Прогнозирование состояния батареи на основе глубокого обучения для повышения эффективности электромобилей

Почему разумные батареи важны для повседневных водителей

Для многих водителей привлекательность электромобиля проста: тихая езда, низкие затраты на «топливо» и чище воздух. Но всё это зависит от незаметного труженика — литий‑ионной батареи. По мере старения этих батарей пробег уменьшается, зарядка занимает больше времени, а замена может быть дорогостоящей и ресурсозатратной. В статье рассматривается новый способ «прислушиваться» к тому, что происходит внутри батарей электромобилей, с помощью современных средств распознавания закономерностей. Цель — точнее предсказывать состояние батареи при меньших вычислительных затратах, чтобы машины дольше оставались безопасными на дороге и одновременно поддерживали глобальные цели по чистой энергии.

Как изнашиваются батареи электромобилей

Каждая поездка на электромобиле сопровождается тысячами мелких химических реакций внутри батареи. Со временем повторные циклы заряд‑разряд, колебания температуры и побочные реакции постепенно уменьшают способность батареи хранить и отдавать энергию. Водители замечают это как уменьшение запаса хода и снижение производительности. Инженеры отслеживают показатель, называемый «состояние здоровья» (state of health), который сравнивает текущую ёмкость батареи с тем, что она могла отдавать в новом состоянии. Точное знание этого числа позволяет автомобилю предупреждать водителя о оставшемся ресурсе, заранее планировать обслуживание и даже решать, когда батарее целесообразнее получить «вторую жизнь» — например, в системе домашнего хранения энергии — вместо утилизации.

Прислушивание к скрытым сигналам внутри батареи

Современные батареи уже заполнены датчиками, которые регистрируют напряжение, ток, температуру и объём зарядов. Вместо того чтобы добавлять дорогостоящее новое оборудование, авторы сосредоточены на том, чтобы извлечь больше информации из этих привычных сигналов. Они преобразуют сырые измерения в три типа «отпечатков», показывающих тонкое старение: как ёмкость меняется в зависимости от напряжения, как напряжение меняется с зарядом и как ток реагирует на напряжение. По мере износа батареи пики на этих кривых сдвигаются, расширяются или затухают — признаки роста внутреннего сопротивления, потери активного материала и других процессов деградации. Сложность в том, что эти сигнатуры шумны, различаются между типами батарей и изменяются медленно в течение тысяч циклов.

Обучение компактной нейронной сети «читать» состояние батареи

Чтобы расшифровать эти отпечатки, исследователи разработали упрощённую модель глубокого обучения, способную работать на скромных компьютерах внутри автомобиля. Сначала они тщательно очищают и выравнивают данные более чем из 10 000 циклов заряд‑разряд, взятых из трёх крупных открытых наборов данных о батареях. Затем три диагностические кривые подаются в многослойную сеть, которая сочетает несколько сильных сторон: сверточные слои для выделения локальных форм на кривых, временные слои для улавливания долгосрочных тенденций на многих циклах и блоки памяти, отслеживающие, как развивается деградация со временем. Модуль внимания помогает модели сосредоточиться на диапазонах напряжения, наиболее важных для старения, вместо того чтобы отвлекаться шумом или менее информативными сегментами.

Превосходство над тяжёлыми моделями при меньшем энергопотреблении

При сравнении с известными подходами — такими как традиционные методы машинного обучения, более простые нейронные сети и модели последовательностей в стиле Transformer — новая схема предсказывает состояние батареи с большей точностью. На основном наборе данных NASA её оценки так близки к измеренным значениям, что типичная ошибка составляет около двух процентов от ёмкости, а более девяти из десяти прогнозов попадают в пределах полутора процентов от истинного значения. Важно, что модель достигает этого с примерно третью миллиона настраиваемых параметров — значительно меньше, чем у многих недавних разработок в глубоком обучении. Этот компактный размер обеспечивает более быструю работу — на уровне нескольких миллисекунд на прогноз — и примерно на четверть меньше расход энергии на вычисление по сравнению с более громоздкими архитектурами, что делает модель практичной для использования в бортовых системах управления батареей в режиме реального времени.

Формирование доверия через прозрачные закономерности

Поскольку безопасность является ключевым фактором в электромобилях, авторы идут дальше точности и исследуют, «на что» именно смотрит их модель при оценке состояния батареи. Визуализируя внутренние веса внимания и связанные инструменты, они обнаруживают, что сеть естественно концентрируется на диапазонах напряжения, известных из электрохимии как чувствительные к старению, а не на произвольных частях сигнала. Такое соответствие физическому пониманию помогает укрепить уверенность в том, что предсказания — это не просто числовые трюки. Команда также проверяет, насколько хорошо модель адаптируется к разным химиям батарей и условиям тестирования, показывая, что сеть, обученная на одном наборе данных, всё ещё может показывать хорошие результаты на других с лишь небольшим падением точности.

Что это значит для чистых и доступных поездок

Проще говоря, исследование показывает, что продуманно спроектированная лёгкая нейронная сеть может служить системой раннего предупреждения о состоянии батареи без требования ресурсов уровня суперкомпьютера. Предоставляя автопроизводителям и операторам сетей более ясную картину старения батарей в реальном времени, такие инструменты могут продлить срок службы батарей, сократить ненужные замены и поддержать безопасные варианты «второй жизни». Это означает меньше добытого сырья, меньше электронных отходов и более надёжные электромобили — всё это напрямую способствует более чистым, эффективным и доступным энергетическим системам по всему миру.

Цитирование: Rahman, T., Deb, N., Moniruzzaman, M. et al. Deep learning-based battery health prediction for enhancing electric vehicle performance. Sci Rep 16, 9871 (2026). https://doi.org/10.1038/s41598-026-39911-8

Ключевые слова: батареи для электромобилей, состояние батареи, диагностика глубоким обучением, устойчивая мобильность, срок службы накопителей энергии