Deep Learning Leggero per La Stima dello Stato di Carica (SOC) di Varie Batterie agli Ioni di Litio

Abstract

Questa ricerca si concentra sullo sviluppo di un modello di deep learning leggero per stimare con precisione lo State of Charge (SOC) delle batterie agli ioni di litio, specificamente per l’uso in sistemi embedded con risorse limitate, come i Battery Management Systems (BMS). È stato sviluppato un modello basato su Gated Recurrent Unit (GRU) e addestrato sul dataset UNIBO Powertools, utilizzando una tecnica di *sliding window* per consentire la stima del SOC in tempo reale senza la necessità di partire da uno stato di carica completamente pieno. Il modello ha subito un’ottimizzazione sistematica della sua architettura e dei suoi iperparametri. Il modello GRU finale dimostra un solido equilibrio tra accuratezza ed efficienza. Raggiunge un Root Mean Squared Error (RMSE) del 3,37% e un Mean Absolute Error (MAE) del 2,69%. Con circa 188.000 parametri e una dimensione del file TensorFlow Lite di 741 KB, risulta più di cinque volte più piccolo rispetto ai modelli all’avanguardia comparabili. Lo studio conclude che questo modello GRU ottimizzato rappresenta una soluzione pratica ed efficace per implementare una stima del SOC accurata ed efficiente basata sul deep learning in sistemi embedded, rendendolo adatto ai BMS di nuova generazione.

This research focuses on developing a lightweight deep learning model for accurately estimating the State of Charge(SOC) of Lithium-ion batteries, specifically for use in resource-constrained embedded systems like Battery Management Systems (BMS). A Gated Recurrent Unit (GRU)-based model was developed and trained on the UNIBO Powertools Dataset, utilizing a sliding window technique to enable real-time SOC estimation without needing a fully charged starting point. The model underwent systematic optimization of its architecture and hyperparameters. The final GRU model demonstrates a strong balance between accuracy and efficiency. It achieves a Root Mean Squared Error(RMSE) of 3.37% and a Mean Absolute Error (MAE) of 2.69%. With approximately 188,000 parameters and a TensorFlow Lite file size of 741 KB, it is more than five times smaller than comparable state-of-the-art models. The study concludes that this optimized GRU model is a practical and effective solution for deploying accurate and efficient deep learning-based SOC estimation on embedded systems, making it suitable for next-generation BMS.