Sistema híbrido para previsão univariada do estado de carga de bateria de lítio

Resumo

As baterias de íons de lítio são dispositivos em crescente demanda, portanto o desenvolvimento de técnicas adequadas de gestão dos sistemas que as utilizam tem se tornado um tópico muito relevante. Previsões são sempre necessárias a fim de supervisionar células individuais e conjuntas; permitindo a existência de sistemas para controle de perigos, confiabilidade de desempenho e degradação precoce (ZHANG, 2017). Isto é concebido como sistema de gerenciamento da bateria e envolve estimar seus estados usando métricas como carga (state-of-charge - SoC), saúde (state-of-health - SoH), potência (state-of-power SoP), e vida (state-of-life (SoL). Todas elas são medidas do desempenho da bateria que não podem ser obtidas diretamente do dispositivo mas ao invés requerem cálculo indireto.Este sistema utiliza cem ciclos de dados de voltagem e corrente de saída na bateria medidos a uma taxa 1C (1 hora por ciclo completo) para calcular SoC implementando o método de contagem de Ampère-hora (Coulomb’s counting) baseado na previsão de valores de corrente. A estimação do SoC tem sido investigada através de várias abordagens desde análise electroquímica até técnicas de estimação com inteligência computacional, e a busca por maiores níveis de acurácia se explora na atualidade. Sistemas simples foram implementados para obter previsões do estado de carga da bateria, alguns utilizando princípios de estatística como ARIMA (Auto Regressive Integrated Moving Average) e ETS (Exponential Smoothing); outros com técnicas básicas de inteligência computacional como MLP (Multi-Layer Perceptron) e SVR (Support Vector Regressor). Também combinações têm sido implementadas para criar modelos com capacidade de considerar os componentes lineares e não lineares das séries temporais com previsão de resíduo. ARIMA, por exemplo, só pode fazer previsões na componente linear e a estimação de valores de uma série não linear poderia apresentar redução de precisão; MLP, por outro lado, consegue fazer previsões em ambas componentes linear e não linear mas não é ótima nas duas devido a problemas com a especificação do modelo. Considerando que as séries temporais geradas por sistemas reais normalmente apresentam padrões lineares e não lineares, se utilizam sistemas híbridos compostos de: previsão da série temporal (com modelo linear), previsão do resíduo (com modelo não linear) e combinação para considerar todos os componentes e diminuir a probabilidade de escolher um modelo único inapropriado para as características da série que se utiliza. Então, a nomenclatura de um modelo que combina ARIMA e SVR com uma soma seria ARIMA+SVR (PAI, 2005), também pode incluir a combinação de outros modelos como ARIMA+MLP (ZHANG, 2003).Além dessa opção, as redes neurais LSTM (Long Short-Term Memory) têm provado bom desempenho em previsão de dados usando séries temporais longas devido a habilidade que tem de considerar relações temporais longas entre os dados (muitos lags de diferença) (GENG, 2020).Neste projeto, se propõe um modelo que combina os benefícios dos sistemas híbridos baseados na previsão de resíduos (usando ARIMA+SVR) e LSTM. Ambos são combinados usando um ensemble de média ponderada com pesos calculados segundo os desempenhos individuais para então alcançar uma maior acurácia que as obtidas com ARIMA+SVR e LSTM individualmente. Com o objetivo de melhorar as previsões do SoC, o modelo proposto executa quatro etapas: previsão da componente linear da série temporal (ARIMA), previsão não linear dos resíduos (SVR), combinação das previsões lineares e não lineares (ARIMA+SVR), combinação das etapas anteriores com LSTM (média ponderada), e calculo do estado de carga da bateria (SoC). Os resultados dos experimentos ressaltam que o modelo ARIMA por si próprio tem o pior desempenho dado que não tem capacidade de considerar os componentes não lineares. A combinação de ARIMA+SVR melhora os resultados obtidos em cada modelo individual, mas esse sistema híbrido é superado também pelo desempenho do LSTM, razão porque se consideram ambos como componentes valiosos para contribuir na média ponderada usando R2 para estabelecer os pesos a serem usados na média ao início da combinação.O sistema proposto usando média ponderada teve menores valores de MSE e MAPE que os obtidos com os métodos usados para comparação (ARIMA, SVR, MLP, LSTM, ARIMA+SVR, ARIMA+MLP, ETS+MLP) para ambas as bases de dados de voltagem e corrente. Os valores de SoC obtidos na última etapa mostraram melhores MSE, MAPE e R2 que os obtidos por ARIMA+SVR (melhoria de 0.14401%, 3.31933%, e 13.40696% respectivamente) e LSTM (0.01450%, 0.45319%, e 0.71939% respectivamente). Essas métricas também são melhores quando comparadas com as dos outros modelos testados, confirmando que o modelo proposto tem um bom desempenho em na previsão de SoC de baterias de íons de lítio e poderia ser implementado em sistemas de gerenciamento onde previsões de corrente e voltagem são analisadas em conjunto para balancear apropriadamente sets de baterias. Melhorias futuras no modelo podem considerar explorar outras taxas de ciclos das baterias para diferentes aplicações de gerenciamento. Além disso, os pesos da média ponderada podem ser determinados dinamicamente, para melhorar a acurácia das previsões.