Analisi Comparativa di Architetture Neurali Profonde Mono-step e Multi-step per la Stima dello Stato di Carica (SOC) nei Sistemi Alimentati a Batteria

Abstract

Questa tesi indaga il problema della stima accurata dello stato di carica (SOC) nelle batterie agli ioni di litio utilizzando modelli avanzati di deep learning. La stima affidabile del SOC è un componente critico dei sistemi di gestione della batteria (BMS), che influenza direttamente la sicurezza, la durata e le prestazioni dei dispositivi alimentati a batteria. Mentre i metodi tradizionali come le misurazioni della tensione a circuito aperto, il conteggio di Coulomb o il filtraggio di Kalman forniscono risultati ragionevoli, soffrono di errori cumulativi, sensibilità al rumore del sensore e mancanza di adattabilità alle condizioni di carico dinamico. Per affrontare queste limitazioni, esploriamo moderne architetture neurali in grado di catturare le dipendenze temporali nei segnali della batteria, tra cui LSTM con attenzione, Reti convoluzionali temporali (TCN), modelli di trasformatori e WaveNet. Lo studio si basa sul set di dati Powertools di UNIBO, che contiene dati di tensione, corrente, temperatura e SOC registrati in condizioni operative realistiche. I dati sono stati pre-elaborati utilizzando la normalizzazione, la segmentazione della finestra scorrevole e le divisioni treno/convalida/test (60/20/20) su diverse celle della batteria per garantire robustezza contro l'overfitting. I modelli sono stati addestrati e valutati utilizzando metriche di errore standard (MAE, RMSE). I risultati sperimentali mostrano che WaveNet ha costantemente raggiunto la massima precisione con RMSE = 0,0171, superando con attenzione Transformer, TCN e LSTM. Ciò dimostra il potenziale delle architetture convoluzionali con dilatazione e connessioni residue per una previsione SOC affidabile. Inoltre, l'analisi comparativa evidenzia i compromessi tra accuratezza del modello, robustezza alle dipendenze a lungo termine ed efficienza computazionale.

This thesis investigates the problem of accurate state-of-charge (SOC) estimation in lithium-ion batteries using advanced deep learning models. Reliable SOC estimation is a critical component of battery management systems (BMS), directly influencing safety, lifetime, and performance of battery-powered devices. While traditional methods such as open-circuit voltage measurements, Coulomb counting, or Kalman filtering provide reasonable results, they suffer from cumulative errors, sensitivity to sensor noise, and lack of adaptability to dynamic load conditions. To address these limitations, we explore modern neural architectures capable of capturing temporal dependencies in battery signals, including LSTM with attention, Temporal Convolutional Networks (TCN), Transformer models, and WaveNet. The study is based on the UNIBO Powertools Dataset, which contains voltage, current, temperature, and SOC data recorded under realistic operating conditions. The data were preprocessed using normalization, sliding-window segmentation, and train/validation/test splits (60/20/20) across different battery cells to ensure robustness against overfitting. The models were trained and evaluated using standard error metrics (MAE, RMSE). Experimental results show that WaveNet consistently achieved the highest accuracy with RMSE = 0.0171, outperforming Transformer, TCN, and LSTM with attention. This demonstrates the potential of convolutional architectures with dilation and residual connections for reliable SOC forecasting. Moreover, the comparative analysis highlights the trade-offs between model accuracy, robustness to long-term dependencies, and computational efficiency.