Точная оценка состояния накопителей энергии (State of Health, SoH), в частности, литий-ионных (Li-ion) аккумуляторов является важной для обеспечения надежности систем управления батареями в электромобилях и системах накопления энергии из возобновляемых источников. Традиционные подходы к прогнозированию SoH, включая рекуррентные нейронные сети (RNN), такие как LSTM, часто сталкиваются со сложностями в описании динамики деградации аккумуляторов и, как правило, не обладают достаточной физической интерпретируемостью и способностью к обобщению. Чтобы преодолеть эти ограничения, в работе предлагается гибридная архитектура - TKAN-Volterra Hybrid Model объединяющая преимущества сети Колмогорова-Арнольда (TKAN), оптимизированной для многошагового прогнозирования временных рядов, и оператора Вольтерры, позволяющего описывать эффекты памяти, основанные на физических моделях. TKAN использует настраиваемые B-сплайн активационные функции для точного описания сильно нелинейных процессов деградации, тогда как интегральный оператор Вольтерры предоставляет физически обоснованный механизм представления накопительных и зависящих от истории эффектов старения при различных режимах работы аккумулятора. Архитектура включает адаптивный механизм гейтинга, обеспечивающий оптимальное объединение взаимодополняющей информации от TKAN и вольтерровской модели. Кроме того, модель усиливается физически информированными функциями потерь, что гарантирует согласованность прогнозов с фундаментальными принципами деградации аккумуляторов. Предложенная модель обучается на наборе данных NASA Prognostics Center of Excellence (PCoE), а экспериментальные результаты демонстрируют высокую точность - RMSE < 1.4% и R² > 0.87, при этом модель строго соблюдает физические ограничения на всем протяжении процесса прогнозирования.
Библиографическая ссылка
ДАО М.Х., ДРЕГЛЯ А.И., Сидоров Д.Н. ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ (SOH) ЛИТИЙ-ИОННЫХ АККУМУЛЯТОРОВ С ИСПОЛЬЗОВАНИЕМ ГИБРИДНОЙ МОДЕЛИ TKAN-VOLTERRA // System Analysis and Mathematical Modeling. Т.8. №1. 2026. C.72-97. DOI: 10.17150/2713-1734.2026.8(1).72-87
