dalla Fisica

Enunciato del Problema
La modellazione accurata delle dinamiche di tensione delle batterie agli ioni di litio è fondamentale per i sistemi di gestione della batteria (BMS) al fine di garantire il funzionamento sicuro, la stima dello stato e il monitoraggio della salute. Le batterie presentano comportamenti non lineari complessi che variano in base alle condizioni operative e agli stati di invecchiamento. Sebbene i modelli basati sulla fisica (ad esempio, P2D) offrano un'elevata fedeltà, comportano costi computazionali elevati. I modelli a circuito equivalente (ECM) sono computazionalmente efficienti ma spesso faticano a rappresentare dinamiche dipendenti dal degrado senza un'estesa identificazione dei parametri. Al contrario, i metodi puramente basati sui dati (ad esempio, SINDy, NARX) possono essere sensibili al rumore e mancano di strutture esplicithe nello spazio degli stati adatte al controllo. Questo studio affronta la sfida di modellare le risposte di tensione sotto eccitazione di caratterizzazione dell'impulso di potenza ibrido (HPPC), confrontando specificamente un approccio operatoriale con un'architettura di deep learning guidata dalla fisica per determinarne l'efficacia in termini di accuratezza, robustezza al degrado e interpretabilità.

Metodologia
Lo studio valuta due distinti framework basati sui dati utilizzando dati HPPC da una cella agli ioni di litio da 30 Ah:

1. Modello DMDc Operatoriale:

   • Framework: Viene impiegata la Decomposizione delle Modalità Dinamiche con controllo (DMDc) per identificare direttamente dalle misure le matrici del sistema lineare.
   • Rappresentazione dei Dati: Vengono costruiti snapshot immersi in ritardo della tensione terminale e della corrente utilizzando matrici di Hankel per elevare le dipendenze temporali in uno spazio osservabile di Koopman.
   • Formulazione: Il metodo risolve per gli operatori lineari $A$ (transizione di stato) e $B$ (mappa di ingresso) che soddisfano la relazione $x_{k+1} \approx Ax_k + Bu_k$, dove $x$ rappresenta lo stato di tensione immerso e $u$ rappresenta l'ingresso di corrente.
   • Addestramento/Testing: Il modello viene identificato utilizzando dati dallo stato sano (fino al ciclo 100) e successivamente applicato per prevedere le traiettorie di tensione in stati degradati (cicli 120, 140 e 160) senza riaddestramento, per valutare la robustezza.

2. Modello Sequenziale Basato su Transformer Guidato dalla Fisica:

   • Architettura: Viene sviluppata un'architettura modificata di PatchTST (Patch Time Series Transformer).
   • Decomposizione Guidata dalla Fisica: Invece di prevedere la tensione terminale grezza, il modello prevede il residuo dinamico $V_{dyn}(t)$. La tensione totale viene decomposta come $V(t) = V_{OCV}(SOC(t)) + V_{dyn}(t)$, dove il componente della tensione a circuito aperto (OCV) è calcolato analiticamente utilizzando uno pseudo-Stato di Carica (SOC) derivato dal conteggio Coulombiano e una tabella di ricerca empirica. Questo rimuove la deriva termodinamica a bassa frequenza, permettendo al modello di concentrarsi sulle dinamiche transitorie rapide.
   • Fusione degli Input: Il modello incorpora un "percorso di fusione della corrente futura", utilizzando esplicitamente il profilo di corrente futuro noto prescritto dal protocollo HPPC durante l'inferenza.
   • Addestramento/Testing: Il modello viene addestrato su una partizione a livello di file del dataset (cicli 1–100) e valutato su file di test tenuti in riserva (cicli 101–160) utilizzando una strategia di inferenza autoregressiva a blocchi.

Contributi Chiave

• Analisi Comparativa: Il lavoro fornisce un confronto diretto tra un modello operatoriale lineare interpretabile (DMDc) e un modello di deep learning non lineare flessibile (PatchTST) per la previsione della tensione della batteria in condizioni HPPC identiche.
• Deep Learning Guidato dalla Fisica: Introduce una strategia specifica di decomposizione per i transformer nelle applicazioni per batterie, separando il componente OCV risolvibile analiticamente dal residuo dinamico appreso e integrando gli input futuri noti (corrente) nel meccanismo di attenzione.
• Valutazione della Robustezza al Degrado: Lo studio valuta le prestazioni del modello su celle degradate utilizzando operatori/pesi addestrati esclusivamente su dati dello stato sano, evidenziando le capacità di generalizzazione di entrambi i framework.
• Analisi Modale: L'approccio DMDc si è dimostrato in grado di produrre autovalori che riflettono il comportamento dissipativo del sistema, offrendo una potenziale metrica per caratterizzare l'invecchiamento.

Risultati

• Accuratezza della Previsione: Nel regime di dati limitato attuale, il modello DMDc ha superato il modello basato su transformer. Per i cicli 120°, 140° e 160°, il DMDc ha raggiunto errori quadratici medi (RMSE) di circa 0,011 V, mentre il modello basato su transformer ha raggiunto RMSE intorno a 0,021 V.
• Robustezza al Degrado: Il modello DMDc, addestrato su dati sani, ha mantenuto un'elevata accuratezza e ha catturato le dinamiche degli impulsi transitori rapidi e i comportamenti di rilassamento lenti nei cicli degradati con una minima deviazione. Il modello basato su transformer, pur catturando dinamiche qualitativamente simili, ha mostrato un maggiore accumulo di errore durante l'implementazione autoregressiva.
• Comportamento Modale: Gli autovalori DMDc identificati hanno mostrato una diminuzione sistematica delle magnitudini modali ($r = |\lambda|$) man mano che la batteria invecchiava, indicando dinamiche sempre più dissipative.
• Efficienza dei Dati: Il modello DMDc ha dimostrato prestazioni superiori con meno parametri e dati di addestramento meno diversificati, attribuito al suo forte prior strutturale (evoluzione controllata lineare). Il modello basato su transformer, con circa 3,35 milioni di parametri, ha faticato a generalizzare in modo robusto data la limitata diversità del dataset HPPC (singola cella, singolo protocollo).

Significato e Affermazioni
Il documento conclude che per la previsione della tensione della batteria sotto eccitazione HPPC, l'approccio operatoriale DMDc offre un equilibrio favorevole tra accuratezza, robustezza, interpretabilità ed efficienza computazionale. Lo studio evidenzia che, sebbene i modelli transformer guidati dalla fisica possiedano flessibilità architetturale e il potenziale di catturare dipendenze non lineari complesse, le loro prestazioni in questo contesto specifico sono state limitate dalla dimensione e dalla diversità del dataset disponibile.

Gli autori affermano con modestia che i loro risultati non dimostrano che i modelli transformer siano intrinsecamente inferiori per le applicazioni nelle batterie. Al contrario, suggeriscono che i vantaggi degli approcci basati su transformer possano essere realizzati solo quando addestrati su dataset sostanzialmente più grandi e più eterogenei, che coprono più celle, traiettorie di invecchiamento e condizioni operative. Al contrario, lo studio posiziona i metodi operatoriali come altamente promettenti per la diagnostica e la prognosi adattiva delle batterie, in particolare in scenari in cui i dati sono limitati o l'interpretabilità è fondamentale.