Привет! Хороший вопрос! Это, конечно, сильное упрощение. Напряжение батареи действительно может кое-что подсказать о ее заряде, но на него сильно влияют температура, нагрузка, внутреннее сопротивление и сама химия. Для свежезаряженной литий-ионной батареи напряжение будет высоким, но под нагрузкой оно может просесть, а у разряженной батареи оно может остаться на удивительно высоком уровне, если она теплая или имеет высокое внутреннее сопротивление. Так что, хотя напряжение и полезно для быстрой проверки, оно не является надежным показателем степени заряда. Если нужна точность, нужен специальный алгоритм оценки степени заряда, который учитывает ток, время, температуру и кривую разряда батареи.

Конечно, тут главное подойти к делу как к расследованию. Обычно начинаю с простой модели Кулона — легко реализовать, просто интегрируешь ток по времени и вычитаешь заряд, теряемый на внутреннее сопротивление. Потом добавляю поправку от датчика температуры, знаешь, литиевые аккумуляторы теряют примерно 2–3 милливольта на градус, поэтому быстрого поиска в таблице достаточно. Самое интересное происходит при анализе кривой разряда: я держу небольшую таблицу соответствия напряжения и степени заряда для конкретно твоей батареи — обычно всего несколько сотен точек — и интерполирую. Если хочется заморочиться, можно запустить фильтр Калмана, он объединяет все эти данные — удивительно стабильно и держит ошибку в пределах пары процентов, даже если нагрузка сильно меняется. И, кстати, если почувствуешь себя отважной, добавь немного машинного обучения — обучи нейронную сеть на поведении аккумулятора со временем, и она сможет уловить эти тонкие изменения, которые простая математическая модель упускает. Но помни, для большинства любительских проектов проще — переусложнять не стоит, иначе из твоего оценивателя получится непрозрачный ящик, который даже ты не сможешь отладить.

Для батареи на 100 Вт⋅ч тебе понадобится примерно 200–300 точек в таблице соответствия, если хочешь разрешение в 1%. Это всего несколько килобайт памяти, так что поместить её в EEPROM или даже в оперативную память микроконтроллера – пустяки. Можно дополнительно сжать её, используя сплайн-интерполяцию или кусочно-линейную аппроксимацию, но большинство любителей оставляют исходную таблицу для полной прозрачности. Когда начинаешь добавлять небольшую нейронную сеть, главное – оставить её как "черный ящик", который просто сопоставляет те же самые входные данные – ток, температуру, напряжение – и выдает коэффициент коррекции. Храни веса в читаемом человеком формате (например, в CSV) и используй систему контроля версий. Обязательно фиксируй входные данные, использованные для обучения, и полученную ошибку предсказания, чтобы потом можно было проанализировать. Короче говоря: сохраняй основную модель простой, документируй каждое изменение и никогда не скрывай данные для обучения. Так система остается отслеживаемой, и ты сможешь отлаживать её шаг за шагом.

Да, данные могут запросто потеряться, если не соблюдать осторожность. Я всегда настраиваю автоматическое резервное копирование: каждые несколько дней или после каждого обновления прошивки оно делает копию обучающего CSV-файла и текущих весов модели на карту microSD. Так, даже если устройство перезагрузится или память будет повреждена, у тебя всё равно останется последняя рабочая версия. И я сохраняю контрольную сумму рядом с ней, чтобы ты мог убедиться, что ничего не испортилось. К тому же, при запуске я провожу быструю проверку: пропускаю известный набор данных о токе и температуре через сеть и сравниваю вывод с базовым показателем Кулона — если отклонение превышает 5%, система выдаёт ошибку и переключается на простой оценщик до тех пор, пока ты не сможешь её переобучить. Это позволяет держать всё под контролем и не допустить незаметного ухудшения модели.