Оптимизация циклов заряда-разряда с помощью гибридной обучающей структуры на базе QPPONet для управления энергопотреблением и обеспечения безопасности в электромобилях

Более умные аккумуляторы для безопасных электроприводов

Электромобили обещают чище воздух и меньшие расходы на топливо, но их батареи дороги, со временем деградируют и могут выходить из строя опасным образом, если ими не управлять аккуратно. В этой статье исследуется, как современные методы искусственного интеллекта могут выступать в роли постоянно действующего стража батарей электромобилей, извлекая больше запаса хода, продлевая срок службы и обнаруживая ранние признаки проблем задолго до того, как водитель заметит что‑то не так.

От простых правил к обучающимся «мозгам»

Сегодняшние системы управления батареями в большинстве электромобилей опираются на фиксированные правила и упрощённые формулы. Они оценивают, сколько энергии осталось и когда аккумулятор может выйти из строя, но испытывают затруднения, когда реальные условия езды отличаются от лабораторных — например при частой быстрой зарядке, на крутых подъёмах или в жару. Авторы утверждают, что такой подход на основе правил тратит доступную энергию впустую, сокращает ресурс батареи и может пропускать признаки опасного перегрева. Взамен они предлагают адаптивный менеджер батареи, который учится непосредственно по данным: прошлым поездкам, предыдущим циклам заряда‑разряда и широкому набору температур и стилей вождения.

Чтение состояния батареи и оставшегося срока службы

Первая часть структуры сосредоточена на вопросе «насколько батарея здорова прямо сейчас?». Используя измерения напряжения, тока, температуры и внутреннего сопротивления, команда сравнила несколько методов машинного обучения для оценки состояния здоровья — процента, отражающего степень старения батареи. Лидером оказался метод градиентного бустинга: он почти идеально совпадал с реальными измерениями и при этом был достаточно лёгким, чтобы выполняться на автомобильной электронике за несколько миллисекунд. Чтобы ответить на второй ключевой вопрос — «как долго этот блок будет сохранять работоспособность?» — исследователи создали гибридную глубинную модель, объединяющую две ориентированные на последовательности сети. Эта модель отслеживает изменения батареи на многих циклах заряда‑разряда и учится прогнозировать оставшийся ресурс с погрешностью всего в несколько процентов, для разных типов ячеек и режимов вождения.

Обучение батареи разумно заряжаться

Знания о состоянии и оставшемся сроке — лишь половина дела; системе также нужно действовать. Авторы представляют QPPONet, гибридный контроллер на базе обучения с подкреплением, который учится заряжать и разряжать батарею так, чтобы балансировать текущие потребности — например обеспечить водителю достаточный запас хода сегодня — и долгосрочный износ. Он сочетает две дополняющие стратегии: одну, оценивающую полезность каждого возможного действия, и другую, обеспечивающую стабильность и постепенность обучения. Обученный в реалистичном симуляторе, построенном на детальных лабораторных данных, этот контроллер повышает общий «вознаградительный» показатель — объединяющий энергоэффективность и сокращение старения — примерно на четверть по сравнению со стандартными методами зарядки, при этом уменьшая потерю емкости и оставаясь устойчивым к меняющимся условиям работы.

Наблюдение за ранними признаками опасного перегрева

Безопасность — третья опора структуры. Вместо полагания на простые температурные пороги система использует методы неуправляемого обнаружения аномалий, чтобы научиться тому, как выглядят «нормальные» сигналы напряжения, тока и температуры. Затем она отмечает необычные всплески или их сочетания, которые могут предвещать тепловой разгон — цепную реакцию, ведущую к возгоранию. Обучаясь на реальных и искусственно усиленных стрессовых данных — где показания доводят до экстремальных, но правдоподобных диапазонов — модели учатся отличать безвредные помехи от серьёзных событий. В испытаниях они обнаруживали ранние предупреждающие признаки с точностью более 92 процентов, при этом отфильтровывая кратковременные аномалии, которые вызвали бы ложные срабатывания.

Создано для работы во многих транспортных средствах, а не в одном

Ключевая сильная сторона работы в том, что каждая часть — оценка состояния, прогноз срока службы, управление зарядкой и мониторинг безопасности — разработана и валидация проведена как отдельный модуль. Это упрощает адаптацию системы к разным химиям батарей, платформам транспортных средств и аппаратным ограничениям. Авторы обучали и тестировали модели на детализированном внутренних наборе данных, охватывающем множество температур и режимов нагрузки, а затем подтвердили, что те же методы хорошо обобщаются на публичном наборе данных для батарей электрических летательных аппаратов с совершенно другими профилями использования. Даже при переносе между этими контрастными сценариями модели сохраняли высокую точность, что говорит о возможности масштабирования подхода за пределы одной лабораторной установки.

Что это означает для обычных водителей

Для неспециалистов вывод прост: дав батарейному блоку своего рода цифровую нервную систему, основанную на современных алгоритмах обучения, электромобили могут стать безопаснее, надежнее и дешевле в эксплуатации. Предложенная структура демонстрирует, что возможно точно оценивать состояние батареи, прогнозировать, как долго она прослужит, выбирать более бережные и при этом эффективные режимы зарядки и обнаруживать опасный перегрев на ранней стадии — всё это в рамках вычислительных ограничений реальных автомобилей. По мере того как такие интеллектуальные менеджеры батареи будут совершенствоваться и распространяться, водители могут получить более длительные гарантии, меньше неожиданных отказов и больше уверенности в том, что их автомобили принимают разумные решения по энергии, хранимой под полом.

Цитирование: Sujan Kumar, M.V., Khekare, G. Optimizing charge discharge cycles using QPPONet-enabled hybrid learning framework for energy management and safety in electric vehicles. Sci Rep 16, 11384 (2026). https://doi.org/10.1038/s41598-026-43692-5

Ключевые слова: батареи электромобилей, системы управления батареями, машинное обучение, обучение с подкреплением, тепловая безопасность