A Hybrid Tucker-LSTM Tensor Network Model for SOC Prediction in Electric Vehicles

Riepilogo Tecnico: Un Modello di Rete Tensoriale Ibrido Tucker-LSTM per la Previsione dello Stato di Carica (SOC) nei Veicoli Elettrici

Enunciato del Problema
Una stima accurata dello Stato di Carica (SOC) è un requisito fondamentale per la sicurezza, l'efficienza e la longevità dei sistemi di gestione delle batterie (BMS) nei veicoli elettrici (EV). Sebbene esistano metodi tradizionali come il conteggio degli ampere-ora, la calibrazione della tensione a circuito aperto e il filtraggio basato su modelli, essi spesso soffrono di deriva cumulativa, sensibilità ai parametri e limitata robustezza in ambienti operativi non lineari e dinamici. Al contrario, gli approcci basati sui dati offrono un'alternativa promettente imparando comportamenti complessi delle batterie direttamente dalle misurazioni storiche, senza fare affidamento su ipotesi fisiche semplificate. Tuttavia, i dati reali delle batterie per veicoli elettrici presentano sfide significative: sono ad alta dimensionalità, multivariati e fortemente correlati nel tempo. Inserire direttamente tali dati grezzi e ridondanti in modelli sequenziali come le reti Long Short-Term Memory (LSTM) può introdurre ridondanza delle caratteristiche, ampliare lo spazio dei parametri e ridurre la stabilità predittiva, specialmente quando esistono dipendenze strutturali latenti tra i canali di rilevamento e il tempo.

Metodologia
Per affrontare queste sfide, gli autori propongono un modello di rete tensoriale ibrido Tucker-LSTM progettato per la previsione del SOC lungo l'intero ciclo di vita, utilizzando dati operativi reali di veicoli elettrici. La metodologia consta di quattro fasi principali:

1. Cura e Preprocessing dei Dati: Lo studio utilizza un dataset contenente registrazioni operative dell'intero ciclo di vita di un veicolo elettrico (da 0 a 38.548,7 km), aderente allo standard nazionale cinese GB/T 32960.3-2016. Il dataset include 14 caratteristiche operative come stato di carica, velocità del veicolo, chilometraggio accumulato, tensione e corrente totale del pacco, differenze di tensione tra le celle e metriche di temperatura. I dati vengono elaborati mediante allineamento temporale, codifica dello stato operativo e costruzione di caratteristiche a finestra scorrevole per catturare la dinamica della batteria.
2. Riduzione della Dimensionalità Basata su Tucker: Viene costruito un tensore tridimensionale con dimensioni che rappresentano campioni, finestre temporali e caratteristiche. Su questo tensore viene applicata la decomposizione di Tucker per estrarre fattori latenti compatti e un tensore centrale. Nello specifico, la modalità delle caratteristiche viene proiettata su un sottospazio a rango ridotto (mantenendo 10 componenti) tramite analisi degli autovalori della matrice di covarianza. Questo processo comprime le misurazioni multimodali preservando le loro caratteristiche strutturali multivariabili e le dipendenze temporali, riducendo efficacemente la dimensionalità di input da 14 caratteristiche a 10 componenti latenti.
3. Architettura Ibrida di Previsione Sequenziale: Le caratteristiche latenti compresse vengono inviate a una rete LSTM. L'architettura impiega due livelli LSTM con una dimensione nascosta di 64 e un tasso di dropout di 0,2, seguiti da un livello di output lineare. Per garantire un confronto equo, un modello LSTM standard di base viene addestrato sullo spazio delle caratteristiche originale a 14 dimensioni utilizzando gli stessi iperparametri.
4. Addestramento e Valutazione: I dati vengono suddivisi cronologicamente (70% addestramento, 15% validazione, 15% test) per prevenire il bias di previsione futura. I modelli sono addestrati utilizzando l'ottimizzatore Adam con una funzione di perdita di Errore Quadratico Medio (MSE). Le prestazioni sono valutate utilizzando MSE, Radice dell'Errore Quadratico Medio (RMSE), Errore Assoluto Medio (MAE) e il Coefficiente di Determinazione ($R^2$).

Contributi Chiave
Il paper apporta due contributi principali al campo della gestione delle batterie per veicoli elettrici:

• Apprendimento di Rappresentazioni Tensorizzate: Introduce una strategia per la previsione del SOC delle batterie che utilizza la decomposizione di Tucker per ridurre le informazioni ridondanti nei dati di monitoraggio ad alta dimensionalità. Questo approccio comprime efficacemente i dati senza distruggere la struttura temporale sottostante.
• Framework Ibrido Unificato: Stabilisce una pipeline predittiva che integra la decomposizione di Tucker per la compressione delle caratteristiche strutturali con l'LSTM per la modellazione delle sequenze temporali. Questo design colma il divario tra l'apprendimento tensoriale a rango ridotto e l'apprendimento profondo sequenziale per l'analisi delle batterie per veicoli elettrici lungo l'intero ciclo di vita.

Risultati Sperimentali
Il modello Tucker-LSTM proposto dimostra una superiorità inequivocabile rispetto alla baseline LSTM standard su tutte le metriche di valutazione nel set di test:

• MSE: Ridotto del 70,5%, scendendo da 21,07 (LSTM) a 6,22 (Tucker-LSTM).
• MAE: Migliorato del 48,7%, diminuendo dal 3,37% all'1,73%.
• RMSE: Sceso dal 4,59% al 2,49%.
• $R^2$: Aumentato da 0,918 a 0,976.

L'analisi qualitativa conferma che, mentre entrambi i modelli tracciano la tendenza generale, il modello Tucker-LSTM si allinea più precisamente ai valori reali durante le rapide variazioni del SOC. La distribuzione dell'errore per il modello proposto è più strettamente centrata attorno allo zero con un picco più ripido, indicando una ridotta distorsione e varianza.

Significato e Affermazioni
Gli autori concludono che la decomposizione tensoriale comprime efficacemente i dati delle batterie ad alta dimensionalità senza compromettere la fedeltà predittiva. Lo studio postula che questo approccio ibrido apra una nuova direzione per l'analisi basata sui tensori nella gestione delle batterie per veicoli elettrici. Dimostrando che la compressione di dati ad alta dimensionalità tramite decomposizione di Tucker preserva le informazioni strutturali essenziali migliorando al contempo l'efficienza dell'apprendimento, il paper suggerisce che tali metodi sono preziosi per migliorare la robustezza predittiva in ambienti di dati temporali complessi e strutturati. Il lavoro convalida che l'integrazione della compressione delle caratteristiche strutturate con la modellazione sequenziale può superare significativamente i modelli sequenziali standard nelle attività di stima del SOC.