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

Technische Samenvatting: Residueel-gecorrigeerd Equivalent-Schakelmodel met Universele Differentiaalvergelijkingen

Probleemstelling
Accurate voorspelling van de klemspanning is fundamenteel voor modelgebaseerde batterijbeheersystemen (BMS) en dient als het primaire correctiesignaal voor toestandschatters zoals de Extended Kalman Filter (EKF). Bestaande benaderingen staan echter voor een afweging:

• Laag-ordelijke Equivalent-Schakelmodellen (ECM): Hoewel ze computatie-efficiënt en interpreteerbaar zijn, missen eerste-orde Thevenin-modellen (ECM-1RC) de expressiviteit om niet-lineair, temperatuur-afhankelijk en transient gedrag onder realistische bedrijfsomstandigheden vast te leggen. Deze structurele mismatch leidt tot spanningsfouten die downstream toestandschatting kunnen bevooroordelen.
• Puur datagedreven modellen: Deep learning-benaderingen (bijv. LSTMs) bieden flexibiliteit en hoge nauwkeurigheid onder overeenkomende omstandigheden, maar offeren vaak interpreteerbaarheid op en lijden onder prestatiedegradeatie wanneer ze geconfronteerd worden met verschuivingen in bedrijfsomstandigheden (bijv. temperatuurveranderingen of onbekende rijcycli).

Het artikel adresseert de uitdaging om robuuste spanningsvoorspelling te bereiken die de interpreteerbaarheid van fysieke modellen behoudt, terwijl het hun structurele beperkingen compenseert, specifiek onder distributieverschuivingen zoals temperatuurvariaties en verschillende profielen van rijcycli.

Methodologie
De auteurs stellen een Residueel-gecorrigeerde Hybride Formulering voor, geïmplementeerd als een ECM-gebaseerde Universele Differentiaalvergelijking (ECM-UDE). De kernarchitectuur integreert een fysiek model met een leerbare neurale component:

1. Fysieke Ruggegraat (ECM-1RC): Het model behoudt een eerste-orde Thevenin-schakelstructuur. De klemspanning $V(t)$ wordt geregeerd door de standaardrelatie:
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   waarbij $OCV$ de open-klemspanning is, $R_0$ de ohmse weerstand, en $V_1(t)$ de polarisatiespanning.
2. Latente Polarisatiedynamiek: De evolutie van de polarisatietoestand $V_1(t)$ wordt gewijzigd om een leerbare correctieterm $f_\theta$ op te nemen:
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   Hierbij is $f_\theta$ een compact neurale netwerk (een meerlaagse perceptron) dat uitsluitend de gestructureerde mismatch (residuen) corrigeert die het gereduceerde schakelmodel niet kan vastleggen.
3. Staatpropagatie: In tegenstelling tot standaard ECM's, propageert het hybride model de Laadtoestand (SOC, $z$) intern als een dynamische staat ($\dot{z} = -\eta I(t)/Q_{nom}$), waardoor de afhankelijkheid van extern aangeleverde SOC-trajecten binnen het voorspellingsvenster wordt verminderd.
4. Trainingsprotocol:
   • Warm-Start: ECM-1RC-parameters ($R_0, R_1, C_1$, en OCV-coëfficiënten) worden eerst geïdentificeerd via niet-lineaire kleinste-kwadraten op trainingsdata. Deze parameters initialiseren het hybride model, zodat de neurale correctie vanaf het eerste trainingsepoch in een "laag-residu-regime" opereert.
   • Optimalisatie: Het hybride model wordt end-to-end getraind met Adam-optimalisatie op een gemiddeld-kwadratische foutverliesfunctie.
   • Normalisatie: De pijplijn maakt gebruik van een hybride normalisatiestrategie: stroom en spanning worden genormaliseerd via empirische z-scores, terwijl temperatuur en SOC worden genormaliseerd met behulp van vaste, door de fysica geïnformeerde constanten om stabiliteit te waarborgen tijdens overdracht buiten de verdeling.

Belangrijkste Bijdragen

1. Structureel Gelokaliseerde Residu-correctie: In tegenstelling tot eerdere hybride benaderingen die correcties op het uitvoerniveau kunnen toepassen, integreert deze methode de neurale component uitsluitend binnen de latente polarisatiedynamiek. Het fysieke model behoudt de verantwoordelijkheid voor de dominante spanningsstructuur (OCV, ohms verlies en RC-dynamiek).
2. Robuustheid-gecentreerde Evaluatie: De studie introduceert een rigoureus evaluatieprotocol dat prestaties beoordeelt over vier assen:
   • Voorspelling onder overeenkomende omstandigheden (UDDS bij 25°C).
   • Gevoeligheid voor SOC-onzekerheid tijdens inferentie.
   • Zero-shot temperatuurtransfer (van 25°C naar -20°C).
   • Zero-shot transfer van rijcycli (van UDDS naar US06, LA92, HWFET).
3. Demonstratie van Stabiliteit: Het werk benadrukt dat de hybride aanpak niet alleen de nauwkeurigheid verbetert, maar ook de variabiliteit tussen verschillende seeds aanzienlijk verlaagt in vergelijking met puur datagedreven baselines, wat wijst op een grotere optimalisatiestabiliteit.

Resultaten
Experimenten werden uitgevoerd op een publieke Panasonic 18650PF-dataset. De ECM-UDE werd vergeleken met een standalone ECM-1RC en een gestapelde LSTM-baseline.

• Overeenkomende Omstandigheden (UDDS, 25°C): De ECM-UDE behaalde een Gemiddelde Absolute Fout (MAE) van 39,16 mV, wat beter presteerde dan de LSTM (75,89 mV) en de ECM-1RC (127,97 mV). Dit vertegenwoordigt een reductie van 48% in MAE ten opzichte van de LSTM. Bovendien vertoonde de ECM-UDE een variabiliteit tussen verschillende seeds die een orde van grootte lager was (Variatiecoëfficiënt: 0,44% versus 6,20% voor de LSTM).
• Perturbatie van SOC tijdens Inferentie: Wanneer Gaussisch ruis werd toegevoegd aan de SOC-input, behield de ECM-UDE de laagste absolute fout over alle ruisniveaus ($\sigma_z \in \{0,01, 0,02, 0,05\}$), hoewel het iets gevoeliger bleek dan de deterministische ECM-1RC.
• Temperatuurtransfer (Zero-Shot): Naarmate de temperatuur daalde van 25°C naar -20°C, degradeerden alle modellen. De ECM-UDE bleef echter consequent het meest nauwkeurig. Bij -20°C behaalde de ECM-UDE een MAE van 173,63 mV, vergeleken met 193,45 mV voor de LSTM en 182,92 mV voor de ECM-1RC.
• Transfer van Rijcycli: Onder zero-shot transfer naar onbekende cycli (US06, LA92, HWFET) behaalde de ECM-UDE de laagste fout op alle doelen. De relatieve winst was het meest uitgesproken op de meest agressieve cyclus (US06), waarbij de ECM-UDE de MAE met 45,2% verlaagde ten opzichte van de LSTM.

Betekenis en Claims
Het artikel claimt dat de residueel-gecorrigeerde ECM-UDE een lichtgewicht en interpreteerbare verbetering biedt voor laag-ordelijke schakelmodellen. De betekenis ligt in de demonstratie dat:

• Fysieke Verankering: Het fysieke model een stabiele "spanningsanker" biedt die voorkomt dat het puur geleerde model degradeert onder verschuivingen in bedrijfsomstandigheden (temperatuur- en rijcyclusvariaties).
• Complementariteit: De fysieke ruggegraat en de geleerde correctie zijn complementair in plaats van redundant. Het circuit behandelt de dominante structuur, terwijl de neurale component gestructureerde residuen compenseert.
• Praktijktoepasbaarheid: De aanpak behaalt aanzienlijke nauwkeurigheidswinsten zonder de ECM te vervangen door een groot black-box-model, waardoor het een levensvatbare kandidaat is voor integratie in observer-gebaseerde SOC-schattingsschema's in BMS.

De auteurs merken op dat hoewel de resultaten veelbelovend zijn voor de geteste NCA-chemiecel, generaliseerbaarheid naar andere chemieën (bijv. LFP, NMC) en celformaten verdere beoordeling vereist. Toekomstig werk wordt voorgesteld om integratie op observer-niveau en expliciete temperatuurafhankelijke parameteraanpassing te verkennen.