Легкая гибридная нейронная сеть с регуляризацией согласованности с физикой для оценки состояния здоровья литий‑ионной батареи

Почему важно умнее отслеживать состояние батареи

По мере распространения электромобилей, домашних накопителей энергии и портативной электроники способность оценивать, сколько «жизни» осталось в литий‑ионной батарее, становится такой же важной, как знание уровня топлива в бензобаке. Однако оценить долгосрочное «здоровье» батареи сложно: она постепенно изнашивается под влиянием температуры, привычек зарядки и множества других факторов. В этом исследовании предложен новый тип легкой нейронной сети с учетом физических ограничений, который может отслеживать состояние батарей точнее и эффективнее, что потенциально сделает будущие машины и устройства безопаснее, дешевле в обслуживании и проще в мониторинге в реальном времени.

Сложность наблюдения за старением батарей

Производителям батарей и автокомпаниям необходимо прогнозировать, как емкость батареи будет снижаться на протяжении сотен или тысяч циклов заряд–разряд. Существующие методы, основанные только на данных и машинном обучении, могут давать высокую точность, но часто ведут себя как «черные ящики» и могут давать сбои при отличающихся от обучающих условиях. С другой стороны, физические модели, основанные на электрохимии, интерпретируемы, но медленны и вычислительно затратны, что проблематично для встроенных систем управления батареями. Авторы утверждают, что будущие решения должны сочетать данные и базовые физические представления, оставаясь при этом достаточно компактными для работы на скромном оборудовании.

Гибридная сеть, учитывающая поведение в реальном мире

Исследователи предложили усовершенствованную легкую гибридную физически информированную нейронную сеть (IHPINN), специально разработанную для прогнозирования состояния здоровья батареи. В основе лежат две взаимодействующие подсети. Одна «решающая» сеть преобразует компактное описание состояния батареи — например, напряжение, ток, температура и индекс цикла — в оценку здоровья от 0 до 1. Вторая «динамическая» сеть обучается тому, как это значение здоровья должно меняться со временем, выступая своего рода хранителем, который препятствует нереалистичным скачкам или восстановлению на предсказанной кривой старения. Вместо дотошного воспроизведения электрохимических уравнений модель кодирует простые, но мощные принципы: здоровье батареи должно меняться плавно и в целом не должно улучшаться по мере старения элемента.

Легкий дизайн для работы в реальном времени

Чтобы сделать гибридный подход практичным, авторы тщательно переработали стандартные компоненты нейронных сетей, чтобы сократить вычислительные затраты. Они заменили большие полносвязные слои групповыми и низкоранговыми преобразованиями, которые повторно используют параметры, сокращая как число весов, так и количество операций. Адаптивный активационный блок сочетает два типа нелинейной реакции и автоматически меняет поведение по мере прохождения батареей разных стадий старения, помогая сети усваивать сложные закономерности без нестабильных градиентов. Модуль общей (shared) внимания дополнительно уменьшает избыточность, используя одно проективное преобразование для выбора наиболее важных признаков, поэтому модель концентрирует усилия на сигналах, наиболее тесно связанных с деградацией. В совокупности эти решения позволяют сохранить компактность сети, при этом учитывая многомасштабное поведение старения.

Испытание модели

Команда протестировала IHPINN на четырех широко используемых наборах данных батарей из разных лабораторий, с разной химией и условиями эксплуатации. Во всех случаях новая модель прогнозирует состояние здоровья точнее, чем обычная базовая физически информированная нейронная сеть, при этом использует меньше параметров, памяти и требует меньшего времени обучения. Например, в одном наборе данных из Хуачжунского университета науки и технологии среднеквадратичная ошибка снизилась более чем вдвое, при этом число параметров уменьшилось примерно на одну пятую, а обучение ускорилось. Похожего улучшения удалось добиться и для требовательного набора данных Массачусетского технологического института, включающего различные стратегии зарядки и температуры, а также для двух других коллекций, исследующих разные типы элементов и режимы циклирования. Эксперименты с абляцией, в которых удаляли отдельные компоненты, показывают, что наибольший вклад в точность вносят извлечение многомасштабных признаков и адаптивные активации, тогда как динамическое взвешивание функций потерь ускоряет сходимость.

Что это значит для повседневных технологий

Для неспециалистов главное — IHPINN предлагает способ наблюдать за старением батарей, который одновременно умен и экономен. Модель отслеживает здоровье в соответствии с базовыми ожиданиями — батареи со временем изнашиваются плавно — без необходимости тяжелых физических симуляций или громоздких сетей. На практике такая модель может быть встроена в электромобили, стационарные системы хранения или потребительскую электронику для более надежного прогнозирования оставшегося ресурса и предотвращения неожиданных отказов. Хотя текущая работа еще полностью не охватывает подробную химию внутри элементов, она демонстрирует, что тщательно спроектированное физически ориентированное машинное обучение может обеспечить ценное равновесие между точностью, прозрачностью и эффективностью, задавая направление к более надежному управлению батареями в энергетических системах будущего.

Цитирование: Zhang, P., Zhang, H., Zhou, J. et al. Lightweight hybrid neural network with physics consistency regularization for lithium-ion battery state of health estimation. Sci Rep 16, 12780 (2026). https://doi.org/10.1038/s41598-026-41913-5

Ключевые слова: состояние здоровья литий‑ионной батареи, нейронные сети с учетом физики, прогнозирование деградации батареи, мониторинг накопления энергии, легкие методы машинного обучения