В Китае, в Цзилиньском университете, исследователи придумали, как гораздо точнее узнавать остаточный ресурс литий-ионных батарей. Они соединили две технологии: нейросети и гауссовскую регрессию. Результаты работы опубликовали в журнале Frontiers in Energy. Такие предсказания очень нужны для электромобилей и систем, которые хранят энергию, потому что от этого зависит, как долго прослужит батарея и когда ее пора менять.

Литий-ионные аккумуляторы сейчас используются везде: от телефонов до мощных накопителей на солнечных станциях. Но точно сказать, когда они сломаются, сложно. Емкость падает не линейно, а по замысловатым законам. Если научиться предсказывать остаточный срок службы, можно вовремя заменить батарею, не допустить аварии и даже правильно оценить подержанный аккумулятор при продаже.

Авторы метода взяли 124 образца батарей. Сначала нейросеть проанализировала, как у каждой падает емкость, и сделала первоначальную прикидку срока жизни. Получился черновик предсказания. Потом в дело вступил второй механизм — гауссовская регрессия. Она уточнила результат с помощью двойной экспоненциальной модели, которая хорошо описывает ранние стадии старения. В цифрах это выглядит так: точность предсказания остаточного ресурса превысила 98%, а среднеквадратичная ошибка при оценке емкости оказалась меньше 1,2% для разных режимов работы.

Сначала ученые обучили нейросеть на данных об умирании 124 аккумуляторов. Затем они перевели результаты предсказаний в трехмерное пространство с помощью коэффициента Пирсона (это обычная мера статистической связи). В этом пространстве легко заметить батареи со схожими характерами деградации. На втором этапе гауссовская регрессия уже использовала эти похожие паттерны, чтобы предсказывать остаточный ресурс на ранней стадии. Чем больше с каждой конкретной батареей накапливалось данных, тем точнее становилось предсказание.

До этого исследования большинство методов работало либо чисто на нейросетях (они часто переобучались и начинали гадать), либо на статистических моделях (те были слишком грубыми). Прорывом назвать сложно, потому что идея двухступенчатых моделей не нова, но здесь впервые удалось так чисто совместить нейросеть именно с гауссовской регрессией для литий-ионных батарей. Главный подвох кроется в данных: обучение проводилось на 124 образцах, и неизвестно, как поведет себя метод на батареях другого химического состава, например литий-железо-фосфатных, которые стареют иначе. Ученые сами признают, что для уверенного вывода нужны испытания на сотнях разных типов.

С точки зрения стоимости технология очень доступна. Для расчетов не нужно уникальное оборудование — достаточно обычного компьютера и программы для нейросетей. Любая компания, у которой есть данные о разрядах батарей, сможет запустить такой алгоритм практически бесплатно. Дороговизна может возникнуть только на этапе сбора качественных данных о сотнях умирающих аккумуляторов — это долго и требует лабораторных стендов.

Возможный вред

Как только метод начнут применять на практике, возникает риск, что производители начнут занижать прогнозы, чтобы продавать больше батарей. Или, наоборот, завышать остаточный ресурс для подержанных машин, а потом люди будут попадать в аварии из-за внезапно отказавших аккумуляторов.

Когда разработка будет доступна каждому

Не раньше чем через два-три года. Сначала метод должны внедрить производители батарей или автопроизводители в свои бортовые системы. Для простого водителя это останется «черным ящиком»: на экране появится более точный процент износа, но не сам алгоритм.

Сравнение с аналогами

Сегодня самые распространенные способы: физические модели (требуют понимания химии внутри, сложны в настройке) и чистые нейросети (могут сильно ошибаться на новых данных). Метод с двухэтапным подходом оказывается посередине — точнее физических моделей и стабильнее чистых нейросетей. Прямой аналог — метод на основе сверточных нейросетей и LSTM (долгой краткосрочной памяти), он дает сопоставимую точность 96–97%, но требует гораздо больше вычислений. Китайский вариант легче и быстрее.

Критика разработки

Исследователи использовали двойную экспоненциальную модель для ранних предсказаний. Но у реальных батарей деградация часто не подчиняется двойной экспоненте — появляются ступеньки, провалы, даже временный рост емкости. Авторы не проверили свой метод на батареях с таким «нервным» поведением. Значит, в реальной жизни алгоритм может давать ошибку значительно больше заявленных 1,2%. Пока это лабораторная красота на чистых данных.

Ранее ученые разработали революционный материал для литий-ионных батарей.