Литий-ионные аккумуляторы — сердце современных электромобилей, смартфонов и систем хранения энергии. Но со временем они неизбежно теряют ёмкость, и предсказать, когда именно батарея выйдет из строя, до сих пор было крайне сложно. Теперь международная команда учёных предложила гибридную модель искусственного интеллекта, которая объединяет нейросети и вероятностные методы и существенно повышает точность прогнозов.
Традиционные подходы имеют серьёзные ограничения. Физические модели пытаются имитировать химические процессы внутри батареи, но плохо справляются с реальными условиями эксплуатации. Чисто data-driven модели, такие как свёрточные нейронные сети (CNN) или рекуррентные блоки с управляемыми вентилями (GRU), хорошо работают на больших массивах данных, но быстро теряют точность при долгосрочном прогнозировании и на зашумлённых данных.
Новая система решает эти проблемы, сочетая сильные стороны каждого подхода. Она включает:
- свёрточные нейронные сети для извлечения ключевых признаков;
- рекуррентные блоки GRU для прогнозирования временных рядов;
- фильтры частиц (particle filtering), которые корректируют ошибки и стабилизируют предсказания.
Сначала данные о ёмкости батареи очищаются с помощью метода полной ансамблевой эмпирической модальной декомпозиции с адаптивным шумом. Затем CNN выделяет важные особенности, GRU отслеживает их изменение во времени, а фильтр частиц непрерывно уточняет результат. Дополнительно используется механизм скользящего окна: скорректированные прогнозы снова подаются в модель, позволяя ей динамически адаптироваться к новым данным.
Модель протестировали на широко известных открытых датасетах NASA и CALCE. По сравнению с отдельными методами точность выросла существенно: на 87,27 % по отношению к GRU, на 82,88 % по отношению к фильтрам частиц и на 55,43 % по отношению к более простым гибридным моделям. При этом система сохраняет высокую стабильность даже на небольших и зашумлённых наборах данных.
Реальное применение
Более точное предсказание оставшегося ресурса (Remaining Useful Life, RUL) напрямую влияет на безопасность и экономику. Для электромобилей это означает меньшую неопределённость пробега и защиту от внезапного отказа батареи. Для накопителей энергии в энергосистемах — более точное планирование обслуживания и снижение простоев. Модель хорошо работает даже с ограниченными данными, что делает её удобной для реального внедрения.
В будущем исследователи планируют проверить систему в экстремальных температурных условиях, добавить дополнительные показатели здоровья батареи (напряжение, температура) и масштабировать модель на целые батареи из множества ячеек.
Исследование опубликовано в журнале Green Energy and Intelligent Transportation.
