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

技术摘要：基于通用微分方程的残差校正等效电路模型

问题陈述
准确的端电压预测是基于模型的电池管理系统（BMS）的基础，作为扩展卡尔曼滤波（EKF）等状态估计器的主要校正信号。然而，现有方法面临权衡：

• 低阶等效电路模型（ECM）： 虽然计算效率高且可解释，但一阶戴维南模型（ECM-1RC）缺乏表达能力，无法捕捉真实运行条件下的非线性、温度依赖性和瞬态行为。这种结构失配会导致电压误差，进而使下游状态估计产生偏差。
• 纯数据驱动模型： 深度学习方案（如 LSTM）在匹配条件下具有灵活性和高精度，但往往牺牲可解释性，且在面临运行条件变化（如温度变化或未见过的驾驶循环）时会出现性能下降。

本文旨在解决实现鲁棒电压预测的挑战，即在保持物理模型可解释性的同时，补偿其结构局限性，特别是在温度变化和不同驾驶循环剖面等分布偏移条件下。

方法论
作者提出了一种残差校正混合公式，实现为基于 ECM 的通用微分方程（ECM-UDE）。核心架构将物理模型与可学习的神经组件集成：

1. 物理骨干（ECM-1RC）： 模型保留一阶戴维南电路结构。端电压 $V(t)$ 由标准关系式控制：
   $$V(t) = OCV(z(t)) - R_0 I(t) - V_1(t)$$
   其中 $OCV$为开路电压，$R_0$为欧姆电阻，$V_1(t)$ 为极化电压。
2. 潜在极化动力学： 极化状态 $V_1(t)$ 的演化被修改为包含可学习的校正项 $f_\theta$：
   $$\dot{V}_1(t) = -\frac{V_1(t)}{R_1 C_1} + \frac{I(t)}{C_1} + f_\theta(V_1(t), I(t), z(t), T_{cell}(t))$$
   此处，$f_\theta$ 是一个紧凑的神经网络（多层感知机），仅校正降阶电路无法捕捉的结构失配（残差）。
3. 状态传播： 与标准 ECM 不同，该混合模型将荷电状态（SOC, $z$）作为动态状态在内部传播（$\dot{z} = -\eta I(t)/Q_{nom}$），减少了预测窗口内对外部提供的 SOC 轨迹的依赖。
4. 训练协议：
   • 预热启动： ECM-1RC 参数（$R_0, R_1, C_1$ 和 OCV 系数）首先通过训练数据上的非线性最小二乘法识别。这些参数初始化混合模型，确保神经校正从第一个训练周期起就在“低残差区间”内运行。
   • 优化： 混合模型使用 Adam 优化器在均方误差损失上进行端到端训练。
   • 归一化： 流程采用混合归一化策略：电流和电压通过经验 z 分数进行归一化，而温度和 SOC 则使用固定的、基于物理的常数进行归一化，以确保分布外转移期间的稳定性。

主要贡献

1. 结构局部化的残差校正： 与以往可能在输出层应用校正的混合方法不同，该方法将神经组件 exclusively 嵌入到潜在极化动力学中。物理模型保留对主导电压结构（OCV、欧姆压降和 RC 动力学）的责任。
2. 以鲁棒性为中心的评估： 本研究引入了一套严格的评估协议，从四个维度评估性能：
   • 匹配条件下的预测（25°C 下的 UDDS）。
   • 对推理时 SOC 不确定性的敏感性。
   • 零样本温度转移（25°C 至 -20°C）。
   • 零样本驾驶循环转移（UDDS 至 US06、LA92、HWFET）。
3. 稳定性证明： 该工作强调，混合方法不仅提高了精度，而且与纯数据驱动基线相比显著降低了种子间的变异性，表明具有更高的优化稳定性。

结果
实验在公共 Panasonic 18650PF 数据集上进行。ECM-UDE 与独立 ECM-1RC 和堆叠 LSTM 基线进行了比较。

• 匹配条件（UDDS, 25°C）： ECM-UDE 实现了 39.16 mV 的平均绝对误差（MAE），优于 LSTM（75.89 mV）和 ECM-1RC（127.97 mV）。这代表相对于 LSTM 的 MAE 降低了 48%。此外，ECM-UDE 表现出低一个数量级的种子间变异性（变异系数：0.44% 对比 LSTM 的 6.20%）。
• 推理时 SOC 扰动： 当向 SOC 输入添加高斯噪声时，ECM-UDE 在所有噪声水平（$\sigma_z \in \{0.01, 0.02, 0.05\}$）下均保持了最低的绝对误差，尽管其敏感性略高于确定性 ECM-1RC。
• 温度转移（零样本）： 随着温度从 25°C 降至 -20°C，所有模型性能均下降。然而，ECM-UDE 始终保持着最高的精度。在 -20°C 时，ECM-UDE 的 MAE 为 173.63 mV，而 LSTM 为 193.45 mV，ECM-1RC 为 182.92 mV。
• 驾驶循环转移： 在零样本转移到未见过的循环（US06、LA92、HWFET）时，ECM-UDE 在所有目标上均实现了最低误差。相对增益在最激进的循环（US06）上最为显著，ECM-UDE 将 MAE 相对于 LSTM 降低了 45.2%。

意义与主张
本文主张，残差校正的 ECM-UDE 为低阶电路模型提供了一种轻量级且可解释的增强。其意义在于证明了：

• 物理锚定： 物理模型提供了一个稳定的“电压锚点”，防止纯学习模型在运行条件变化（温度和驾驶循环变化）下性能退化。
• 互补性： 物理骨干与学习到的校正互为补充而非冗余。电路处理主导结构，而神经组件补偿结构残差。
• 实用性： 该方法在不将 ECM 替换为大型黑盒模型的情况下实现了显著的精度提升，使其成为集成到 BMS 中基于观测器的 SOC 估计方案的可行候选者。

作者指出，虽然结果对于所测试的特定 NCA 化学体系电池具有前景，但推广到其他化学体系（如 LFP、NMC）和电池封装形式仍需进一步评估。未来的工作建议探索观测器层面的集成以及显式的温度依赖参数自适应。