Neues KI-Modell prognostiziert Batteriezustand mit 99,46 % Genauigkeit

Ein neu entwickeltes KI-Modell kombiniert physikbasierte neuronale Netze mit einer Quantum Feature Mapping‑Technik, um die Lebensdauer von Batterien präziser vorherzusagen als je zuvor.

Die Zuverlässigkeit von Batteriespeichern hängt entscheidend von einer genauen Schätzung des Zustands der Batterie (State of Health, SOH) ab. Traditionelle neuronale Netzwerke stoßen dabei an ihre Grenzen, weil sie die komplexen, hochdimensionalen physikalischen Prozesse der Batterieverdeutschung nicht vollständig erfassen können.

Das neue Modell, genannt QPINN, projiziert Rohdaten aus Batteriesensoren in einen hochdimensionalen Hilbert‑Raum. Durch die Quantum Feature Mapping‑Methode entstehen sehr ausdrucksstarke Merkmale, die subtile, nichtlineare Degradationsmuster sichtbar machen. Anschließend verarbeitet ein physikinformiertes Netzwerk diese Merkmale und erzwingt dabei physikalische Beschränkungen.

In umfangreichen Tests erreichte QPINN eine durchschnittliche SOH‑Genauigkeit von 99,46 %. Im Vergleich zu führenden Baselines wurden die Fehlermaße MAPE und RMSE um bis zu 65 % bzw. 62 % reduziert. Die Validierung erfolgte an einem Datensatz mit 310 705 Messungen aus 387 Zellen verschiedener Chemistrien, wobei das Modell auch in Cross‑Validation‑Szenarien ohne Ziel‑Domain‑Labels von einer Chemie auf eine andere übertragbar war.

Diese Fortschritte versprechen eine deutlich höhere Zuverlässigkeit und Flexibilität bei der Wartung und Planung von Batteriespeichersystemen, was insbesondere für die Integration erneuerbarer Energien von großer Bedeutung ist.