Technische Samenvatting: KAN-Therm

Probleemstelling

Betrouwbare werking van Lithium-ion-batterijen is cruciaal voor veiligheid en levensduur, met name in veiligheidskritische toepassingen zoals elektrische voertuigen en slimme netwerken. Een belangrijke uitdaging is de nauwkeurige real-time schatting van de kerntemperatuur van de batterij, die niet direct meetbaar is. Hoewel er hoogwaardige fysisch gebaseerde modellen bestaan (bijv. H∞-observatoren, Kalman-filters), lijden deze onder hoge rekenvereisten, moeilijkheden bij parameterisatie en slechte waarneembaarheid, waardoor ze ongeschikt zijn voor resource-beperkte fysieke Batterijbeheersystemen (BMS). Omgekeerd bieden bestaande datagedreven benaderingen (bijv. MLP's, LSTMS, XGBoost) snellere schattingen, maar vereisen ze vaak aanzienlijke geheugenoverhead en rekenkracht om complexe netwerkstructuren op te slaan, wat een afweging creëert tussen nauwkeurigheid en inzetbaarheid op embedded hardware.

Methodologie

De auteurs stellen KAN-Therm voor, een lichtgewicht, datagedreven thermisch model gebaseerd op Kolmogorov-Arnold-netwerken (KAN's) om de kerntemperatuur van een cilindrische batterijcel te schatten.

1. Theoretische Grondslag

In tegenstelling tot traditionele Multi-Layer Perceptrons (MLP's) die vaste niet-lineaire activeringsfuncties gebruiken met leerbare lineaire gewichten, vervangen KAN's scalare gewichten door leerbare univariate functies (geparametriseerd door B-splines) op de randen. Deze architectuur is gebaseerd op de representatietheorema van Kolmogorov-Arnold, waardoor het netwerk complexe niet-lineaire relaties kan vastleggen met minder parameters en verbeterde interpreteerbaarheid.

2. Datageneratie

Trainings- en validatiegegevens werden gegenereerd met behulp van een geconcentreerd parameterthermisch model van een 2,3 Ah cilindrische LiFePO4–LiC6-batterijcel. Het model simuleert de dynamiek van de kerntemperatuur ($T_1$), oppervlaktetemperatuur ($T_2$) en koelvloeistoftemperatuur ($T_\infty$) onder verschillende omstandigheden:

• Invoeren: Toegepaste stroom ($I$), koelvermogen ($\dot{Q}_c$), koelvloeistoftemperatuur ($T_\infty$) en oppervlaktetemperatuur ($T_2$).
• Scenario's: Gegevens zijn verzameld uit Urban Dynamometer Driving Schedule (UDDS), US06 en VEIL2NREL-rijcycli, evenals constante stroom (CC)-laadprofielen variërend van 0,9C tot 10C.
• Ruis: Realistische sensorruis (Gaussische ruis met $\sigma=0,015K$ voor temperatuur en $\sigma=0,006A$ voor stroom) is toegevoegd om fysieke metingen te simuleren.

3. Modelarchitectuur en Training

• Structuur: Het KAN-Therm-model maakt gebruik van een compacte architectuur met een invoerlaag van 4 knopen, een verborgen laag van 1 knoop en een uitvoerlaag van 1 knoop (configuratie [[4, 1, 1]]).
• Hyperparameter-optimalisatie: Een uitgebreide grid search is uitgevoerd om optimale instellingen te bepalen, waaronder spline-orde ($k=3$), gridintervallen ($G=2$), verspreidingsstraffen ($\lambda, \nu_1, \nu_2$) en trainingsepoches (70).
• Verliesfunctie: Het trainingsdoel minimaliseert een combinatie van de gemiddelde kwadratische voorspellingsfout en regularisatietermen (L1-norm en zelfentropie) om modelverspreiding en compactheid af te dwingen.
• Basislijnen: Het model is vergeleken met vier state-of-the-art benchmarks: MLP, RNN, LSTM en XGBoost, allemaal afgestemd via grid search.

Belangrijkste Bijdragen

1. Ontwikkeling van KAN-Therm: Het artikel introduceert een specifieke op KAN gebaseerde architectuur die is toegesneden op schatting van de batterijkerntemperatuur, en toont aan dat leerbare activeringsfuncties thermische dynamica effectief kunnen modelleren met extreme parameter-efficiëntie.
2. Optimalisatie voor fysieke BMS: Door rigoureuze hyperparameter-tuning hebben de auteurs een configuratie geïdentificeerd die nauwkeurigheid in evenwicht brengt met de strenge geheugen- en rekenbeperkingen van fysieke BMS-hardware (bijv. systemen met beperkt FRAM).
3. Uitgebreide Benchmarking: De studie biedt een gedetailleerde vergelijking van KAN met traditionele neurale netwerken en op bomen gebaseerde modellen over vijf metrieken: aantal parameters, schattingsduur en RMSE (training, validatie en test).

Resultaten

De prestatievergelijking op een testdataset (inclusief constante stroom en dynamische VEIL2NREL-profielen) leverde de volgende bevindingen op:

• Parameter-efficiëntie: KAN-Therm is het meest compacte model en vereist slechts 25 leerbare parameters. Dit is aanzienlijk minder dan de RNN (121), MLP (369), LSTM (877) en XGBoost (6.000).
• Rekensnelheid: KAN-Therm behaalde de snelste schattingsduur van 0,0395 µs per steekproef. Het was ongeveer 21,7 keer sneller dan de RNN, 12,5 keer sneller dan de LSTM en 20,4 keer sneller dan XGBoost. Het presteerde ook beter dan het fysisch gebaseerde numerieke integratiemodel (1,3 µs).
• Nauwkeurigheid:
  • Test-RMSE: De RNN behaalde de laagste test-RMSE (0,0334 K), gevolgd door LSTM (0,0359 K). KAN-Therm behaalde een test-RMSE van 0,0477 K.
  • Foutanalyse: Het verschil in RMSE tussen de best presterende RNN en KAN-Therm is 0,0143 K, wat volgens de auteurs vergelijkbaar is met het sensorniveau (0,015 K).
  • Afweging: Hoewel KAN-Therm een iets hogere RMSE heeft dan de RNN en LSTM, biedt het een superieur evenwicht tussen nauwkeurigheid en efficiëntie. De relatieve fout van KAN-Therm is ongeveer 0,0125%, wat voldoende wordt geacht voor downstream veiligheidstoepassingen.

Betekenis en Claims

Het artikel beweert dat KAN-Therm de tweespalt tussen gewenste schattingsnauwkeurigheid en realistische toepasbaarheid in batterijbeheer succesvol aanpakt. Door gebruik te maken van de parameter-efficiëntie en interpreteerbaarheid van KAN's, biedt het model een lichtgewicht alternatief dat geschikt is voor implementatie op resource-beperkte fysieke BMS-hardware waar hoogwaardige modellen te rekenintensief zijn en standaard neurale netwerken te geheugenintensief.

De auteurs benadrukken dat KAN-Therm, hoewel het RNN's niet strikt overtreft in pure nauwkeurigheid, door de enorme reductie in aantal parameters (79,3% minder dan RNN) en inferentietijd (21,7x sneller) een levensvatbare en schaalbare oplossing biedt voor real-time, veiligheidskritische thermische monitoring in embedded systemen. Het werk suggereert dat KAN's complexere architecturen effectief kunnen vervangen in scenario's waar rekenkracht beperkt is.