Гавриленков Станислав Иванович, аспирант кафедры электротехники и авиационного электрооборудования,
Москва.
Stanislav I. Gavrilenkov, Postgraduate Student of the Chair of Electrical Engineering and Aviation Electrical Equipment,
Moscow.
В работе проведен анализ существующих подходов к моделированию, включая эмпирические, физико-химические и статистические методы, а также методы машинного обучения. Рассмотрены преимущества и ограничения моделей Шеферда, Батлера – Фольмера, моделей на основе регрессионного анализа и LSTM-нейронных сетей. Отдельное внимание уделено перспективному методу математического прототипирования энергетических процессов (ММПЭП), позволяющему строить физически корректные модели, согласованные с фундаментальными законами термодинамики и электродинамики. На основе ММПЭП разработана новая модель динамики напряжения в литийионной аккумуляторной батарее (ЛИАБ), учитывающая процессы поляризации, изменения температуры и нелинейные эффекты. Предложенная в работе модель получается путем численно-аналитического преобразования уравнений динамики процессов в аккумуляторах, полученных методом математического прототипирования энергетических процессов. Проведен сравнительный анализ существующих подходов к моделированию и показаны преимущества предлагаемого метода ММПЭП. Приведен пример моделирования динамики физических и химических процессов в литийионном аккумуляторе с некоторыми ограничениями. Результаты исследования демонстрируют, что модели на основе ММПЭП обладают высокой точностью и универсальностью, что делает их применимыми для прогнозирования состояния заряда, диагностики отказов и разработки цифровых двойников. Приведенное в статье аналитическое выражение расширяет классическую модель Шеферда, обеспечивая описание сложных динамических процессов. Методологический потенциал ММПЭП подкрепляется возможностью интеграции с методами машинного обучения для уточнения параметров моделей. Перспективы дальнейших исследований включают расширение модели для учета деградации аккумуляторных батарей, разработку упрощенных моделей для систем диагностирования в режиме реального времени и внедрение гибридных подходов моделирования.
The paper analyzes existing modeling approaches, including empirical, physicochemical and statistical methods, as well as machine learning methods. The advantages and limitations of models such as the Shepherd’s model, Butler-Volmer equation-based models, regression analysis-based models, and Long Short-Term Memory (LSTM) neural networks are discussed. Special attention is paid to a promising Method of Mathematical Prototyping of Energy Processes (MMPEP), this approach enables the construction of physically accurate models that conform with the fundamental laws of thermodynamics and electrodynamics. Based on MMPEP, a new voltage dynamics model has been developed specifically for lithium-ion aircraft batteries (LIABs), which take into account polarization processes, temperature changes and nonlinear effects. The model proposed in the paper is derived through numerical-analytical transformation of dynamic processes equations obtained by the method of mathematical prototyping of energy processes. A comparative analysis of existing modeling approaches is carried out and the advantages of the proposed MMPEP method are shown. An example of modeling the dynamics of physical and chemical processes in a lithium-ion battery with some limitations is presented. The research results demonstrate that the MMPEP-based models have high accuracy and versatility, which makes them applicable for charge state prediction, failure diagnostics, and digital twin development. The analytical expression presented in the paper expands the classical Shepherd’s model, providing a description of complex dynamic processes. The methodological potential of MMPEP is supported by the possibility of integration with machine learning methods to refine model parameters. Prospects for further research include extending the model to account for battery degradation, developing simplified models for real-time diagnostics systems, and introducing hybrid modeling approaches.
The authors declare that there are no conflicts of interest present.