- 25,450
- 46
- 8 Ноя 2022
Как новый вид обучения избавит электрокары от риска внезапной остановки на трассе.
Срок службы литий-ионных батарей давно пытаются предсказывать точнее, но на практике задача упирается в одну и ту же проблему: аккумулятор стареет не по красивой учебной кривой, а под влиянием шума в данных, разных режимов работы и множества плохо наблюдаемых процессов внутри ячейки. Новая работа предлагает обойти часть этих ограничений за счёт гибридной ИИ-модели, которая не делает ставку на один метод, а объединяет сразу несколько подходов. По словам авторов , такая схема заметно точнее оценивает, сколько циклов батарея ещё сможет отработать до того момента, когда ёмкость опустится ниже рабочего порога.
Речь идёт о прогнозе так называемого остаточного ресурса, или Remaining Useful Life, RUL. В контексте аккумуляторов этот показатель означает, сколько циклов зарядки и разрядки элемент ещё выдержит, прежде чем потеряет слишком большую часть ёмкости. Для электромобилей, бытовой электроники и систем накопления энергии такая оценка напрямую влияет на безопасность, стоимость обслуживания и риск внезапного отказа. Чем точнее прогноз, тем проще заранее понять, когда батарею пора обслуживать, менять или выводить из критического режима эксплуатации.
Обычные методы здесь давно делятся на два больших класса. Первый опирается на физические модели, которые пытаются описать внутреннюю химию батареи и просчитать, как именно она деградирует со временем. Такой подход выглядит убедительно, но быстро сталкивается с реальностью: внутри аккумулятора одновременно идут сложные и взаимосвязанные процессы, а реальные условия работы редко совпадают с аккуратными лабораторными сценариями. Второй класс строится на данных. Здесь модель не пытается подробно воспроизводить электрохимию, а учится находить закономерности в измерениях. Такие системы часто работают хорошо, пока данных много и они достаточно чистые, но начинают хуже справляться с долгими прогнозами или шумными сигналами.
Авторы новой работы попытались закрыть этот разрыв гибридной архитектурой. В ней сочетаются свёрточная нейросеть , рекуррентный блок GRU и так называемый фильтр частиц. У каждого компонента своя задача. Свёрточная сеть выделяет полезные признаки из входных данных. GRU, разновидность рекуррентной нейросети, отслеживает, как эти признаки меняются со временем. Фильтр частиц затем уточняет прогноз и не даёт ошибкам постепенно накапливаться по мере движения вперёд по временной шкале.
<!--'start_frame_cache_Zg1Ab0'--><div class="banner-detailed"><div class="banner-detailed__shell"><div class="banner-detailed__title">Они читают вашу переписку <span>Читайте хотя бы нас — это бесплатно.</span><div class="banner-detailed__arrow"><svg viewBox="0 0 40 40" fill="none" xmlns="http://www.w3.org/2000/svg"><path d="M20.5375 34.4392L22.465 31.7392C22.5739 31.5872 22.7145 31.4607 22.8772 31.3684C23.0399 31.2762 23.2207 31.2205 23.407 31.2052C23.5934 31.1898 23.7809 31.2152 23.9564 31.2796C24.132 31.344 24.2915 31.4458 24.4237 31.578L29.6025 36.758C30.0787 37.2333 30.724 37.5002 31.3969 37.5002C32.0697 37.5002 32.715 37.2333 33.1912 36.758L36.7575 33.1917C37.2328 32.7155 37.4998 32.0702 37.4998 31.3973C37.4998 30.7245 37.2328 30.0792 36.7575 29.603L31.5775 24.4242C31.4453 24.2919 31.3435 24.1325 31.2791 23.9569C31.2147 23.7814 31.1893 23.5939 31.2047 23.4075C31.22 23.2211 31.2757 23.0404 31.368 22.8777C31.4602 22.715 31.5867 22.5743 31.7387 22.4655L34.4387 20.538C34.6405 20.3939 34.7965 20.1947 34.8878 19.9641C34.9791 19.7336 35.0018 19.4816 34.9534 19.2385C34.9049 18.9953 34.7873 18.7713 34.6146 18.5934C34.442 18.4155 34.2216 18.2912 33.98 18.2355L13.5112 13.5117L18.235 33.9805C18.2907 34.2221 18.415 34.4425 18.5929 34.6151C18.7708 34.7878 18.9948 34.9054 19.238 34.9539C19.4812 35.0023 19.7331 34.9795 19.9637 34.8882C20.1942 34.7969 20.3934 34.641 20.5375 34.4392Z" fill="#FFD98C"></path><path d="M34.0751 37.6413C33.3582 38.3389 32.3973 38.7293 31.397 38.7293C30.3966 38.7293 29.4358 38.3389 28.7189 37.6413L23.4826 32.4663L21.5539 35.165C21.2699 35.5626 20.8773 35.8698 20.423 36.0497C19.9688 36.2295 19.4723 36.2744 18.9931 36.179C18.514 36.0836 18.0726 35.8518 17.7219 35.5117C17.3713 35.1715 17.1263 34.7373 17.0164 34.2613L12.2926 13.7925C12.2447 13.5858 12.2502 13.3702 12.3086 13.1662C12.367 12.9622 12.4764 12.7764 12.6264 12.6263C12.7765 12.4763 12.9623 12.3669 13.1663 12.3085C13.3703 12.2501 13.5859 12.2446 13.7926 12.2925L34.2614 17.0175C34.7374 17.1271 35.1717 17.3719 35.512 17.7225C35.8523 18.073 36.0841 18.5144 36.1795 18.9935C36.275 19.4726 36.23 19.9691 36.0501 20.4233C35.8701 20.8775 35.5628 21.27 35.1651 21.5538L32.4614 23.54L37.6414 28.7188C38.3498 29.43 38.7476 30.393 38.7476 31.3969C38.7476 32.4008 38.3498 33.3637 37.6414 34.075L34.0751 37.6413ZM35.8751 30.4863L30.6951 25.3075C30.4344 25.047 30.2336 24.7328 30.1068 24.3868C29.9799 24.0407 29.9299 23.6712 29.9604 23.3039C29.9908 22.9366 30.101 22.5804 30.2831 22.26C30.4653 21.9396 30.7151 21.6628 31.0151 21.4488L33.6989 19.4488L15.1851 15.1763L19.5001 33.7275L19.5139 33.7113L21.4414 31.0125C21.6555 30.7124 21.9325 30.4626 22.253 30.2805C22.5735 30.0983 22.9298 29.9882 23.2972 29.9577C23.6646 29.9272 24.0342 29.9772 24.3803 30.1041C24.7264 30.231 25.0407 30.4318 25.3014 30.6925L30.4864 35.875C30.728 36.1163 31.0555 36.2518 31.397 36.2518C31.7385 36.2518 32.066 36.1163 32.3076 35.875L35.8751 32.3075C36.1161 32.0657 36.2514 31.7383 36.2514 31.3969C36.2514 31.0555 36.1161 30.728 35.8751 30.4863ZM8.14636 9.385C7.98292 9.38706 7.82069 9.35675 7.66901 9.29583C7.51733 9.2349 7.37921 9.14455 7.26261 9.03L4.58011 6.3475C4.35242 6.11175 4.22643 5.796 4.22927 5.46825C4.23212 5.1405 4.36358 4.82699 4.59534 4.59523C4.8271 4.36347 5.14062 4.23201 5.46836 4.22916C5.79611 4.22631 6.11186 4.3523 6.34761 4.58L9.03012 7.2625C9.20107 7.43787 9.31674 7.65959 9.36277 7.90013C9.4088 8.14068 9.38315 8.38944 9.28901 8.61553C9.19487 8.84162 9.03639 9.03508 8.83325 9.17188C8.63011 9.30867 8.39126 9.38278 8.14636 9.385ZM17.9726 9.03C17.7362 9.26044 17.419 9.3894 17.0889 9.3894C16.7587 9.3894 16.4416 9.26044 16.2051 9.03C15.9708 8.79559 15.8391 8.47771 15.8391 8.14625C15.8391 7.8148 15.9708 7.49691 16.2051 7.2625L18.8876 4.58C19.0029 4.46061 19.1409 4.36538 19.2934 4.29987C19.4459 4.23436 19.6099 4.19988 19.7759 4.19844C19.9418 4.197 20.1064 4.22862 20.2601 4.29147C20.4137 4.35432 20.5532 4.44714 20.6706 4.56451C20.788 4.68187 20.8808 4.82144 20.9436 4.97506C21.0065 5.12868 21.0381 5.29328 21.0367 5.45925C21.0352 5.62523 21.0008 5.78925 20.9352 5.94176C20.8697 6.09426 20.7745 6.23219 20.6551 6.3475L17.9726 9.03ZM6.34761 20.655C6.11146 20.886 5.79423 21.0154 5.46386 21.0154C5.1335 21.0154 4.81627 20.886 4.58011 20.655C4.34578 20.4206 4.21413 20.1027 4.21413 19.7713C4.21413 19.4398 4.34578 19.1219 4.58011 18.8875L7.26261 16.205C7.37792 16.0856 7.51585 15.9904 7.66836 15.9249C7.82086 15.8594 7.98489 15.8249 8.15086 15.8234C8.31684 15.822 8.48144 15.8536 8.63506 15.9165C8.78868 15.9793 8.92824 16.0721 9.04561 16.1895C9.16297 16.3069 9.25579 16.4464 9.31864 16.6001C9.38149 16.7537 9.41312 16.9183 9.41168 17.0843C9.41024 17.2502 9.37575 17.4143 9.31024 17.5668C9.24473 17.7193 9.1495 17.8572 9.03012 17.9725L6.34761 20.655ZM12.6176 7.54375C12.2861 7.54375 11.9682 7.41205 11.7337 7.17763C11.4993 6.94321 11.3676 6.62527 11.3676 6.29375V2.5C11.3676 2.16848 11.4993 1.85054 11.7337 1.61612C11.9682 1.3817 12.2861 1.25 12.6176 1.25C12.9491 1.25 13.2671 1.3817 13.5015 1.61612C13.7359 1.85054 13.8676 2.16848 13.8676 2.5V6.29375C13.8676 6.62527 13.7359 6.94321 13.5015 7.17763C13.2671 7.41205 12.9491 7.54375 12.6176 7.54375ZM2.50011 11.3675H6.29387C6.62539 11.3675 6.94333 11.4992 7.17775 11.7336C7.41217 11.968 7.54387 12.286 7.54387 12.6175C7.54387 12.949 7.41217 13.267 7.17775 13.5014C6.94333 13.7358 6.62539 13.8675 6.29387 13.8675H2.50011C2.16859 13.8675 1.85065 13.7358 1.61623 13.5014C1.38181 13.267 1.25011 12.949 1.25011 12.6175C1.25011 12.286 1.38181 11.968 1.61623 11.7336C1.85065 11.4992 2.16859 11.3675 2.50011 11.3675Z" fill="#272727"></path></svg> <!--'end_frame_cache_Zg1Ab0'--> Работа модели начинается ещё до собственно прогноза. Сначала данные о состоянии батареи проходят предварительную обработку с помощью метода complete ensemble empirical mode decomposition with adaptive noise. По сути, такой этап разбирает сложный сигнал деградации на составляющие, ослабляет шум и старается сохранить те элементы, в которых действительно отражается старение аккумулятора. Для батарейных данных это особенно важно, потому что кривая снижения ёмкости редко бывает гладкой: в ней хватает колебаний, случайных отклонений и коротких участков, которые могут сбить модель с толку.
После такой очистки одномерная свёрточная нейросеть извлекает ключевые признаки из сигнала. Свёрточные модели особенно удобны там, где нужно находить локальные структуры и характерные фрагменты данных. В случае аккумулятора речь идёт не об изображении, а о временном ряде, но логика похожая: алгоритм ищет повторяющиеся паттерны, связанные с деградацией. Следом в работу вступает GRU. Этот модуль отвечает уже не за выделение признаков, а за понимание временной динамики, то есть за то, как найденные характеристики меняются от цикла к циклу.
Ключевую роль в схеме играет фильтр частиц. В отличие от обычной нейросети, которая просто выдаёт следующее предсказание, такой фильтр постоянно уточняет наиболее вероятное состояние батареи и тем самым корректирует прогноз. Если говорить проще, система не только предсказывает будущее, но и всё время перепроверяет себя по вероятностной модели. За счёт этого снижается накопление ошибки, которое особенно опасно в длинных прогнозах, когда небольшое отклонение на одном шаге постепенно разрастается в серьёзный промах.
Дополнительно авторы использовали механизм скользящего окна. Он возвращает скорректированные прогнозы обратно в модель и позволяет ей подстраиваться по мере поступления новых данных. Такая схема делает систему более гибкой: модель не застывает после первоначального обучения, а продолжает уточнять оценку состояния аккумулятора по ходу работы. Для реальных батарей это важный момент, потому что их поведение может заметно меняться на разных этапах старения.
Проверку провели на эталонных наборах данных, включая широко используемые батарейные массивы NASA и CALCE. Именно на таких базах обычно сравнивают новые методы прогноза, поэтому результаты можно сопоставлять с другими подходами. По словам авторов, гибридная модель повысила точность оценки остаточного ресурса на 87,27 % по сравнению с отдельным использованием GRU, на 82,88 % по сравнению с фильтром частиц без такой глубокой модели и на 55,43 % по сравнению с более простыми гибридными сочетаниями. Отдельно исследователи подчёркивают ещё одну деталь: система сохраняла устойчивость даже тогда, когда обучалась на ограниченных или шумных данных.
Практический смысл у таких улучшений вполне прямой. Для электромобилей более точный прогноз остаточного ресурса означает меньше неопределённости с запасом хода и меньший риск внезапного отказа батареи. Для крупных систем хранения энергии, которые поддерживают электросети, хороший прогноз помогает точнее планировать обслуживание, снижать простои и лучше вписывать накопители в работу с возобновляемыми источниками. Чем надёжнее оценка состояния батареи, тем легче эксплуатировать систему без лишнего запаса на случай ошибки.
Отдельный плюс работы связан с тем, что модель неплохо справляется даже при небольших объёмах данных. Для реального внедрения это особенно важно. В лабораторных условиях можно собрать аккуратный и полный набор измерений, а в промышленной эксплуатации данные часто оказываются неполными, шумными или просто неоднородными. Система, которая требует идеального обучающего массива, в реальном мире быстро теряет ценность. Здесь авторы как раз делают ставку на то, что их подход лучше переносит далеко не идеальные условия.
Следующий шаг они видят в нескольких направлениях. Модель можно проверить при экстремальных температурах, добавить новые индикаторы состояния вроде напряжения и температуры, а также расширить подход с одной ячейки до целых батарейных сборок. Последний пункт особенно важен, потому что реальные аккумуляторные системы почти никогда не состоят из одного элемента. В батарейном блоке отдельные ячейки стареют по-разному, и прогноз для всей сборки всегда сложнее, чем для одной батареи в лабораторном тесте.
Работа показывает довольно понятную вещь: по отдельности глубокое обучение и вероятностные методы упираются в собственные ограничения, но вместе могут давать более надёжный результат. Для отрасли, где ошибка в оценке ресурса означает либо лишние расходы, либо реальный риск отказа, такой гибридный подход выглядит не просто красивой математикой, а вполне прикладным инструментом.
Срок службы литий-ионных батарей давно пытаются предсказывать точнее, но на практике задача упирается в одну и ту же проблему: аккумулятор стареет не по красивой учебной кривой, а под влиянием шума в данных, разных режимов работы и множества плохо наблюдаемых процессов внутри ячейки. Новая работа предлагает обойти часть этих ограничений за счёт гибридной ИИ-модели, которая не делает ставку на один метод, а объединяет сразу несколько подходов. По словам авторов , такая схема заметно точнее оценивает, сколько циклов батарея ещё сможет отработать до того момента, когда ёмкость опустится ниже рабочего порога.
Речь идёт о прогнозе так называемого остаточного ресурса, или Remaining Useful Life, RUL. В контексте аккумуляторов этот показатель означает, сколько циклов зарядки и разрядки элемент ещё выдержит, прежде чем потеряет слишком большую часть ёмкости. Для электромобилей, бытовой электроники и систем накопления энергии такая оценка напрямую влияет на безопасность, стоимость обслуживания и риск внезапного отказа. Чем точнее прогноз, тем проще заранее понять, когда батарею пора обслуживать, менять или выводить из критического режима эксплуатации.
Обычные методы здесь давно делятся на два больших класса. Первый опирается на физические модели, которые пытаются описать внутреннюю химию батареи и просчитать, как именно она деградирует со временем. Такой подход выглядит убедительно, но быстро сталкивается с реальностью: внутри аккумулятора одновременно идут сложные и взаимосвязанные процессы, а реальные условия работы редко совпадают с аккуратными лабораторными сценариями. Второй класс строится на данных. Здесь модель не пытается подробно воспроизводить электрохимию, а учится находить закономерности в измерениях. Такие системы часто работают хорошо, пока данных много и они достаточно чистые, но начинают хуже справляться с долгими прогнозами или шумными сигналами.
Авторы новой работы попытались закрыть этот разрыв гибридной архитектурой. В ней сочетаются свёрточная нейросеть , рекуррентный блок GRU и так называемый фильтр частиц. У каждого компонента своя задача. Свёрточная сеть выделяет полезные признаки из входных данных. GRU, разновидность рекуррентной нейросети, отслеживает, как эти признаки меняются со временем. Фильтр частиц затем уточняет прогноз и не даёт ошибкам постепенно накапливаться по мере движения вперёд по временной шкале.
<!--'start_frame_cache_Zg1Ab0'--><div class="banner-detailed"><div class="banner-detailed__shell"><div class="banner-detailed__title">Они читают вашу переписку <span>Читайте хотя бы нас — это бесплатно.</span><div class="banner-detailed__arrow"><svg viewBox="0 0 40 40" fill="none" xmlns="http://www.w3.org/2000/svg"><path d="M20.5375 34.4392L22.465 31.7392C22.5739 31.5872 22.7145 31.4607 22.8772 31.3684C23.0399 31.2762 23.2207 31.2205 23.407 31.2052C23.5934 31.1898 23.7809 31.2152 23.9564 31.2796C24.132 31.344 24.2915 31.4458 24.4237 31.578L29.6025 36.758C30.0787 37.2333 30.724 37.5002 31.3969 37.5002C32.0697 37.5002 32.715 37.2333 33.1912 36.758L36.7575 33.1917C37.2328 32.7155 37.4998 32.0702 37.4998 31.3973C37.4998 30.7245 37.2328 30.0792 36.7575 29.603L31.5775 24.4242C31.4453 24.2919 31.3435 24.1325 31.2791 23.9569C31.2147 23.7814 31.1893 23.5939 31.2047 23.4075C31.22 23.2211 31.2757 23.0404 31.368 22.8777C31.4602 22.715 31.5867 22.5743 31.7387 22.4655L34.4387 20.538C34.6405 20.3939 34.7965 20.1947 34.8878 19.9641C34.9791 19.7336 35.0018 19.4816 34.9534 19.2385C34.9049 18.9953 34.7873 18.7713 34.6146 18.5934C34.442 18.4155 34.2216 18.2912 33.98 18.2355L13.5112 13.5117L18.235 33.9805C18.2907 34.2221 18.415 34.4425 18.5929 34.6151C18.7708 34.7878 18.9948 34.9054 19.238 34.9539C19.4812 35.0023 19.7331 34.9795 19.9637 34.8882C20.1942 34.7969 20.3934 34.641 20.5375 34.4392Z" fill="#FFD98C"></path><path d="M34.0751 37.6413C33.3582 38.3389 32.3973 38.7293 31.397 38.7293C30.3966 38.7293 29.4358 38.3389 28.7189 37.6413L23.4826 32.4663L21.5539 35.165C21.2699 35.5626 20.8773 35.8698 20.423 36.0497C19.9688 36.2295 19.4723 36.2744 18.9931 36.179C18.514 36.0836 18.0726 35.8518 17.7219 35.5117C17.3713 35.1715 17.1263 34.7373 17.0164 34.2613L12.2926 13.7925C12.2447 13.5858 12.2502 13.3702 12.3086 13.1662C12.367 12.9622 12.4764 12.7764 12.6264 12.6263C12.7765 12.4763 12.9623 12.3669 13.1663 12.3085C13.3703 12.2501 13.5859 12.2446 13.7926 12.2925L34.2614 17.0175C34.7374 17.1271 35.1717 17.3719 35.512 17.7225C35.8523 18.073 36.0841 18.5144 36.1795 18.9935C36.275 19.4726 36.23 19.9691 36.0501 20.4233C35.8701 20.8775 35.5628 21.27 35.1651 21.5538L32.4614 23.54L37.6414 28.7188C38.3498 29.43 38.7476 30.393 38.7476 31.3969C38.7476 32.4008 38.3498 33.3637 37.6414 34.075L34.0751 37.6413ZM35.8751 30.4863L30.6951 25.3075C30.4344 25.047 30.2336 24.7328 30.1068 24.3868C29.9799 24.0407 29.9299 23.6712 29.9604 23.3039C29.9908 22.9366 30.101 22.5804 30.2831 22.26C30.4653 21.9396 30.7151 21.6628 31.0151 21.4488L33.6989 19.4488L15.1851 15.1763L19.5001 33.7275L19.5139 33.7113L21.4414 31.0125C21.6555 30.7124 21.9325 30.4626 22.253 30.2805C22.5735 30.0983 22.9298 29.9882 23.2972 29.9577C23.6646 29.9272 24.0342 29.9772 24.3803 30.1041C24.7264 30.231 25.0407 30.4318 25.3014 30.6925L30.4864 35.875C30.728 36.1163 31.0555 36.2518 31.397 36.2518C31.7385 36.2518 32.066 36.1163 32.3076 35.875L35.8751 32.3075C36.1161 32.0657 36.2514 31.7383 36.2514 31.3969C36.2514 31.0555 36.1161 30.728 35.8751 30.4863ZM8.14636 9.385C7.98292 9.38706 7.82069 9.35675 7.66901 9.29583C7.51733 9.2349 7.37921 9.14455 7.26261 9.03L4.58011 6.3475C4.35242 6.11175 4.22643 5.796 4.22927 5.46825C4.23212 5.1405 4.36358 4.82699 4.59534 4.59523C4.8271 4.36347 5.14062 4.23201 5.46836 4.22916C5.79611 4.22631 6.11186 4.3523 6.34761 4.58L9.03012 7.2625C9.20107 7.43787 9.31674 7.65959 9.36277 7.90013C9.4088 8.14068 9.38315 8.38944 9.28901 8.61553C9.19487 8.84162 9.03639 9.03508 8.83325 9.17188C8.63011 9.30867 8.39126 9.38278 8.14636 9.385ZM17.9726 9.03C17.7362 9.26044 17.419 9.3894 17.0889 9.3894C16.7587 9.3894 16.4416 9.26044 16.2051 9.03C15.9708 8.79559 15.8391 8.47771 15.8391 8.14625C15.8391 7.8148 15.9708 7.49691 16.2051 7.2625L18.8876 4.58C19.0029 4.46061 19.1409 4.36538 19.2934 4.29987C19.4459 4.23436 19.6099 4.19988 19.7759 4.19844C19.9418 4.197 20.1064 4.22862 20.2601 4.29147C20.4137 4.35432 20.5532 4.44714 20.6706 4.56451C20.788 4.68187 20.8808 4.82144 20.9436 4.97506C21.0065 5.12868 21.0381 5.29328 21.0367 5.45925C21.0352 5.62523 21.0008 5.78925 20.9352 5.94176C20.8697 6.09426 20.7745 6.23219 20.6551 6.3475L17.9726 9.03ZM6.34761 20.655C6.11146 20.886 5.79423 21.0154 5.46386 21.0154C5.1335 21.0154 4.81627 20.886 4.58011 20.655C4.34578 20.4206 4.21413 20.1027 4.21413 19.7713C4.21413 19.4398 4.34578 19.1219 4.58011 18.8875L7.26261 16.205C7.37792 16.0856 7.51585 15.9904 7.66836 15.9249C7.82086 15.8594 7.98489 15.8249 8.15086 15.8234C8.31684 15.822 8.48144 15.8536 8.63506 15.9165C8.78868 15.9793 8.92824 16.0721 9.04561 16.1895C9.16297 16.3069 9.25579 16.4464 9.31864 16.6001C9.38149 16.7537 9.41312 16.9183 9.41168 17.0843C9.41024 17.2502 9.37575 17.4143 9.31024 17.5668C9.24473 17.7193 9.1495 17.8572 9.03012 17.9725L6.34761 20.655ZM12.6176 7.54375C12.2861 7.54375 11.9682 7.41205 11.7337 7.17763C11.4993 6.94321 11.3676 6.62527 11.3676 6.29375V2.5C11.3676 2.16848 11.4993 1.85054 11.7337 1.61612C11.9682 1.3817 12.2861 1.25 12.6176 1.25C12.9491 1.25 13.2671 1.3817 13.5015 1.61612C13.7359 1.85054 13.8676 2.16848 13.8676 2.5V6.29375C13.8676 6.62527 13.7359 6.94321 13.5015 7.17763C13.2671 7.41205 12.9491 7.54375 12.6176 7.54375ZM2.50011 11.3675H6.29387C6.62539 11.3675 6.94333 11.4992 7.17775 11.7336C7.41217 11.968 7.54387 12.286 7.54387 12.6175C7.54387 12.949 7.41217 13.267 7.17775 13.5014C6.94333 13.7358 6.62539 13.8675 6.29387 13.8675H2.50011C2.16859 13.8675 1.85065 13.7358 1.61623 13.5014C1.38181 13.267 1.25011 12.949 1.25011 12.6175C1.25011 12.286 1.38181 11.968 1.61623 11.7336C1.85065 11.4992 2.16859 11.3675 2.50011 11.3675Z" fill="#272727"></path></svg> <!--'end_frame_cache_Zg1Ab0'--> Работа модели начинается ещё до собственно прогноза. Сначала данные о состоянии батареи проходят предварительную обработку с помощью метода complete ensemble empirical mode decomposition with adaptive noise. По сути, такой этап разбирает сложный сигнал деградации на составляющие, ослабляет шум и старается сохранить те элементы, в которых действительно отражается старение аккумулятора. Для батарейных данных это особенно важно, потому что кривая снижения ёмкости редко бывает гладкой: в ней хватает колебаний, случайных отклонений и коротких участков, которые могут сбить модель с толку.
После такой очистки одномерная свёрточная нейросеть извлекает ключевые признаки из сигнала. Свёрточные модели особенно удобны там, где нужно находить локальные структуры и характерные фрагменты данных. В случае аккумулятора речь идёт не об изображении, а о временном ряде, но логика похожая: алгоритм ищет повторяющиеся паттерны, связанные с деградацией. Следом в работу вступает GRU. Этот модуль отвечает уже не за выделение признаков, а за понимание временной динамики, то есть за то, как найденные характеристики меняются от цикла к циклу.
Ключевую роль в схеме играет фильтр частиц. В отличие от обычной нейросети, которая просто выдаёт следующее предсказание, такой фильтр постоянно уточняет наиболее вероятное состояние батареи и тем самым корректирует прогноз. Если говорить проще, система не только предсказывает будущее, но и всё время перепроверяет себя по вероятностной модели. За счёт этого снижается накопление ошибки, которое особенно опасно в длинных прогнозах, когда небольшое отклонение на одном шаге постепенно разрастается в серьёзный промах.
Дополнительно авторы использовали механизм скользящего окна. Он возвращает скорректированные прогнозы обратно в модель и позволяет ей подстраиваться по мере поступления новых данных. Такая схема делает систему более гибкой: модель не застывает после первоначального обучения, а продолжает уточнять оценку состояния аккумулятора по ходу работы. Для реальных батарей это важный момент, потому что их поведение может заметно меняться на разных этапах старения.
Проверку провели на эталонных наборах данных, включая широко используемые батарейные массивы NASA и CALCE. Именно на таких базах обычно сравнивают новые методы прогноза, поэтому результаты можно сопоставлять с другими подходами. По словам авторов, гибридная модель повысила точность оценки остаточного ресурса на 87,27 % по сравнению с отдельным использованием GRU, на 82,88 % по сравнению с фильтром частиц без такой глубокой модели и на 55,43 % по сравнению с более простыми гибридными сочетаниями. Отдельно исследователи подчёркивают ещё одну деталь: система сохраняла устойчивость даже тогда, когда обучалась на ограниченных или шумных данных.
Практический смысл у таких улучшений вполне прямой. Для электромобилей более точный прогноз остаточного ресурса означает меньше неопределённости с запасом хода и меньший риск внезапного отказа батареи. Для крупных систем хранения энергии, которые поддерживают электросети, хороший прогноз помогает точнее планировать обслуживание, снижать простои и лучше вписывать накопители в работу с возобновляемыми источниками. Чем надёжнее оценка состояния батареи, тем легче эксплуатировать систему без лишнего запаса на случай ошибки.
Отдельный плюс работы связан с тем, что модель неплохо справляется даже при небольших объёмах данных. Для реального внедрения это особенно важно. В лабораторных условиях можно собрать аккуратный и полный набор измерений, а в промышленной эксплуатации данные часто оказываются неполными, шумными или просто неоднородными. Система, которая требует идеального обучающего массива, в реальном мире быстро теряет ценность. Здесь авторы как раз делают ставку на то, что их подход лучше переносит далеко не идеальные условия.
Следующий шаг они видят в нескольких направлениях. Модель можно проверить при экстремальных температурах, добавить новые индикаторы состояния вроде напряжения и температуры, а также расширить подход с одной ячейки до целых батарейных сборок. Последний пункт особенно важен, потому что реальные аккумуляторные системы почти никогда не состоят из одного элемента. В батарейном блоке отдельные ячейки стареют по-разному, и прогноз для всей сборки всегда сложнее, чем для одной батареи в лабораторном тесте.
Работа показывает довольно понятную вещь: по отдельности глубокое обучение и вероятностные методы упираются в собственные ограничения, но вместе могут давать более надёжный результат. Для отрасли, где ошибка в оценке ресурса означает либо лишние расходы, либо реальный риск отказа, такой гибридный подход выглядит не просто красивой математикой, а вполне прикладным инструментом.
- Источник новости
- www.securitylab.ru
