EntroLnn: Flüssige Neuronale Netze mit Entropie für Echtzeit‑Batterieanalyse

Ein neues Forschungsprojekt namens EntroLnn eröffnet einen völlig neuen Ansatz zur Vorhersage des Kapazitätsverlusts von Batterien. Im Gegensatz zu bisherigen Studien, die sich ausschließlich auf die Schätzung des Gesundheitszustands (SoH) oder die End‑of‑Life‑Vorhersage (EoL) konzentrieren, verfolgt EntroLnn das Ziel, die gesamte Kapazitäts‑Fade‑Trajectory (CFT) in Echtzeit zu verfeinern.

Der Schlüssel liegt in der Kombination von entropie‑gesteuerten Merkmalen, die erstmals aus Online‑Temperaturfeldern extrahiert werden, mit speziell angepassten flüssigen neuronalen Netzwerken (LNNs). Diese Netzwerke sind in der Lage, die zeitlichen Dynamiken einer Batterie präzise zu modellieren und gleichzeitig sowohl statische als auch dynamische Anpassungsfähigkeit zu gewährleisten. Durch die Integration dieser beiden Elemente wird die CFT‑Verfeinerung als ein zusammenhängender Prozess behandelt, anstatt als getrennte Aufgaben für SoH‑ und EoL‑Schätzung.

Die Ergebnisse sind beeindruckend: EntroLnn erzielt durchschnittliche absolute Fehler von lediglich 0,004577 für die Kapazitäts‑Fade‑Trajectory und 18 Zyklen für die EoL‑Vorhersage. Diese Genauigkeit bleibt über verschiedene Batterietypen und Betriebsbedingungen hinweg konstant, was die Robustheit und Generalisierbarkeit des Modells unterstreicht. Gleichzeitig bleibt die Berechnung leichtgewichtig, was die Integration in bestehende Batteriemanagementsysteme erleichtert.

Mit EntroLnn wird ein Fundament für entropie‑informiertes Lernen in der Batterianalyse gelegt. Das System bietet eine selbstadaptive, leichtgewichtige und interpretierbare Lösung für die Batteriezustandsvorhersage, die in praktischen BMS‑Anwendungen sofort eingesetzt werden kann. Diese Entwicklung verspricht, die Effizienz und Lebensdauer moderner Batterien nachhaltig zu verbessern.