iMOE: прогноз траектории деградации батарей для вторичной жизни с помощью интерпретируемой смеси экспертов

Почему вторичная жизнь автомобильных батарей важна

Когда миллионы электромобилей завершают свою первую жизнь, их батареи всё ещё содержат удивительное количество пригодной энергии. Предоставление этим «выведенным из основного использования» батареям второй жизни в системах резервного питания или микросетях деревень может сократить затраты и отходы по всему миру. Но есть загвоздка: никто достоверно не знает, как быстро конкретная использованная батарея продолжит изнашиваться, а неверная оценка может привести к сбоям, пожарам или напрасным инвестициям. В этом исследовании предлагается новый метод прогнозирования старения подержанной батареи на основе одного быстрого неразрушающего теста, что потенциально меняет подход к масштабному повторному использованию батарей.

От автомобиля к сети: задача прогнозирования

Сегодня оценка выведенной из эксплуатации автомобильной батареи занимает много времени, дорога и зачастую разрушительна. Традиционные подходы либо разбирают элементы для лабораторных испытаний, либо прогоняют их через полные циклы заряд–разряд, что может занимать дни на один аккумуляторный модуль. Многие продвинутые сенсорные техники пока остаются в лабораториях. Кроме того, вторичное применение — например домашнее хранение или автономные системы — может подвергать батареи очень отличающимся режимам зарядки, разрядки и температуре по сравнению с тем, что они пережили в автомобиле. Поскольку износ батареи сильно зависит от её прошлого и будущего использования, большинство существующих моделей, основанных на данных, дают сбой при отсутствии многолетней истории или при изменении рабочих условий. Задача — взглянуть на батарею один раз, при любом уровне заряда, с которым её привезли, и всё же спрогнозировать её будущее состояние при новых условиях.

Быстрая проверка состояния вместо полной медицинской истории

Авторы предлагают подход под названием интерпретируемая смесь экспертов, или iMOE, который как раз и предназначен для этого. Вместо требования длинных записей метод использует сигналы, которые легко собрать на месте во время одного контролируемого заряда. Техники частично заряжают батарею из того состояния заряда, в котором она находится, а затем дают ей отдохнуть. По тому, как меняется напряжение во время этого короткого заряда и последующей релаксации, модель извлекает несколько физически мотивированных признаков, отражающих внутреннее сопротивление, поляризацию и количество остающегося пригодного лития. Эти сжатые подсказки вместе с описанием запланированного будущего режима использования — такими как скорости заряда и разряда и температура — составляют входные данные для системы прогнозирования.

Много специалистов, один объединённый прогноз

Внутри iMOE эти входные данные обрабатываются набором виртуальных «экспертов», каждый из которых настроен на типичную схему износа батареи. Некоторые эксперты моделируют поведение на ранних стадиях, доминируемое ростом защитной плёнки на электродах; другие улавливают утолщение этой плёнки в середине жизни; ещё одни представляют поздние процессы, такие как осаждение лития и потеря активного материала. Модуль маршрутизации анализирует физические признаки и решает, с какой силой взвешивать вклады каждого эксперта для рассматриваемой батареи, фактически классифицируя её доминирующий режим деградации без знания истории. Взвешенное сочетание выходов экспертов формирует краткосрочную тенденцию того, как может измениться ёмкость в ближайшем будущем.

Прогноз на многие циклы заряд–разряд

Краткосрочной тенденции недостаточно; важно также, насколько жёсткими будут условия эксплуатации батареи во вторичной жизни. Для этого второй модуль, рекуррентная нейронная сеть, принимает тенденцию вместе с планируемым профилем нагрузки на будущее — поцикловые скорости заряда, разряда и температуру — и прокручивает прогноз вперёд на десятки и сотни будущих циклов. Испытанная на трёх больших наборах данных, охватывающих 295 коммерческих элементов, 93 рабочих режима и более 84 000 циклов, iMOE последовательно предсказывала полные будущие траектории ёмкости с ошибками обычно ниже 1–3 процентов, даже когда будущие условия были случайными или когда батареи сильно износились в результате неизвестного прошлого использования. При этом модель работала быстрее и эффективнее ведущих моделей прогнозирования временных рядов и требовала меньше обучающих данных.

Заглядывая внутрь «чёрного ящика»

В отличие от многих систем машинного обучения, iMOE спроектирована так, чтобы быть понятной для специалистов по батареям и инженеров. Анализируя, как маршрутизатор распределяет веса между экспертами в течение жизни элемента, авторы показывают, что модель естественно разделяет ранние, средние и поздние стадии деградации, что согласуется с известными физическими процессами. Батареи, выведенные с более высоким запасом здоровья, как правило, направляются к одним экспертам, тогда как сильно изношенные активируют другие. Когда исследователи намеренно нарушали отдельные физические признаки или принуждали маршрутизатор использовать неправильных экспертов, ошибки прогнозов увеличивались, подчёркивая, что система не просто подгоняет кривые, а связана с осмысленным внутренним поведением.

Что это значит для будущих энергетических систем

Проще говоря, эта работа демонстрирует способ за миллисекунды и без длительного теста определить, как подержанная батарея, вероятно, будет стареть в своей второй роли. Такая возможность позволит утилизаторам, операторам сети и разработчикам проектов сортировать большие объёмы выведенных элементов по безопасным и подходящим ролям — например, для долговременного стационарного хранения против краткосрочных применений — или направлять высокорискованные блоки напрямую на переработку. Хотя метод по‑прежнему опирается на статистические связи, а не на полную физическую причинно‑следственную модель и предполагает знание приближённых планов будущего использования, он представляет собой шаг к более умному, безопасному и экономичному повторному использованию батарей, помогая продлить ценность уже добытых и произведённых материалов.

Цитирование: Huang, X., Tao, S., Liang, C. et al. iMOE: prediction of second-life battery degradation trajectory using interpretable mixture of experts. Nat Commun 17, 2549 (2026). https://doi.org/10.1038/s41467-026-69369-1

Ключевые слова: батареи вторичной жизни, прогноз деградации батарей, машинное обучение для накопителей энергии, смесь экспертов, состояние литий‑ионных батарей