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

Sintesi Tecnica: Modello a Circuito Equivalente Corretto dai Residui con Equazioni Differenziali Universali

Enunciato del Problema
La previsione accurata della tensione ai morsetti è fondamentale per i sistemi di gestione delle batterie (BMS) basati su modelli, fungendo da segnale di correzione primario per gli stimatori di stato come il Filtro di Kalman Esteso (EKF). Tuttavia, gli approcci esistenti affrontano un compromesso:

• Modelli a Circuito Equivalente (ECM) di ordine inferiore: Sebbene computazionalmente efficienti e interpretabili, i modelli di Thevenin del primo ordine (ECM-1RC) mancano dell'espressività necessaria per catturare comportamenti non lineari, dipendenti dalla temperatura e transitori in condizioni operative realistiche. Questa discrepanza strutturale porta a errori di tensione che possono distorcere la stima dello stato a valle.
• Modelli puramente basati sui dati: Gli approcci di deep learning (ad es. LSTM) offrono flessibilità e alta accuratezza in condizioni corrispondenti, ma spesso sacrificano l'interpretabilità e soffrono di degradazione delle prestazioni quando si confrontano con spostamenti delle condizioni operative (ad es. cambiamenti di temperatura o cicli di guida non visti).

Il documento affronta la sfida di ottenere una previsione della tensione robusta che mantenga l'interpretabilità dei modelli fisici compensando al contempo le loro limitazioni strutturali, specificamente sotto spostamenti di distribuzione come variazioni di temperatura e diversi profili di cicli di guida.

Metodologia
Gli autori propongono una Formulazione Ibrida Corretta dai Residui implementata come Equazione Differenziale Universale basata su ECM (ECM-UDE). L'architettura centrale integra un modello fisico con un componente neurale apprendibile:

1. Schiena Fisica (ECM-1RC): Il modello mantiene una struttura di circuito di Thevenin del primo ordine. La tensione ai morsetti $V(t)$ è governata dalla relazione standard:
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   dove $OCV$ è la tensione a circuito aperto, $R_0$ è la resistenza ohmica e $V_1(t)$ è la tensione di polarizzazione.
2. Dinamiche di Polarizzazione Latenti: L'evoluzione dello stato di polarizzazione $V_1(t)$ è modificata per includere un termine di correzione apprendibile $f_\theta$:
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   Qui, $f_\theta$ è una rete neurale compatta (un perceptron multistrato) che corregge esclusivamente lo sfasamento strutturato (residui) che il circuito di ordine ridotto non può catturare.
3. Propagazione dello Stato: A differenza degli ECM standard, il modello ibrido propaga lo Stato di Carica (SOC, $z$) internamente come stato dinamico ($\dot{z} = -\eta I(t)/Q_{nom}$), riducendo la dipendenza da traiettorie SOC fornite esternamente all'interno della finestra di previsione.
4. Protocollo di Addestramento:
   • Avvio a Caldo: I parametri ECM-1RC ($R_0, R_1, C_1$ e coefficienti OCV) sono prima identificati tramite minimi quadrati non lineari sui dati di addestramento. Questi parametri inizializzano il modello ibrido, assicurando che la correzione neurale operi in un "regime a basso residuo" fin dal primo epoca di addestramento.
   • Ottimizzazione: Il modello ibrido è addestrato end-to-end utilizzando l'ottimizzazione Adam sulla perdita di errore quadratico medio.
   • Normalizzazione: La pipeline utilizza una strategia di normalizzazione ibrida: corrente e tensione sono normalizzate tramite z-score empirici, mentre temperatura e SOC sono normalizzati utilizzando costanti fisse e informate dalla fisica per garantire stabilità durante il trasferimento fuori distribuzione.

Contributi Chiave

1. Correzione dei Residui Localizzata Strutturalmente: A differenza di precedenti approcci ibridi che potrebbero applicare correzioni a livello di output, questo metodo incorpora il componente neurale esclusivamente all'interno delle dinamiche di polarizzazione latenti. Il modello fisico mantiene la responsabilità della struttura di tensione dominante (OCV, caduta ohmica e dinamiche RC).
2. Valutazione Centrata sulla Robustezza: Lo studio introduce un protocollo di valutazione rigoroso che valuta le prestazioni su quattro assi:
   • Previsione in condizioni corrispondenti (UDDS a 25°C).
   • Sensibilità all'incertezza del SOC al momento dell'inferenza.
   • Trasferimento zero-shot della temperatura (da 25°C a -20°C).
   • Trasferimento zero-shot del ciclo di guida (da UDDS a US06, LA92, HWFET).
3. Dimostrazione di Stabilità: Il lavoro evidenzia che l'approccio ibrido non solo migliora l'accuratezza, ma riduce significativamente anche la variabilità inter-seed rispetto alle baseline puramente basate sui dati, indicando una maggiore stabilità di ottimizzazione.

Risultati
Gli esperimenti sono stati condotti su un dataset pubblico Panasonic 18650PF. L'ECM-UDE è stato confrontato con un ECM-1RC autonomo e una baseline LSTM impilata.

• Condizioni Corrispondenti (UDDS, 25°C): L'ECM-UDE ha raggiunto un Errore Assoluto Medio (MAE) di 39,16 mV, superando l'LSTM (75,89 mV) e l'ECM-1RC (127,97 mV). Ciò rappresenta una riduzione del 48% del MAE rispetto all'LSTM. Inoltre, l'ECM-UDE ha mostrato una variabilità inter-seed di un ordine di grandezza inferiore (Coefficiente di Variazione: 0,44% contro 6,20% per l'LSTM).
• Perturbazione del SOC al Momento dell'Inferenza: Quando è stato aggiunto rumore gaussiano all'input SOC, l'ECM-UDE ha mantenuto l'errore assoluto più basso a tutti i livelli di rumore ($\sigma_z \in \{0,01, 0,02, 0,05\}$), sebbene abbia mostrato una sensibilità leggermente superiore rispetto all'ECM-1RC deterministico.
• Trasferimento della Temperatura (Zero-Shot): Man mano che la temperatura diminuiva da 25°C a -20°C, tutti i modelli si sono degradati. Tuttavia, l'ECM-UDE è rimasto costantemente il più accurato. A -20°C, l'ECM-UDE ha raggiunto un MAE di 173,63 mV, rispetto a 193,45 mV per l'LSTM e 182,92 mV per l'ECM-1RC.
• Trasferimento del Ciclo di Guida: Sotto trasferimento zero-shot a cicli non visti (US06, LA92, HWFET), l'ECM-UDE ha raggiunto l'errore più basso su tutti gli obiettivi. Il guadagno relativo è stato più pronunciato sul ciclo più aggressivo (US06), dove l'ECM-UDE ha ridotto il MAE del 45,2% rispetto all'LSTM.

Significato e Affermazioni
Il documento afferma che l'ECM-UDE corretto dai residui offre un potenziamento leggero e interpretabile per i modelli di circuito di ordine inferiore. Il significato risiede nella dimostrazione che:

• Ancoraggio Fisico: Il modello fisico fornisce un "ancoraggio di tensione" stabile che impedisce al modello puramente appreso di degradarsi sotto spostamenti delle condizioni operative (variazioni di temperatura e cicli di guida).
• Complementarità: La schiena fisica e la correzione appresa sono complementari piuttosto che ridondanti. Il circuito gestisce la struttura dominante, mentre il componente neurale compensa i residui strutturati.
• Praticità: L'approccio ottiene guadagni sostanziali di accuratezza senza sostituire l'ECM con un grande modello scatola nera, rendendolo un candidato praticabile per l'integrazione in schemi di stima SOC basati su osservatori nei BMS.

Gli autori notano che, sebbene i risultati siano promettenti per la cella con chimica NCA specifica testata, la generalizzabilità ad altre chimiche (ad es. LFP, NMC) e formati di cella richiede ulteriori valutazioni. Si suggerisce un lavoro futuro per esplorare l'integrazione a livello di osservatore e l'adattamento esplicito dei parametri dipendenti dalla temperatura.