Dayanıklı Pil SoC Tahmini için Fizik Bilgisine Dayalı LSTM ve EKF Füzyonu

DİKMEN İ. C., arı a., Karadag T.

Turkish Journal of Science & Technology, cilt.21, sa.1, ss.57-68, 2026 (TRDizin)

Özet

Uzun dönem yaşlanma, açık devre gerilimi histerezisi ve değişken işletim profilleri varlığında güvenilir şarj durumu (SoC) kestirimi zor olmaya devam etmektedir. Birinci ilkelere dayalı eşdeğer devre modelini dizi öğrenicileriyle birleştiren, rezidüye duyarlı bir füzyon kuralı ile eşleştirilen hibrit bir kestiriciyi incelenmiştir. Bir lityum titanat (LTO) hücresinden dakika çözünürlüklü bir yaşlanma veri kümesi kullanılmıştır. Veri 2500 çevrim boyunca 236 bin 282 örnek içermektedir. Bu çerçevede, şarj ve deşarj için faz duyarlı OCV SoC başvuru tabloları çıkarılmış, yumuşak yarım çevrim sabitlemeli bir genişletilmiş Kalman filtresi devreye çalıştırılmıştır. OCV ile uç gerilimi arasındaki uyumu ile Coulomb tutarlılığını teşvik eden fiziğe dayalı düzenlileştirme altında LSTM, 1D CNN ve Transformer tabanları eğitilmiştir. Faz duyarlı EKF, çevrim bazlı ortalamalarda Mean Absolute Error (MAE) 0.04535 ve Root Mean Square Error (RMSE) 0.05057 değerlerine ulaşmıştır. Birleştirilmiş serilerde ise LSTM MAE 0.03023 ve RMSE 0.05192 değerlerine ulaşmıştır. EKF ile LSTM’nin rezidü ağırlıklı füzyonu sayesinde MAE 0.03049 ve RMSE 0.03991 elde edilmiştir. Bu sonuç, LSTM’nin düşük yanlılığını korurken EKF’ye göre hatanın %21 azaltılması anlamına gelmektedir. Devre modeli üzerinde yapılan kaba bir parametre taraması, beklenen erken dönem davranışını doğrulamaktadır. Pencere düzeyinde, fiziğe dayalı bir LSTM ile MAE 0.0184 elde edilmiştir. Füzyon modelden bağımsızdır, temel kestiricilerin yeniden eğitilmesini gerektirmemektedir ve ihmal edilebilir bir hesaplama ek yükü getirmektedir. Karşılaştırma amacıyla, lineer bir ARX teacher forced pencerelerde MAE 0.1129 ve RMSE 0.1475, birleştirilmiş serbest koşuda ise MAE 0.1599 ve RMSE 0.1924 değerleri elde edilmiştir.
Reliable state of charge estimation remains difficult in the presence of long term ageing, open circuit voltage hysteresis, and variable operating profiles. We investigate a hybrid estimator that marries a first principles equivalent circuit model with sequence learners, coupled through a residual aware fusion rule. Using a minute resolution ageing dataset from a lithium titanate (LTO) cell (236,282 samples across 2500 cycles), we identify phase aware OCV to SoC lookup tables for charge and discharge, deploy an extended Kalman filter with soft half cycle anchoring, and train LSTM, 1D CNN, and Transformer baselines with physics informed regularization promoting Coulomb consistency and concordance between OCV (Open Circuit Voltage) and terminal voltage. The phase aware EKF attains MAE 0.04535 and RMSE 0.05057 on cycle wise averages. A stitched LSTM yields MAE 0.03023 and RMSE 0.05192. Residual weighted fusion of EKF and LSTM produces MAE 0.03049 and RMSE 0.03991, which represents a 21% reduction relative to EKF while preserving the LSTM’s low bias. A coarse parameter sweep over the circuit model confirms expected early life behavior, namely lower resistance and a longer polarization time constant. At the window level, a physics informed LSTM achieves MAE 0.0184. The fusion is model agnostic, requires no retraining of the base estimators, and adds negligible computational overhead. For reference, a linear ARX baseline records MAE 0.1129 and RMSE 0.1475 in teacher-forced windows, and MAE 0.1599 and RMSE 0.1924 in stitched free run.