Рамочная модель LSTM–PINN, учитывающая температуру и импеданс, для физически согласованного прогнозирования SOH батареи

Почему важно лучше знать состояние батареи

Литий‑ионные батареи питают наши телефоны, ноутбуки, электромобили и даже части энергосети. При этом любая батарея со временем незаметно изнашивается: теряет емкость и накапливает сопротивление, пока уже не может безопасно или эффективно выполнять свою задачу. Понимание того, насколько «здоровая» батарея и как быстро она стареет, критично для проектирования более безопасных транспортных средств, избегания дорогостоящих простоев и продления срока службы дорогих аккумуляторных блоков. В этой работе представлен новый способ прогнозирования состояния батареи, который сочетает современные методы искусственного интеллекта с базовой физикой процессов старения.

Новый способ оценивать срок службы батареи

Авторы сосредоточились на ключевом показателе, называемом State of Health (SOH), который отражает, как используемая емкость батареи соотносится с ее исходным состоянием. Традиционные инструменты глубокого обучения, такие как рекуррентные нейронные сети, умеют выявлять сложные закономерности в динамике SOH за многие циклы заряда–разряда, но часто требуют больших массивов данных и могут демонстрировать явно неверное поведение — например, «чудесное» восстановление емкости у изношенной батареи. Чисто физические модели, напротив, соблюдают законы химии, но обычно медленны и трудны для внедрения в повседневные устройства. Описанная здесь работа объединяет оба подхода в гибридной архитектуре LSTM–PINN: сеть, обучающаяся на последовательностях, связана с модулем, учитывающим физику и обеспечивающим реалистичные тенденции старения.

Обучение модели на реальном поведении батареи

В этой архитектуре сеть LSTM (long short‑term memory) отслеживает, как SOH батареи меняется в окне предыдущих циклов вместе с температурой и электрическим сопротивлением. Из этой истории она выучивает компактное внутреннее представление состояния аккумулятора. Это представление затем передается в физическую «голову», кодирующую простые, но значимые законы старения: батарея должна деградировать монотонно с течением времени; более высокая температура ускоряет старение по закону типа Аррениуса; рост внутреннего сопротивления дополнительно ускоряет износ. Вместо решения громоздких уравнений, слишком медленных для повседневного использования, модель применяет небольшую нейросеть, имитирующую влияние импеданса (показателя внутреннего сопротивления) на скорость деградации, сохраняя при этом общую форму старения, основанную на установленной электрохимии.

Насколько эффективен гибридный подход

Исследователи протестировали свою модель на широко используемом наборе данных NASA, который отслеживает десятки литий‑ионных ячеек по мере их старения в контролируемых лабораторных условиях. По сравнению со стандартными инструментами, такими как чистые LSTM, сверточные сети и другие подходы с физическими ограничениями, новая LSTM–PINN показала заметно лучшую точность и давала более плавные, реалистичные кривые SOH. Средняя ошибка прогноза составила около одного процентного пункта, при очень высокой корреляции между предсказанным и фактическим состоянием на протяжении всего срока жизни батареи. Тесты чувствительности показали, что каждый физический компонент играет свою роль: правило монотонности предотвращает невозможные «исцеления», термин, учитывающий импеданс, удерживает дальние прогнозы от дрейфа, а температурный член обеспечивает более быстрое старение при высоких температурах, как и показывают эксперименты.

Учет особенностей и планирование наперед

Не все батареи стареют идеально гладко. У некоторых после отдыха наблюдается кратковременная «регенерация» емкости, проявляющаяся как временный рост измеренного SOH. Поскольку модель сознательно принуждает к устойчивому снижению, она не пытается подгонять эти локальные всплески. Такой выбор может давать более крупные ошибки в единичных точках, но обеспечивает более надежные долгосрочные прогнозы, которые важны для большинства применений. Авторы также показывают, что физические параметры, выученные сетью — например, энергия активации, регулирующая влияние температуры на деградацию — лежат в пределах, указанных в лабораторных исследованиях, что говорит о том, что модель не просто подгоняет кривые, а обнаруживает осмысленные, интерпретируемые законы. Они намечают дальнейшие шаги: прогнозирование оставшегося срока службы, оценку неопределенности для решений, критичных для безопасности, и адаптацию подхода к разным конструкциям ячеек при ограниченных данных.

Что это означает для повседневных технологий

Для неспециалистов главное сообщение такое: сочетание физики и машинного обучения может сделать прогнозы состояния батареи более умными и заслуживающими доверия. Вместо того чтобы рассматривать батарею как черный ящик, этот гибридный подход учитывает реальные закономерности старения — быстрее при нагреве, быстрее по мере роста внутреннего сопротивления и в целом в виде устойчивого снижения. Такое сочетание точности, стабильности и интерпретируемости может помочь автопроизводителям проектировать лучшие системы управления батареями, давать более надежные оценки запаса хода и продлевать срок службы дорогих аккумуляторных блоков. В долгосрочной перспективе подобные методы могут способствовать более безопасному, дешевому и устойчивому использованию батарей, которые все больше питают наш мир.

Цитирование: Kumar, P.N., Upadhya, P.R., Nischay, S. et al. A temperature- and impedance-aware LSTM–PINN framework for physically consistent battery SOH prediction. Sci Rep 16, 7568 (2026). https://doi.org/10.1038/s41598-026-37850-y

Ключевые слова: литий‑ионные батареи, состояние работоспособности батареи, нейросети с учетом физики, устаревание батареи, прогностические методы машинного обучения