seatsСоциально-экономические и технические системы: исследование, проектирование, оптимизацияSocial-economic and technical systems: research, design and optimization1991-6302Казанский (Приволжский) федеральный университетseats-34Research ArticleОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИЕ СИСТЕМЫ: ПРОЕКТИРОВАНИЕ, ФУНКЦИОНИРОВАНИЕ, ЭКСПЛУАТАЦИЯОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИЕ СИСТЕМЫ: ПРОЕКТИРОВАНИЕ, ФУНКЦИОНИРОВАНИЕ, ЭКСПЛУАТАЦИЯМетодика определения работоспособности и остаточного ресурса тяговой аккумуляторной батареи электромобиля на основе нейросетевого подходаA method for determining the operability (SOH) and residual resource (rul) of an electric vehicle traction battery based on a neural network approachКацубаЮ. Н.KatsubaY. N.

кандидат технических наук., доцент

Candidate of Technical Sciences, Associate Professor 

katsuba60@mail.ruКочегаровМ. Е.KochegarovM. E.

Аспирант

Postgraduate Student

mishutka99@bk.ruСанкт-Петербургский горный университет императрицы Екатерины IIРоссияEmpress Catherine II Saint Petersburg Mining UniversityRussian FederationСанкт-Петербургский горный университет императрицы Екатерины IIРоссияEmpress Catherine II Saint Petersburg Mining UniversityRussian Federation202523102025035259Copyright © Кацуба Ю.Н., Кочегаров М.Е., 20252025Кацуба Ю.Н., Кочегаров М.Е.Katsuba Y.N., Kochegarov M.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://seats.elpub.ru/jour/article/view/34

Существует объективная проблема определения текущей работоспособности и остаточного ресурса тяговой аккумуляторной батареи (АКБ) электромобиля на который оказывают значительное влияние внешние факторы: температура окружающей среды, рельеф местности, оценка дорожного покрытия, технология зарядки, квалификация водителя. В данной статье рассмотрены методы определения остаточного ресурса (RUL) и текущей работоспособности (SOH) тяговой АКБ электромобиля. Предложена методика определения работоспособности и остаточного ресурса тяговой АКБ электромобиля на основе нейросетевого подхода, учитывающая внешние факторы.

There is an objective problem of determining the current operability (SOH) and residual resource (RUL) of an electric vehicle traction battery, which is significantly influenced by external factors: ambient temperature, terrain, road surface assessment, charging technology, driver qualifications. This article discusses methods for determining the residual resource (RUL) and current operability (SOH) of an electric vehicle traction battery. A method for determining the operability (SOH) and residual resource (RUL) of an electric vehicle traction battery based on a neural network approach, taking into account external factors, is proposed.

диагностированиетяговая аккумуляторная батареяоценка SOHпрогнозирование RULпрогноз состояния аккумулятораDiagnosticstraction batterySOH assessmentRUL forecastingbattery condition forecastReferencesСегмент SUV захватил лидерство в парке электрокаров и гибридов [Электронный ресурс] // Автостат: сайт. – URL: https://www.autostat.ru/infographics/58503/ (дата обращения: 15.04.2025)Сегмент SUV захватил лидерство в парке электрокаров и гибридов [Электронный ресурс] // Автостат: сайт. – URL: https://www.autostat.ru/infographics/58503/ (дата обращения: 15.04.2025)В России зарегистрировано 90 тысяч электрокаров и гибридов [Электронный ресурс] // Автостат: сайт. – URL: https://www.autostat.ru/infographics/58435/ (дата обращения: 15.04.2025)В России зарегистрировано 90 тысяч электрокаров и гибридов [Электронный ресурс] // Автостат: сайт. – URL: https://www.autostat.ru/infographics/58435/ (дата обращения: 15.04.2025)Продажи электромобилей в России [Электронный ресурс] // Автостат: сайт. – URL: https://www.autostat.ru/infographics/57785/ (дата обращения: 15.04.2025)Продажи электромобилей в России [Электронный ресурс] // Автостат: сайт. – URL: https://www.autostat.ru/infographics/57785/ (дата обращения: 15.04.2025)Sadegh Kouhestani, H., Yi, X., Qi, G., Liu, X., Wang, R., Gao, Y., Yu, X., & Liu, L. (2022). Prognosis and Health Management (PHM) of Solid-State Batteries: Perspectives, Challenges, and Opportunities. Energies, 15(18), 6599. https://doi.org/10.3390/en15186599Sadegh Kouhestani, H., Yi, X., Qi, G., Liu, X., Wang, R., Gao, Y., Yu, X., & Liu, L. (2022). Prognosis and Health Management (PHM) of Solid-State Batteries: Perspectives, Challenges, and Opportunities. Energies, 15(18), 6599. https://doi.org/10.3390/en15186599Zhao, J., Zhu, Y., Zhang, B., Liu, M., Wang, J., Liu, C., & Hao, X. (2023). Review of State Estimation and Remaining Useful Life Prediction Methods for Lithium–Ion Batteries. Sustainability, 15(6), 5014. https://doi.org/10.3390/su15065014Zhao, J., Zhu, Y., Zhang, B., Liu, M., Wang, J., Liu, C., & Hao, X. (2023). Review of State Estimation and Remaining Useful Life Prediction Methods for Lithium–Ion Batteries. Sustainability, 15(6), 5014. https://doi.org/10.3390/su15065014Akbar, K., Zou, Y., Awais, Q., Baig, M. J. A., & Jamil, M. (2022). A Machine Learning-Based Robust State of Health (SOH) Prediction Model for Electric Vehicle Batteries. Electronics, 11(8), 1216. https://doi.org/10.3390/electronics11081216Akbar, K., Zou, Y., Awais, Q., Baig, M. J. A., & Jamil, M. (2022). A Machine Learning-Based Robust State of Health (SOH) Prediction Model for Electric Vehicle Batteries. Electronics, 11(8), 1216. https://doi.org/10.3390/electronics11081216Huang, S.-C., Tseng, K.-H., Liang, J.-W., Chang, C.-L., & Pecht, M. G. (2017). An Online SOC and SOH Estimation Model for Lithium-Ion Batteries. Energies, 10(4), 512. https://doi.org/10.3390/en10040512Huang, S.-C., Tseng, K.-H., Liang, J.-W., Chang, C.-L., & Pecht, M. G. (2017). An Online SOC and SOH Estimation Model for Lithium-Ion Batteries. Energies, 10(4), 512. https://doi.org/10.3390/en10040512X. Cui and T. Hu, "State of Health Diagnosis and Remaining Useful Life Prediction for Lithium-ion Battery Based on Data Model Fusion Method," in IEEE Access, vol. 8, pp. 207298-207307, 2020, https://doi.org/10.1109/ACCESS.2020.3038182X. Cui and T. Hu, "State of Health Diagnosis and Remaining Useful Life Prediction for Lithium-ion Battery Based on Data Model Fusion Method," in IEEE Access, vol. 8, pp. 207298-207307, 2020, https://doi.org/10.1109/ACCESS.2020.3038182Ming-Feng Ge, Yiben Liu, Xingxing Jiang, Jie Liu, A review on state of health estimations and remaining useful life prognostics of lithium-ion batteries, Measurement, 174, 2021, 109057, ISSN 0263-2241, https://doi.org/10.1016/j.measurement.2021.109057Ming-Feng Ge, Yiben Liu, Xingxing Jiang, Jie Liu, A review on state of health estimations and remaining useful life prognostics of lithium-ion batteries, Measurement, 174, 2021, 109057, ISSN 0263-2241, https://doi.org/10.1016/j.measurement.2021.109057Kocsis Szürke, S., Sütheö, G., Apagyi, A., Lakatos, I., & Fischer, S. (2022). Cell Fault Identification and Localization Procedure for Lithium-Ion Battery System of Electric Vehicles Based on Real Measurement Data. Algorithms, 15(12), 467. https://doi.org/10.3390/a15120467Kocsis Szürke, S., Sütheö, G., Apagyi, A., Lakatos, I., & Fischer, S. (2022). Cell Fault Identification and Localization Procedure for Lithium-Ion Battery System of Electric Vehicles Based on Real Measurement Data. Algorithms, 15(12), 467. https://doi.org/10.3390/a15120467Natthida Sukkam, Thossaporn Onsree, Nakorn Tippayawong; Overview of machine learning applications to battery thermal management systems in electric vehicles. AIP Conf. Proc. 17 November 2022; 2681 (1): 020004. https://doi.org/10.1063/5.0115829Natthida Sukkam, Thossaporn Onsree, Nakorn Tippayawong; Overview of machine learning applications to battery thermal management systems in electric vehicles. AIP Conf. Proc. 17 November 2022; 2681 (1): 020004. https://doi.org/10.1063/5.0115829

The authors declare that there are no conflicts of interest present.