Stima dello State‑of‑Health di Supercapacitori Ibridi da Segnali Operativi Grezzi tramite Modelli di Apprendimento Automatico

Abstract

I supercondensatori ibridi (HSC) colmano il divario tra batterie e supercondensatori convenzionali, combinando una densità energetica tipica delle batterie con la densità di potenza e la lunga vita ciclica dei condensatori. Monitorare in modo affidabile il loro stato di salute (SoH) è quindi un prerequisito per un funzionamento sicuro, per la manutenzione predittiva e per l’ottimizzazione operativa in applicazioni quali la frenata rigenerativa, la stabilizzazione della rete elettrica e gli utensili elettrici.

Il SoH non può essere misurato direttamente in linea; deve essere stimato a partire dalle grandezze che il dispositivo rende disponibili durante il normale funzionamento, ovvero tensione, corrente, temperatura e resistenza interna.

Questa tesi presenta un benchmark sistematico basato su tecniche di machine learning per la stima del SoH degli HSC utilizzando il dataset di Patrizi et al. (2025), che comprende otto celle sottoposte a differenti strategie di ricarica rapida. Inquadriamo la stima del SoH come un problema di regressione sequenziale che mappa brevi finestre di quattro segnali operativi grezzi (tensione, corrente, temperatura e resistenza interna) al valore istantaneo del SoH.

Quattro architetture due reti ricorrenti (LSTM e GRU) e due reti convoluzionali (una CNN 1D e una rete convoluzionale temporale) vengono ottimizzate tramite ricerca bayesiana degli iperparametri e confrontate secondo un rigoroso protocollo cross‑cell, in cui le celle utilizzate per l’addestramento, la validazione e il test sono completamente disgiunte.

Una rete convoluzionale temporale compatta (TCN) ottiene le migliori prestazioni, con R² = 0,972, RMSE = 1,842% e MAE = 1,395% sul set di celle escluse dall’addestramento; una CNN 1D (R² = 0,966) e una GRU (R² = 0,965) seguono a breve distanza, e tutti e quattro i modelli superano R² = 0,95.

Questi risultati indicano che modelli convoluzionali e ricorrenti compatti sono particolarmente adatti al monitoraggio on‑boa

Hybrid supercapacitors (HSCs) bridge the gap between batteries and conventional supercapacitors, combining battery-like energy density with capacitor-like power density and long cycle life. Reliably tracking their state of health (SoH) is therefore a pre requisite for safe operation, predictive maintenance, and operational optimisation in applications such as regenerative braking, grid stabilisation, and power tools. SoH can not be measured online directly; it must be inferred from quantities the device exposes during normal use, namely voltage, current, temperature, and internal resistance. This thesis presents a systematic machine-learning benchmark for HSC SoH estimation on the dataset of Patrizi et al. (2025), which contains eight cells each aged under a different fast-charging strategy. We frame SoH estimation as a sequence-regression problem that maps short windows of four raw operational signals (voltage, current, temperature, and internal resistance) to the instantaneous SoH. Four architectures, comprising two recurrent networks (LSTM and GRU) and two convolutional networks (a 1D-CNN and a temporal convolutional network), are tuned with Bayesian hyper parameter optimisation and com- pared under a strict cross-cell protocol in which the cells used for training, validation, and testing are disjoint. A compact temporal convolutional network (TCN) achieves the best performance, with R2 = 0.972, RMSE = 1.842%, and MAE = 1.395% SoH on held-out cells; a 1D-CNN (R2 = 0.966) and a GRU (R2 = 0.965) follow closely, and all four models exceed R2 = 0.95. These results indicate that compact convolutional and recurrent models are well suited to on-board SoH monitoring of hybrid supercapacitors, and that accurate SoH estimates can be obtained from raw operational signals on cells that were not seen during training.