Estimativa Robusta do Estado de Carga da Bateria via Redes Neurais Parametrizadas Informadas por Física Baseadas em Hiperrede

A estimativa precisa do estado de carga (SOC) é essencial para sistemas de gerenciamento de baterias (BMS). Contudo, métodos convencionais enfrentam desafios relacionados à dependência de parâmetros ou dificuldades de estabilidade sob condições operacionais não vistas. Este artigo propõe um novo framework híbrido que integra aprendizado de sequências temporais com redes neurais parametrizadas informadas por física (PPINN) regidas por restrições eletroquímicas. A arquitetura emprega uma hiperrede que gera pesos dinâmicos caracterizados pelos valores iniciais do SOC, possibilitando aprendizado adaptativo em diversas condições operacionais. Isso permite que o modelo aprenda um espaço de solução generalizado combinando conhecimento baseado em física com modelagem orientada por dados, evitando assim treinamentos repetitivos. A validação experimental em várias temperaturas e ciclos de condução demonstra desempenho superior, alcançando capacidade de generalização e robustez com alta acurácia.