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

Resumo Técnico: Modelo de Circuito Equivalente Corrigido por Resíduos com Equações Diferenciais Universais

Declaração do Problema
A previsão precisa da tensão terminal é fundamental para sistemas de gerenciamento de baterias (BMS) baseados em modelos, servindo como o sinal de correção primário para estimadores de estado como o Filtro de Kalman Estendido (EKF). No entanto, as abordagens existentes enfrentam um trade-off:

• Modelos de Circuito Equivalente (ECM) de Baixa Ordem: Embora computacionalmente eficientes e interpretáveis, os modelos de Thévenin de primeira ordem (ECM-1RC) carecem da expressividade para capturar comportamentos não lineares, dependentes da temperatura e transitórios sob condições operacionais realistas. Essa incompatibilidade estrutural leva a erros de tensão que podem enviesar a estimativa de estado a jusante.
• Modelos Puramente Baseados em Dados: Abordagens de aprendizado profundo (por exemplo, LSTMs) oferecem flexibilidade e alta precisão sob condições correspondentes, mas frequentemente sacrificam a interpretabilidade e sofrem degradação de desempenho ao enfrentar mudanças nas condições operacionais (por exemplo, variações de temperatura ou ciclos de condução não vistos).

O artigo aborda o desafio de alcançar uma previsão robusta de tensão que mantenha a interpretabilidade dos modelos físicos enquanto compensa suas limitações estruturais, especificamente sob deslocamentos de distribuição, como variações de temperatura e diferentes perfis de ciclos de condução.

Metodologia
Os autores propõem uma Formulação Híbrida Corrigida por Resíduos implementada como uma Equação Diferencial Universal baseada em ECM (ECM-UDE). A arquitetura central integra um modelo físico com um componente neural aprendível:

1. Espinha Dorsal Física (ECM-1RC): O modelo retém uma estrutura de circuito de Thévenin de primeira ordem. A tensão terminal $V(t)$ é governada pela relação padrão:
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   onde $OCV$ é a tensão de circuito aberto, $R_0$ é a resistência ôhmica e $V_1(t)$ é a tensão de polarização.
2. Dinâmicas Latentes de Polarização: A evolução do estado de polarização $V_1(t)$ é modificada para incluir um termo de correção aprendível $f_\theta$:
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   Aqui, $f_\theta$ é uma rede neural compacta (um perceptron multicamadas) que corrige apenas a incompatibilidade estruturada (resíduos) que o circuito de ordem reduzida não consegue capturar.
3. Propagação de Estado: Diferentemente dos ECMs padrão, o modelo híbrido propaga o Estado de Carga (SOC, $z$) internamente como um estado dinâmico ($\dot{z} = -\eta I(t)/Q_{nom}$), reduzindo a dependência de trajetórias de SOC fornecidas externamente dentro da janela de previsão.
4. Protocolo de Treinamento:
   • Inicialização Aquecida (Warm-Start): Os parâmetros do ECM-1RC ($R_0, R_1, C_1$ e coeficientes de OCV) são primeiro identificados via mínimos quadrados não lineares em dados de treinamento. Esses parâmetros inicializam o modelo híbrido, garantindo que a correção neural opere em um "regime de baixo resíduo" desde a primeira época de treinamento.
   • Otimização: O modelo híbrido é treinado de ponta a ponta usando otimização Adam sobre a perda de erro quadrático médio.
   • Normalização: O pipeline utiliza uma estratégia de normalização híbrida: corrente e tensão são normalizados via escores-z empíricos, enquanto temperatura e SOC são normalizados usando constantes fixas informadas pela física para garantir estabilidade durante a transferência fora de distribuição.

Contribuições Principais

1. Correção de Resíduos Localizada Estruturalmente: Diferentemente de abordagens híbridas anteriores que podem aplicar correções no nível de saída, este método incorpora o componente neural exclusivamente dentro das dinâmicas latentes de polarização. O modelo físico retém a responsabilidade pela estrutura dominante de tensão (OCV, queda ôhmica e dinâmicas RC).
2. Avaliação Centrada na Robustez: O estudo introduz um protocolo de avaliação rigoroso que avalia o desempenho em quatro eixos:
   • Previsão em condições correspondentes (UDDS a 25°C).
   • Sensibilidade à incerteza de SOC no momento da inferência.
   • Transferência de temperatura zero-shot (de 25°C para -20°C).
   • Transferência de ciclo de condução zero-shot (de UDDS para US06, LA92, HWFET).
3. Demonstração de Estabilidade: O trabalho destaca que a abordagem híbrida não apenas melhora a precisão, mas também reduz significativamente a variabilidade entre sementes em comparação com baselines puramente baseadas em dados, indicando maior estabilidade de otimização.

Resultados
Os experimentos foram conduzidos em um conjunto de dados público da Panasonic 18650PF. O ECM-UDE foi comparado a um ECM-1RC autônomo e a uma baseline de LSTM empilhada.

• Condições Correspondentes (UDDS, 25°C): O ECM-UDE alcançou um Erro Absoluto Médio (MAE) de 39,16 mV, superando a LSTM (75,89 mV) e o ECM-1RC (127,97 mV). Isso representa uma redução de 48% no MAE em relação à LSTM. Além disso, o ECM-UDE exibiu uma variabilidade entre sementes uma ordem de magnitude menor (Coeficiente de Variação: 0,44% vs. 6,20% para a LSTM).
• Perturbação de SOC no Momento da Inferência: Quando ruído gaussiano foi adicionado à entrada de SOC, o ECM-UDE manteve o menor erro absoluto em todos os níveis de ruído ($\sigma_z \in \{0,01, 0,02, 0,05\}$), embora tenha mostrado uma sensibilidade ligeiramente maior do que o ECM-1RC determinístico.
• Transferência de Temperatura (Zero-Shot): À medida que a temperatura diminuiu de 25°C para -20°C, todos os modelos degradaram. No entanto, o ECM-UDE consistentemente permaneceu o mais preciso. A -20°C, o ECM-UDE alcançou um MAE de 173,63 mV, comparado a 193,45 mV para a LSTM e 182,92 mV para o ECM-1RC.
• Transferência de Ciclo de Condução: Sob transferência zero-shot para ciclos não vistos (US06, LA92, HWFET), o ECM-UDE alcançou o menor erro em todos os alvos. O ganho relativo foi mais pronunciado no ciclo mais agressivo (US06), onde o ECM-UDE reduziu o MAE em 45,2% em comparação com a LSTM.

Significado e Alegações
O artigo afirma que o ECM-UDE corrigido por resíduos oferece um reforço leve e interpretável para modelos de circuito de baixa ordem. O significado reside na demonstração de que:

• Ancoragem Física: O modelo físico fornece uma "âncora de tensão" estável que impede que o modelo puramente aprendido degrade sob mudanças nas condições operacionais (variações de temperatura e ciclos de condução).
• Complementaridade: A espinha dorsal física e a correção aprendida são complementares, e não redundantes. O circuito lida com a estrutura dominante, enquanto o componente neural compensa resíduos estruturados.
• Praticidade: A abordagem alcança ganhos substanciais de precisão sem substituir o ECM por um grande modelo de caixa preta, tornando-a uma candidata viável para integração em esquemas de estimativa de SOC baseados em observadores em BMS.

Os autores observam que, embora os resultados sejam promissores para a célula de química NCA específica testada, a generalização para outras químicas (por exemplo, LFP, NMC) e formatos de célula requer avaliação adicional. Trabalhos futuros são sugeridos para explorar a integração no nível do observador e a adaptação explícita de parâmetros dependentes da temperatura.