Поддельные Li‑ion батареи: как ИИ защищает энергетику

В конце 2025 года рынок литий‑ионных аккумуляторов столкнулся с неприятной реальностью: подделки перестали быть «историей про маркетплейсы» и стали прямой угрозой безопасности. Когда фейковая ячейка уходит в тепловой разгон, это уже не спор о гарантиях — это пожар в квартире, на складе, в сервисной зоне, а в индустриальном масштабе — простой оборудования и риск для инфраструктуры.

Мне не нравится популярная позиция «просто заряжайте правильно». Да, культура эксплуатации важна. Но главный источник проблемы часто раньше — в цепочке поставок и в контроле качества. И вот здесь тема нашей серии «Искусственный интеллект в энергетике и электроэнергетике» раскрывается неожиданно практично: ИИ может быть самым эффективным инструментом против поддельных литий‑ионных элементов, потому что он хорошо работает там, где человеку тяжело — в потоковой проверке, поиске закономерностей и раннем выявлении аномалий.

Почему поддельные батареи — это риск не только для гаджетов

Подделки бьют по целостности энергосистемы — от дома до сети. Литий‑ионные батареи сегодня — это распределённое хранение энергии: электровелосипеды и самокаты, power bank’и, ИБП, складская техника, контейнерные BESS (battery energy storage systems) у промышленных потребителей. Когда в этой экосистеме появляется «слабое звено», последствия масштабируются.

Есть три причины, почему именно подделки опаснее «обычно плохих» батарей:

1. Их происхождение непрозрачно. Невозможно полагаться на заявленные партии, даты, условия хранения.
2. Экономия на внутренней защите. У подделок часто отсутствуют или выполнены хуже элементы безопасности, которые должны срабатывать при перегреве, перезаряде и росте давления.
3. Они хорошо замаскированы. В исследованиях и аудитах рынка встречается ситуация, когда качество печати и оттенок маркировки повторяются почти идеально, а вот конструкция — нет.

Для энергетики это означает простую вещь: риск нельзя убрать только инструктажем пользователя. Нужны барьеры на входе — на закупке, при входном контроле, в эксплуатации и в сервисе.

Как устроены подделки и почему «на глаз» их не поймать

Визуальный осмотр почти никогда не даёт гарантии. Это ключевой вывод, который регулярно подтверждают эксперты по качеству батарей: ярлык можно напечатать за вечер, а вот безопасность — нет.

На практике подделки чаще всего бывают двух типов:

1) «Ребейдж» и «реанимация» старых элементов

Самая простая схема: берут старые/складские/бракованные элементы известных производителей, клеят новую этикетку и продают как «новые». Иногда к этому добавляют завышенные характеристики: на корпусе пишут ёмкость выше реальной.

Энергетический эффект: оборудование рассчитывает режимы по паспорту, а фактическая ячейка перегружается быстрее — растёт нагрев, деградация, риск теплового разгона.

2) «Самосбор» в неподходящих условиях

Литий‑ионный элемент концептуально собрать не сверхсложно: анод, катод, сепаратор, электролит, корпус. Сложно обеспечить чистоту, стабильность процесса и встроенную защиту. В аудитах производств встречаются крайности — от «почти стерильной чистоты» до людей, работающих рядом с источниками загрязнений.

Энергетический эффект: микрочастицы и дефекты сборки повышают вероятность внутреннего короткого замыкания — типичного триггера теплового разгона.

Запомните фразу, которую полезно цитировать на совещаниях по рискам: «подделка — это не батарея с худшей ёмкостью, это батарея с худшей предсказуемостью».

Тепловой разгон: почему отсутствие защиты делает ситуацию «в 10 раз хуже»

Тепловой разгон (thermal runaway) — цепная реакция, когда температура внутри ячейки растёт лавинообразно из‑за короткого замыкания, повреждения или неправильного режима (перезаряд, перегруз по току). У сертифицированных элементов задача инженеров — сделать так, чтобы:

• аномалия выявлялась рано;
• ток ограничивался;
• цепь размыкалась при опасном росте давления/температуры;
• нагрев не переходил на соседние элементы.

В исследованиях, где сравнивали настоящие и поддельные цилиндрические элементы, различия часто проявляются при разборе: у «правильных» батарей есть более толстые изоляторы и элементы фиксации внутреннего «рулона» (jelly roll), а у подделок — тоньше или вовсе отсутствуют. В нагрузочных испытаниях на перезаряд и короткое замыкание также обнаруживаются критичные отличия: у части подделок просто нет внутренних устройств разрыва цепи и ограничения тока, которые должны спасти от пожара при нештатной ситуации.

Для электроэнергетики здесь важна не терминология, а вывод: одна некачественная ячейка может стать первопричиной аварийного события на уровне модуля, стойки и контейнера. Поэтому безопасность батарей — это не «тема для потребителя», а элемент промышленной надёжности.

Где подделки встречаются чаще всего: карта риска для закупок

Наиболее уязвимы цилиндрические элементы для недорогих устройств и заменяемых батарей. Это именно тот сегмент, где закупки часто идут через длинную цепочку посредников и где покупатель чувствителен к цене.

Типичные зоны риска:

• аккумуляторы для электровелосипедов и электросамокатов;
• power bank’и;
• аккумуляторные электроинструменты;
• вейпы и «карманные» устройства с высокими токами;
• сменные батареи для камер, фонарей и другой электроники;
• ремонтные/сервисные поставки «аналогов по парт‑номеру».

А вот батареи смартфонов и батарейные блоки электромобилей обычно проходят более жёсткий контроль и сертификацию, поэтому вероятность подделки там ниже.

С практической точки зрения это означает: политику анти‑контрафакта стоит начинать с “низового” сегмента, который чаще всего попадает в здания, сервисы и склады без инженерного надзора.

Роль ИИ: как обнаруживать подделки и снижать риск пожаров в цепочке поставок

ИИ полезен там, где нужно масштабировать проверку и быстро находить аномалии. В батарейной теме это особенно заметно: ручной контроль либо дорогой, либо бессилен против качественно подделанной маркировки.

1) ИИ‑скоринг поставщиков и партий (supply chain intelligence)

Классическая ошибка закупок — оценивать поставщика «по документам». Правильный подход — оценивать поведенческие и технические сигналы.

Что можно автоматизировать:

• аномальные колебания цены (слишком низкая — сигнал риска);
• расхождения по партиям/датам/маркировкам между поставками;
• «дрейф» характеристик в входном контроле (ёмкость, внутреннее сопротивление, саморазряд);
• связь инцидентов (перегрев, вздутие, отказ BMS) с конкретными каналами закупки.

На выходе получается понятный инструмент для бизнеса: рейтинг риска поставщика и партии, который обновляется после каждой поставки.

2) Компьютерное зрение для контроля маркировки — но без иллюзий

Да, модели компьютерного зрения могут выявлять микронесоответствия шрифтов, отступов и геометрии печати. Но полагаться на это как на «детектор подделок» опасно.

Здоровая стратегия такая:

• CV‑модель — это фильтр первого уровня (быстро отсеивает явный мусор);
• решающим остаётся электрохимический профиль и признаки встроенной защиты.

3) ML‑анализ электрических “подписей” ячеек

Подделку проще поймать по поведению, чем по этикетке. Для этого нужны стандартизированные быстрые тесты и обучение моделей на валидных данных.

На практике хорошо работают:

• измерение внутреннего сопротивления и его распределение по партии;
• контроль саморазряда в ускоренном окне;
• короткие импульсные тесты мощности;
• анализ кривых заряд‑разряд на типовых режимах.

ИИ здесь решает задачу кластеризации: выделяет «нормальные» группы и «выбросы», которые уходят на углублённую проверку.

4) Предиктивная безопасность в эксплуатации (BESS, ИБП, парки микромобильности)

Даже если подделка прошла внутрь, её можно «поймать» по ранним симптомам. В энергетике это зона предиктивной аналитики:

• модели прогнозируют перегрев по паттернам тока/температуры/напряжения;
• выявляют клетки‑«отстающие» по балансу и деградации;
• рекомендуют ограничение мощности или вывод модуля в сервис до инцидента.

Это напрямую укладывается в нашу тему «ИИ в электроэнергетике»: умное хранение энергии начинается с доверия к качеству ячеек и данных телеметрии.

Что делать компании: практический чек‑лист на 30 дней

Быстрый эффект даёт не один “супер‑тест”, а дисциплина процесса. Вот план, который реально внедрить за месяц в закупках/эксплуатации (и он окупается на первом предотвращённом инциденте):

1. Разделите номенклатуру по критичности. Отдельно: цилиндрические элементы и сменные батареи для дешёвых устройств — максимальный контроль.
2. Внедрите входной контроль партии. Минимум: выборка, внутреннее сопротивление, масса, быстрые импульсные тесты.
3. Создайте эталон (golden sample). Держите проверенный оригинальный элемент для сравнений по маркировке и электрическому профилю.
4. Собирайте телеметрию и инциденты в единый контур. Даже простая база “партия → устройство → отказ” даёт материал для ML.
5. Запустите риск‑скоринг поставщиков. Начните с правил (rule‑based), затем добавляйте модели.
6. Определите правила вывода из эксплуатации. Порог по перегреву, дисбалансу, ускоренной деградации.

Если у вас есть парк устройств (самокаты, складская техника, ИБП по филиалам), я бы начинал именно с пунктов 2–4: там быстрее всего появляются измеримые результаты.

Как это связано со “смарт‑грид” и почему тема станет ещё острее в 2026

Чем больше в энергосистеме накопителей, тем выше цена ошибки качества. Рынок идёт к распределённому хранению энергии: у бизнеса — BESS для пиков и резервирования, у городов — инфраструктура микромобильности, у домов — гибридные решения с солнечной генерацией.

На этом фоне контрафакт — это не бытовая неприятность, а системный риск. А значит, ИИ‑контроль качества батарей и мониторинг цепочки поставок становится таким же нормальным элементом энергетической безопасности, как релейная защита или телемеханика.

Если вы строите или эксплуатируете системы накопления энергии, следующий логичный шаг — оценить: где в вашей цепочке есть «слепые зоны» по происхождению ячеек, и какие данные можно начать собирать уже сейчас, чтобы ИИ работал не “в презентации”, а в реальной профилактике пожаров.

Вопрос, который стоит задать на ближайшем техсовете: какой процент батарей в нашей системе мы реально можем проследить до проверяемого источника — и что мешает довести его до 95%?