Neues neuronales Modell verbessert Batteriestatus-Schätzung dank Bruchrechnung

Die präzise Bestimmung des Ladezustands (State of Charge, SOC) ist entscheidend für die Sicherheit, Zuverlässigkeit und Leistungsoptimierung von Lithium‑Ion‑Batterien. Traditionelle, datengetriebene neuronale Netze stoßen häufig an ihre Grenzen, wenn es darum geht, die komplexen, nichtlinearen und speicherabhängigen Dynamiken elektrochemischer Prozesse vollständig abzubilden.

Um dieses Problem zu lösen, stellt die aktuelle Studie ein innovatives neuronales Netzwerk vor: das Fractional Differential Equation Physics‑Informed Neural Network (FDIFF‑PINN). Dieses Modell kombiniert die mathematische Kraft der Bruchrechnung mit tiefen Lernalgorithmen und integriert physikalische Gesetzmäßigkeiten direkt in die Netzwerkarchitektur.

Die Hauptbeiträge der Arbeit sind drei‑stufig: Erstens wird auf Basis eines Bruch‑Ordnung‑Äquivalentkreislaufmodells eine diskretisierte partielle Differentialgleichung erster Ordnung aufgebaut. Zweitens wird diese Gleichung in das neuronale Netzwerk eingebettet, sodass die Lernprozesse physikalisch fundiert bleiben. Drittens wurden umfangreiche Vergleichs­experimente mit dynamischen Lade‑ und Entlade­daten von Panasonic 18650PF‑Batterien durchgeführt, die bei Temperaturen von –10 °C bis 20 °C betrieben wurden.

Die Ergebnisse zeigen, dass das FDIFF‑PINN die Genauigkeit der SOC‑Schätzung deutlich verbessert und gleichzeitig die physikalische Interpretierbarkeit erhält. Damit eröffnet das Modell neue Perspektiven für die Echtzeit‑Überwachung und -Optimierung von Batteriesystemen in anspruchsvollen Einsatzszenarien.