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

Resumo Técnico: Modelagem de Sequência Orientada por Operadores e Física das Dinâmicas de Tensão de Baterias de Íon-Lítio

Enunciado do Problema
A modelagem precisa das dinâmicas de tensão de baterias de íon-lítio é crítica para sistemas de gerenciamento de baterias (BMS) a fim de garantir operação segura, estimativa de estado e monitoramento de saúde. As baterias exibem comportamentos não lineares complexos que variam com as condições operacionais e estados de envelhecimento. Embora modelos baseados em física (por exemplo, P2D) ofereçam alta fidelidade, eles incorrem em altos custos computacionais. Modelos de circuito equivalente (ECMs) são computacionalmente eficientes, mas frequentemente lutam para representar dinâmicas dependentes da degradação sem identificação extensiva de parâmetros. Por outro lado, métodos puramente orientados a dados (por exemplo, SINDy, NARX) podem ser sensíveis a ruídos e carecer de estruturas de espaço de estado explícitas adequadas para controle. Este estudo aborda o desafio de modelar respostas de tensão sob excitação de Caracterização Híbrida de Pulso de Potência (HPPC), comparando especificamente uma abordagem teórica de operadores contra uma arquitetura de aprendizado profundo orientada por física para determinar sua eficácia em termos de precisão, robustez à degradação e interpretabilidade.

Metodologia
O estudo avalia dois frameworks distintos orientados a dados utilizando dados HPPC de uma célula de íon-lítio de 30 Ah:

1. Modelo DMDc Teórico de Operadores:

   • Framework: A Decomposição de Modo Dinâmico com controle (DMDc) é empregada para identificar matrizes de sistema linear diretamente a partir de dados de medição.
   • Representação de Dados: Snapshots embutidos com atraso de tensão terminal e corrente são construídos usando matrizes de Hankel para elevar dependências temporais a um espaço observável de Koopman.
   • Formulação: O método resolve operadores lineares $A$ (transição de estado) e $B$ (mapa de entrada) que satisfazem a relação $x_{k+1} \approx Ax_k + Bu_k$, onde $x$ representa o estado de tensão embutido e $u$ representa a entrada de corrente.
   • Treinamento/Teste: O modelo é identificado usando dados do estado saudável (até o ciclo 100) e subsequentemente aplicado para prever trajetórias de tensão em estados degradados (ciclos 120, 140 e 160) sem retreinamento, para avaliar a robustez.

2. Modelo de Sequência Baseado em Transformer Orientado por Física:

   • Arquitetura: Uma arquitetura PatchTST (Patch Time Series Transformer) modificada é desenvolvida.
   • Decomposição Orientada por Física: Em vez de prever a tensão terminal bruta, o modelo prevê o resíduo dinâmico $V_{dyn}(t)$. A tensão total é decomposta como $V(t) = V_{OCV}(SOC(t)) + V_{dyn}(t)$, onde o componente de Tensão de Circuito Aberto (OCV) é computado analiticamente usando um pseudo-Estado de Carga (SOC) derivado da contagem de Coulomb e uma tabela de consulta empírica. Isso remove a deriva termodinâmica de baixa frequência, permitindo que o modelo se concentre em dinâmicas transitórias rápidas.
   • Fusão de Entrada: O modelo incorpora uma "via de fusão de corrente futura", utilizando explicitamente o perfil de corrente futura conhecido prescrito pelo protocolo HPPC durante a inferência.
   • Treinamento/Teste: O modelo é treinado em uma partição por nível de arquivo do conjunto de dados (ciclos 1–100) e avaliado em arquivos de teste retidos (ciclos 101–160) usando uma estratégia de inferência autorregressiva em blocos.

Principais Contribuições

• Análise Comparativa: O trabalho fornece uma comparação direta entre um modelo interpretável de operadores lineares (DMDc) e um modelo de aprendizado profundo não linear flexível (PatchTST) para previsão de tensão de bateria sob condições HPPC idênticas.
• Aprendizado Profundo Orientado por Física: Introduz uma estratégia específica de decomposição para transformers em aplicações de bateria, separando o componente OCV solúvel analiticamente do resíduo dinâmico aprendido e integrando entradas futuras conhecidas (corrente) ao mecanismo de atenção.
• Avaliação de Robustez à Degração: O estudo avalia o desempenho do modelo em células degradadas usando operadores/pesos treinados exclusivamente em dados de estado saudável, destacando as capacidades de generalização de ambos os frameworks.
• Análise Modal: A abordagem DMDc é mostrada para produzir autovalores que refletem o comportamento dissipativo do sistema, oferecendo uma métrica potencial para caracterizar o envelhecimento.

Resultados

• Precisão de Previsão: Sob o regime de dados limitado atual, o modelo DMDc superou o modelo baseado em transformer. Para os ciclos 120, 140 e 160, o DMDc alcançou Erros Quadráticos Médios (RMSE) de aproximadamente 0,011 V, enquanto o modelo transformer alcançou RMSEs em torno de 0,021 V.
• Robustez à Degradação: O modelo DMDc, treinado em dados saudáveis, manteve alta precisão e capturou dinâmicas de pulso transitório agudas e comportamentos de relaxamento lentos em ciclos degradados com desvio mínimo. O modelo transformer, embora capturando dinâmicas qualitativamente semelhantes, exibiu maior acumulação de erro durante a execução autorregressiva.
• Comportamento Modal: Os autovalores DMDc identificados mostraram uma diminuição sistemática nas magnitudes modais ($r = |\lambda|$) à medida que a bateria envelhecia, indicando dinâmicas cada vez mais dissipativas.
• Eficiência de Dados: O modelo DMDc demonstrou desempenho superior com menos parâmetros e dados de treinamento menos diversos, atribuído ao seu forte prior estrutural (evolução controlada linear). O modelo transformer, com ~3,35 milhões de parâmetros, lutou para generalizar robustamente dada a diversidade limitada do conjunto de dados HPPC (célula única, protocolo único).

Significado e Alegações
O artigo conclui que, para previsão de tensão de bateria sob excitação HPPC, a abordagem DMDc teórica de operadores oferece um equilíbrio favorável de precisão, robustez, interpretabilidade e eficiência computacional. O estudo destaca que, embora modelos transformer orientados por física possuam flexibilidade arquitetural e o potencial de capturar dependências não lineares complexas, seu desempenho neste contexto específico foi limitado pelo tamanho e diversidade do conjunto de dados disponível.

Os autores afirmam modestamente que seus resultados não provam que modelos transformer são inerentemente inferiores para aplicações de bateria. Em vez disso, eles sugerem que as vantagens das abordagens baseadas em transformer podem ser realizadas apenas quando treinadas em conjuntos de dados substancialmente maiores e mais heterogêneos, abrangendo múltiplas células, trajetórias de envelhecimento e condições operacionais. Por outro lado, o estudo posiciona métodos teóricos de operadores como altamente promissores para diagnóstico e prognóstico adaptativo de baterias, particularmente em cenários onde os dados são limitados ou a interpretabilidade é primordial.