AI model s přesností až o 87 % prodlouží životnost baterií v elektromobilech a úložištích energie

Vědci vyvinuli hybridní model umělé inteligence, který výrazně zlepšuje přesnost předpovědi životnosti lithium-iontových baterií. Tento systém kombinuje konvoluční neuronové sítě, gated recurrent units a částicové filtry, aby poskytoval spolehlivější odhady zbývající užitečné životnosti.

Lithium-iontové baterie se časem degradují a ztrácejí kapacitu s opakovanými cykly nabíjení a vybíjení. Přesná předpověď okamžiku selhání baterie zůstává klíčovou výzvou pro elektromobily, spotřební elektroniku a systémy pro ukládání energie v síti. Model se zaměřuje na předpověď zbývající užitečné životnosti (RUL), což je počet cyklů, které baterie dokáže dokončit, než její kapacita klesne pod použitelnou hranici. Přesné předpovědi RUL pomáhají předcházet neočekávaným poruchám, snižovat náklady na údržbu a zvyšovat bezpečnost napříč systémy napájenými bateriemi.

Tradiční metody se opírají buď o fyzikální modely, které simulují vnitřní chemii baterie, ale potýkají se se složitými reálnými podmínkami, nebo o datově orientované přístupy, jako jsou konvoluční neuronové sítě (CNN) a gated recurrent units (GRU). Tyto sice dobře fungují s velkými datovými soubory, ale často ztrácejí přesnost při dlouhodobých předpovědích nebo při práci se zašuměnými daty. K překonání těchto nedostatků vědci vyvinuli hybridní systém, který kombinuje hluboké učení s pravděpodobnostním filtrováním. Tento přístup integruje konvoluční neuronové sítě pro extrakci rysů, gated recurrent units pro časové řady předpovědí a částicové filtry pro korekci chyb předpovědi a stabilizaci výstupů v čase.

Systém začíná předzpracováním dat o baterii pomocí techniky zvané kompletní soubor empirického režimového rozkladu s adaptivním šumem. Tento krok rozkládá složité signály kapacity, odstraňuje šum a zachovává smysluplné vzorce degradace. Jednorozměrná konvoluční neuronová síť pak extrahuje klíčové rysy, zatímco gated recurrent unit zachycuje, jak se tyto rysy vyvíjejí v čase. Částicový filtr hraje kritickou roli tím, že zpřesňuje předpovědi. Neustále upravuje výstup modelu odhadem nejpravděpodobnějšího stavu baterie, čímž snižuje nahromaděné chyby. Mechanismus posuvného okna dále zlepšuje výkon tím, že vrací opravené předpovědi zpět do modelu, což mu umožňuje dynamicky se přizpůsobovat, jakmile jsou k dispozici nová data.

Testy na srovnávacích datových souborech, včetně široce používaných dat o bateriích od NASA a CALCE, ukázaly významné zisky. Hybridní model zlepšil přesnost předpovědi až o 87,27 procenta ve srovnání se samostatnými gated recurrent units, o 82,88 procenta oproti samotným částicovým filtrům a o 55,43 procenta oproti jednodušším hybridním kombinacím. Systém zůstal stabilní i při tréninku na omezených nebo zašuměných datových souborech.

Přesnější předpovědi RUL by mohly přímo prospět elektromobilům snížením nejistoty dojezdu a prevencí náhlých selhání baterií. Pro velkokapacitní úložiště energie v síti může lepší prognózování optimalizovat plány údržby a minimalizovat prostoje, čímž se zlepší spolehlivost systémů obnovitelné energie. Schopnost modelu dobře fungovat s menšími datovými soubory jej také činí vhodným pro reálné nasazení, kde jsou ideální datové podmínky zřídka k dispozici. Vědci naznačují, že budoucí práce by mohla zahrnovat testování v extrémních teplotách, integraci dalších ukazatelů stavu, jako je napětí a teplota, a škálování systému na víčlánkové bateriové sady. Studie zdůrazňuje, jak kombinace hlubokého učení s pravděpodobnostními metodami může překonat omezení každého přístupu jednotlivě a nabízí robustnější cestu k spolehlivému monitorování stavu baterií.