Tədqiqat hər bir təkərin müstəqil şəkildə hərəkətə gətirilə bildiyi paylanmış ötürücülü elektrik nəqliyyat vasitələrində (Distributed Drive Electric Vehicles, DDEV) enerji istehlakını azaltmaq məqsədilə dərin transfer öyrənməsinə əsaslanan enerji idarəetmə strategiyası hazırlayır. Metod davamlı fəaliyyət məkanlarında istifadə olunan Twin Delayed Deep Deterministic Policy Gradient (TD3) alqoritmini əsas götürür; əvvəl öyrənilmiş bir sürüş ssenarisindəki neyron şəbəkə parametrlərini yeni ssenarilərə ötürməklə hər şərait dəyişikliyində modeli sıfırdan öyrətmək ehtiyacını azaltmağı hədəfləyir. Bundan əlavə, tədqiqatçılar öyrənmə alqoritminin yaratdığı fırlanma momenti paylanması qərarlarını birbaşa tətbiq etmək əvəzinə, əyləcləmə sabitliyi və regenerativ enerji bərpası ilə bağlı dinamik icra məhdudiyyətləri əlavə etmişlər.

Transfer mexanizmində əvvəlcə mənbə ssenari üçün TD3 siyasəti öyrədilir, daha sonra öyrənilmiş şəbəkə parametrləri hədəf siyasətə ötürülür. Ümumi xüsusiyyətləri təmsil etdiyi qəbul edilən gizli qat parametrləri dondurularkən, qərar istehsalında iştirak edən tam əlaqəli və çıxış qatları yeni sürüş ssenarisinə uyğun incə tənzimlənmişdir. Beləliklə, alqoritmin əvvəlki təcrübəsini qoruyaraq şəhər, qəsəbə və magistral yol kimi fərqli sürət və sürüş strukturlarında daha qısa uyğunlaşma müddəti əldə etməsi hədəflənmişdir.

Tədqiqatın təlim qrafikləri ilk tapşırıqdan sonra yeni sürüş tapşırıqlarına keçiddə DTL yanaşmasının yalnız 4 və 7 öyrənmə addımında yaxınlaşmaya çata bildiyini göstərir. Tədqiqatçılar tələb olunan ümumi təlim müddətinin müqayisə edilən metodlara görə müvafiq olaraq %42,53 və %10,71; təlim dalğalanmasının isə %63,11 və %57,06 azaldıldığını bildirirlər. Bu faizlər tədqiqatın öz DDPG və TD3 müqayisələrinə aiddir və fərqli avadanlıq və ya nəqliyyat vasitələrində universal təlim müddəti qazancı kimi şərh edilməməlidir.

CARLA əsaslı sınaq dövründə DTL yüksək səmərəli mühərrik işləmə bölgəsindəki nöqtələrin sayını 640-a yüksəltmiş; müqayisədə DDPG üçün 627 və TD3 üçün 631 nöqtə bildirilmişdir. DTL-nin enerji istehlakı 2,17 kWh, dövr sonu SOC dəyəri %73,3 və həll müddəti 10,36 saniyə kimi verilmişdir. WLTC doğrulamasında isə DTL üçün 905 yüksək səmərəli mühərrik işləmə nöqtəsi, 2,49 kWh enerji istehlakı, %72,3 son SOC və 14,70 saniyə həll müddəti bildirilmişdir.

Bu nəticələr real seriyalı istehsal avtomobilinin yol sınaqlarından deyil, tədqiqatda yaradılan DDEV dinamik modeli və CARLA əsaslı sürüş dövrləri üzərindən aparılan ədədi doğrulamalardan əldə edilmişdir. Buna görə enerji istehlakı, yürüş məsafəsi və ya idarəetmə sabitliyi baxımından real avtomobil performansına birbaşa çevrilə bilməz.

Türkiyə baxımından metod; elektrik avtobusları, müstəqil təkər mühərrikli elektrik nəqliyyat vasitələri və proqram təminatı ilə müəyyən edilən güc ötürmə sistemləri üzərində çalışan tədqiqat və inkişaf qrupları üçün enerji idarəetməsinin fərqli sürüş ssenarilərinə daha sürətli uyğunlaşdırılması baxımından metodoloji əhəmiyyət daşıyır. Lakin tədqiqatda Türkiyəyə xas trafik dövrləri, yol maililikləri, iqlim şəraiti, yerli donanma məlumatları və ya real Türkiyə sahə sınağı yoxdur. Buna görə Türkiyədəki bir nəqliyyat vasitəsi platformasına transfer üçün müvafiq avtomobilin mühərrik səmərəlilik xəritələri, batareya xüsusiyyətləri, əyləc sistemi, yol tutunma şəraiti və real sürüş məlumatları ilə yenidən doğrulama tələb olunur.

Tədqiqatın əsas problemi nədir?

Paylanmış ötürücülü elektrik nəqliyyat vasitələrində təkər mühərriklərinin bir-birindən müstəqil idarə oluna bilməsi eyni ümumi dartı və ya əyləcləmə tələbinin fərqli ön-arxa fırlanma momenti paylanmaları ilə qarşılanmasına imkan verir. Enerji idarəetmə sisteminin vəzifəsi sürücünün istədiyi hərəkəti qoruyaraq mühərrikləri mümkün qədər yüksək səmərəli işləmə bölgələrində işlətməkdir.

Model əsaslı optimallaşdırma metodları bu problemi həll edə bilsə də, tədqiqatçılar naməlum və ya dəyişən sürüş şəraitində model uyğunsuzluğu, real vaxt hesablama yükü və ssenaridən asılılıq kimi problemlərə diqqət çəkirlər. Dərin möhkəmləndirici öyrənmə isə mühitlə qarşılıqlı təsir yolu ilə enerji idarəetmə siyasəti öyrənə bilir, lakin klassik yanaşmada sürüş ssenarisi dəyişdikdə yenidən təlim tələb oluna bilər.

Tədqiqatın təklif etdiyi həll TD3 alqoritminin fərqli tapşırıqlar arasında məlumat ötürə bilən transfer öyrənməsi mexanizmi ilə birləşdirilməsi və öyrənilmiş qərarların avtomobil dinamikası baxımından tətbiq oluna bilməsi üçün icra məhdudiyyətlərinin əlavə edilməsidir.

Paylanmış ötürücülü elektrik nəqliyyat vasitəsi necə modelləşdirilmişdir?

Avtomobil modeli uzununa nəqliyyat hərəkətini, hər təkərin fırlanma dinamikasını, şin qüvvələrini, dörd müstəqil təkər mühərrikini, litium-dəmir-fosfat batareyanı və elektro-mexaniki əyləc sistemini əhatə edir.

Avtomobilin uzununa hərəkətində dartı qüvvələri; maililik müqaviməti, yuvarlanma müqaviməti və aerodinamik sürüklənmə ilə birlikdə nəzərə alınmışdır. Uzununa dinamikanın ümumi quruluşu tədqiqatda aşağıdakı kimi verilmişdir:

\[ \delta m\dot{v}_x = \sum F_{xij} - mg\sin\theta - mgf_r\cos\theta - \frac{1}{2}\rho C_D A v_x^2 \]

Burada \(v_x\) avtomobilin uzununa sürətini, \(F_{xij}\) hər bir şinin uzununa qüvvəsini, \(f_r\) yuvarlanma müqaviməti əmsalını, \(\rho\) hava sıxlığını, \(C_D\) sürüklənmə əmsalını və \(A\) ön sahəni ifadə edir.

Əyləcləmə və sürətlənmə zamanı ön və arxa ox yüklərinin dəyişməsi ayrıca modelləşdirilmiş; şinlərin qeyri-xətti qüvvə istehsalını təmsil etmək üçün Magic Formula şin modeli istifadə edilmişdir. Beləliklə, fırlanma momentinin paylanması yalnız ideal sabit ox yükləri əsasında qiymətləndirilməmişdir.

Mühərrik və batareya modeli necə qurulmuşdur?

Hər təkər mühərriki müstəqil fırlanma momenti yarada bilən elektrik mühərriki kimi modelləşdirilmişdir. Mühərrik gücü; mühərrik fırlanma momentinin, mühərrik dövr sayının və mühərrik səmərəlilik xəritəsinin funksiyası kimi hesablanmışdır. Tədqiqatda mühərriklərin həm dartı, həm də regenerativ işləmə halları nəzərə alınmışdır.

Batareya üçün qısamüddətli enerji istehlakına yönələn litium-dəmir-fosfat ekvivalent dövrə modeli istifadə edilmişdir. Yaşlanma ilə bağlı tutum itkisi tədqiqatın əhatəsinə daxil edilməmişdir. Batareya gücü, cərəyanı və SOC dəyişməsi açıq dövrə gərginliyi və daxili müqavimət əsasında hesablanmışdır:

\[ P_{bat}(t)=U_{oc}(t)I(t)-R_{int}(t)I^2(t) \]

və SOC:

\[ SOC(t)=SOC(0)-\frac{1}{Q}\int_0^t I(t)\,dt \]

şəklində ifadə edilmişdir.

Elektro-mexaniki əyləc sistemi niyə modelə əlavə edilmişdir?

Regenerativ əyləcləmədə təkər mühərriklərinin yarada biləcəyi mənfi fırlanma momenti hər vəziyyətdə avtomobilin tələb etdiyi ümumi yavaşlamanı qarşılaya bilməz. Buna görə tədqiqatda mühərrik əyləcləməsi ilə yanaşı Electro-Mechanical Brake (EMB) sistemi modelləşdirilmişdir.

EMB modeli kaliper sıxma qüvvəsi, əyləc sürtünmə əmsalı, effektiv disk radiusu, ötürmə nisbəti və vint addımı kimi kəmiyyətləri mexaniki əyləc fırlanma momenti ilə əlaqələndirir. Beləliklə, enerji idarəetmə alqoritminin regenerativ əyləcləmə qərarı mexaniki əyləc sisteminin töhfəsi ilə birlikdə qiymətləndirilir.

DTL agentinin vəziyyət və fəaliyyət məkanı nədir?

Tədqiqatda öyrənmə agentinin vəziyyət vektoru aşağıdakı kimi müəyyən edilmişdir:

\[ State=\{v_{ref},SOC,T_m,v_d,\mu_d\} \]

Burada \(v_{ref}\) istinad avtomobil sürətini, SOC batareyanın doluluq vəziyyətini, \(T_m\) mühərriklə bağlı fırlanma momenti məlumatını, \(v_d\) sürət pozuntusunu və \(\mu_d\) yol tutunma əmsalı pozuntusunu təmsil edir.

Agentin fəaliyyəti isə ön və arxa oxlar arasındakı fırlanma momenti paylanmasını müəyyən edən:

\[ Action=\{\alpha \mid \alpha\in[0,1]\} \]

şəklindəki fırlanma momenti paylama əmsalıdır.

Niyə TD3 seçilmişdir?

DDPG davamlı fəaliyyət məkanlarında tətbiq oluna bilsə də, Q dəyərlərini olduğundan yüksək qiymətləndirmə və siyasət yeniləmələrində qeyri-sabitlik problemlərinə malik ola bilər. Buna görə tədqiqat TD3-ün üç əsas xüsusiyyətindən istifadə edir:

• İki ayrı critic şəbəkəsindən gələn Q qiymətləndirmələrinin kiçiyinin istifadə edilməsi,
• Actor və hədəf şəbəkə yeniləmələrinin gecikdirilməsi,
• Hədəf fəaliyyətə kəsilmiş təsadüfi səs-küy əlavə etməklə hədəf siyasətin yumşaldılması.

Bu quruluş fırlanma momenti paylanması qərarının tək bir critic şəbəkəsindəki həddindən artıq optimist qiymətləndirmədən asılılığını azaltmağı hədəfləyir.

Transfer öyrənməsi necə işləyir?

Təklif olunan metodun əsas yeniliyi hər yeni sürüş ssenarisinə tamamilə təsadüfi parametrlərlə başlamamasıdır. Əvvəlcə bir mənbə tapşırıqda TD3 siyasəti öyrədilir. Actor və iki critic şəbəkəsinin öyrənilmiş parametrləri daha sonra növbəti hədəf tapşırığın başlanğıc parametrləri kimi istifadə olunur.

Hədəf şəbəkədə ümumi xüsusiyyətləri təmsil etdiyi qəbul edilən gizli qatlar dondurularkən, tam əlaqəli və çıxış qatları yeni ssenariyə uyğun yenilənir. Tədqiqatçılar bununla əvvəlki ssenaridə öyrənilmiş ümumi enerji idarəetmə biliklərini qorumağı və yalnız yeni tapşırığa xas qərar qatlarını yenidən tənzimləməyi hədəfləyirlər.

İcra məhdudiyyətləri niyə vacibdir?

Möhkəmləndirici öyrənmə agentinin enerji baxımından yaxşı görünən bir fırlanma momenti paylanması yaratması bu qərarın avtomobil dinamikası baxımından təhlükəsiz olduğu demək deyil. Buna görə tədqiqat iki ayrı icra məhdudiyyəti əlavə edir: fırlanma momenti paylanması məhdudiyyəti və enerjinin bərpası məhdudiyyəti.

Fırlanma momenti paylanması sərhədləri avtomobilin əyləcləmə qüvvəsi, ön-arxa ox yük ötürülməsi və yapışma istifadə əmsalları əsasında yaradılmış və ECE qaydalarında istifadə olunan əyləc sabitliyi yanaşması ilə məhdudlaşdırılmışdır. Məqsəd ön və ya arxa oxun uyğunsuz kilidlənməsi nəticəsində sürüşmə və ya sabitlik itkisi riskini azaltmaqdır.

Regenerativ enerji bərpası necə məhdudlaşdırılmışdır?

Tədqiqatda regenerativ əyləcləmə ilə elektro-mexaniki əyləc arasında paylaşma üçün qeyri-səlis məntiq metodu istifadə edilmişdir. Tədqiqatçılar avtomobil sürəti ilə batareya SOC-sinin çox yüksək və ya çox aşağı olduğu şəraitdə həddindən artıq enerji bərpasının performans və təhlükəsizlik baxımından mənfi ola biləcəyini qeyd edərək bərpa əmsalını dinamik şəkildə məhdudlaşdırırlar.

Mənbə uyğunluğu xəbərdarlığı: Bölmə 3.2.2-nin izah mətni qeyri-səlis sistem girişlərini uzununa sürət \(v_x\) və SOC kimi müəyyən etdiyi halda, Tənlik 22-də qayda “IF μ ... and vₓ ...” formasında verilmişdir. Buna görə ikinci giriş dəyişəninin SOC, yoxsa yol tutunma əmsalı μ olduğu mənbədə tam uyğun deyil. Bu Verianla mətnində həmin boşluq xarici məlumatla doldurulmamışdır.

CARLA sürüş dövrü necə yaradılmışdır?

Standart sürüş dövrlərinin tək bir şəraiti təmsil etməsinin kifayət etməyə biləcəyi fikri ilə CARLA əsaslı sürüş platformasından istifadə edilmişdir. Tədqiqatın Şəkil 8-i sükan və ekranlardan ibarət simulyasiya iş stansiyasını və CARLA daxilində müxtəlif virtual mühitləri göstərir.

Şəkil 9-da 1200 saniyəlik təlim dövrü üç tapşırığa bölünmüşdür:

• Task 1: təxminən 0-400 saniyə, Urban,
• Task 2: təxminən 400-800 saniyə, Town,
• Task 3: təxminən 800-1200 saniyə, Highway.

Bu quruluş fərqli sürət səviyyələri və sürüş ssenariləri arasında ardıcıl siyasət ötürülməsini sınaqdan keçirmək üçün istifadə edilmişdir.

Təlim niyə daha sürətli yaxınlaşmışdır?

Müstəqil DDPG və TD3 təlimlərindən fərqli olaraq DTL ardıcıl tapşırıqlar arasında əvvəlcədən öyrənilmiş şəbəkəni daşıyır. Şəkil 10-da DDPG üçün təxminən 35, TD3 üçün 29 və DTL-nin ilk tapşırığı üçün 29 öyrənmə addımı ilə yaxınlaşma göstərildiyi halda, transfer edilən ikinci və üçüncü tapşırıqlar yalnız 4 və 7 öyrənmə addımında yeni şəraitə uyğunlaşdırılmışdır.

Tədqiqatçılar bunun nəticəsində DTL-nin tələb olunan ümumi təlim müddətini müqayisə edilən iki alqoritmə görə %42,53 və %10,71; təlim dalğalanmasını isə %63,11 və %57,06 azaltdığını bildirirlər.

Tədqiqatın dəstəklədiyi nəticələr

• Öyrənilmiş TD3 şəbəkə parametrlərinin yeni sürüş tapşırıqlarına ötürülməsi araşdırılan simulyasiyada sonrakı tapşırıqların yaxınlaşmasını sürətləndirmişdir.
• DTL CARLA və WLTC dövrlərində DDPG və TD3 ilə müqayisədə daha çox mühərrik işləmə nöqtəsini yüksək səmərəlilik bölgəsində toplamışdır.
• DTL üçün tədqiqatda bildirilən enerji istehlakı CARLA dövründə 2,17 kWh və WLTC dövründə 2,49 kWh-dir.
• Dinamik fırlanma momenti paylanması və enerji bərpası məhdudiyyətləri öyrənmə siyasəti birbaşa fiziki əmrlərə çevrilməzdən əvvəl tətbiq olunur.
• Mənbə-hədəf siyasət transferi tamamilə müstəqil yenidən təlim yanaşması ilə müqayisədə daha qısa uyğunlaşma göstərmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Strategiya seriyalı istehsal avtomobilində real yol sınağında doğrulanmamışdır.
• CARLA simulyasiya nəticələri real trafik şəraitində enerji istehlakı zəmanəti deyil.
• Batareya yaşlanması modelə daxil edilmədiyi üçün uzunmüddətli dövr ömrü üstünlüyü göstərilməmişdir.
• Tədqiqat bütün elektrikli avtomobil arxitekturalarında eyni enerji qənaətinin əldə ediləcəyini göstərmir.
• Metodun real ECU avadanlığı üzərində hesablama gecikməsi, yaddaş istehlakı və ya təhlükəsizlik sertifikatlaşdırması doğrulanmamışdır.
• Türkiyəyə xas trafik, avtomobil və sahə məlumatları istifadə edilməmişdir.

Tədqiqatın Metodu və Nəticələri

Öyrənmə parametrləri

CARLA dövrü nəticələri

Şəkil 13-ün enerji göstəricisi qrafikdə “kW” kimi işarələnmişdir; lakin nəticələr mətni DTL üçün enerji istehlakını açıq şəkildə 2,17 kWh kimi verir. DDPG və TD3 üçün qrafik vahidi buna görə burada səssizcə kWh-yə çevrilməmişdir.

Mühərrik işləmə nöqtəsi qrafiklərində DDPG-nin aşağı səmərəlilik bölgələrində daha çox nöqtə saxladığı, TD3 və DTL-nin isə xüsusən arxa təkər mühərriklərindən daha intensiv istifadə etdiyi görünür. Tədqiqatçılar DTL-nin ssenariyə uyğun şəbəkə parametrlərini yeniləməsi sayəsində yüksək səmərəlilik bölgələrindən daha çox faydalana bildiyini şərh edirlər.

WLTC doğrulaması

Ümumiləşdirmə qabiliyyətini qiymətləndirmək üçün təlim dövründən fərqli olaraq WLTC istifadə edilmişdir. Şəkil 16-dakı performans göstəriciləri yüksək səmərəli mühərrik işləmə nöqtələrinin sayını DDPG üçün 880, TD3 üçün 892 və DTL üçün 905 kimi göstərir.

Şəkil 16-da son SOC dəyərləri vizual olaraq DDPG üçün %71,7, TD3 üçün %72,1 və DTL üçün %72,3-dür. Eyni qrafikdə həll müddətləri müvafiq olaraq 15,88 s, 15,19 s və 14,70 s kimi göstərilmişdir.

Enerji göstəriciləri qrafikdə DDPG üçün təxminən 2,60, TD3 üçün 2,55 və DTL üçün 2,49 kimi verilsə də, qrafikdəki vahid “kW” şəklindədir. İzah mətni yalnız DTL-nin ümumi dövr enerji istehlakını açıq şəkildə 2,49 kWh kimi ifadə edir. Buna görə digər dəyərlərin vahidi mənbədə səssizcə düzəldilməmişdir.

WLTC nəticələrində SOC uyğunsuzluğu

WLTC nəticələr mətnində bir cümlədə “battery SOC under DTL drops to 71.7%” ifadəsi var. Eyni paraqrafın davamında DTL-nin yekun SOC-sinin %72,3 olduğu yazılmışdır. Şəkil 16 isə %71,7 dəyərini DDPG, %72,1 dəyərini TD3 və %72,3 dəyərini DTL kimi açıq şəkildə etiketləyir.

Buna görə bu Verianla izahında Şəkil 16-nın görünən təsnifatı ayrıca qeyd edilmiş, lakin mənbə mətndəki ilk “DTL %71,7” ifadəsi heç yoxmuş kimi davranılmamışdır. Mənbənin özündə etiketləmə xətası olma ehtimalı yüksəkdir.

Tənlik 24-dəki mənbə xətası

Tədqiqatda DTL agentinin çıxışının ön və arxa təkər dartı/əyləc fırlanma momentlərinə çevrilməsini müəyyən edən Tənlik 24-də iki ayrı sətirdə sol tərəfdə Tbfj istifadə edilmişdir. İkinci sətrin arxa ox əyləc fırlanma momentini təmsil etməsi gözlənilə bilsə də, mənbə bunu fərqli simvolla vermir. Bundan əlavə, ikinci ifadədə çıxılan mühərrik fırlanma momenti də Tdfj kimi təkrar edilir.

Buna görə formula burada düzəldilmiş tənlik kimi yenidən təqdim edilməmişdir. Real vaxt idarəetmə tətbiqinə köçürülməzdən əvvəl orijinal müəllif formulasının doğrulanması tələb olunur.

Tədqiqatın metodoloji güclü tərəfləri

• Avtomobil, şin, mühərrik, batareya və elektro-mexaniki əyləc alt modellərinin eyni enerji idarəetmə çərçivəsində qiymətləndirilməsi.
• TD3-ün iki critic, gecikdirilmiş yeniləmə və hədəf siyasət yumşaltma mexanizmlərinin transfer öyrənməsi ilə birləşdirilməsi.
• Mənbə siyasətdəki parametrlərin yeni sürüş tapşırıqlarına ötürülməsi.
• Fırlanma momenti paylanması və regenerativ əyləcləmə üçün icra məhdudiyyətlərinin ayrıca modelləşdirilməsi.
• Şəhər, qəsəbə və magistral xüsusiyyətlərini əhatə edən çoxssenarili təlim dövründən istifadə.
• Təlim dövründən fərqli WLTC şəraitində ayrıca doğrulama aparılması.

Əsas məhdudiyyətlər

Tədqiqatın nəticələri simulyasiya və model əsaslıdır. Fiziki DDEV üzərində yol sınağı, hardware-in-the-loop və ya real ECU üzərində quraşdırılmış tətbiq doğrulaması təqdim edilməmişdir. Buna görə bildirilən həll müddətləri real avtomobil idarəetmə vahidinin hesablama gecikməsi ilə eyni deyil.

Batareya yaşlanması tədqiqatın əhatəsinə daxil edilməmişdir. Buna görə regenerativ əyləc strategiyasının batareyanın dövr ömrü, temperaturu və ya uzunmüddətli tutum itkisinə təsiri müəyyən edilməmişdir.

Müəlliflər nəticələr bölməsində təlim mürəkkəbliyini azaltmaq üçün məhdud sayda şərait xüsusiyyəti və sadələşdirilmiş şəbəkə quruluşundan istifadə etdiklərini açıq şəkildə bildirirlər. Buna görə daha geniş mühit dəyişənlərinin əlavə edilməsi metodun performansını və təlim tələbatını dəyişə bilər.

Bundan əlavə, mənbədə regenerativ əyləc qeyri-səlis sisteminin giriş dəyişənləri və Tənlik 24-ün fırlanma momenti simvolları baxımından formal uyğunsuzluqlar mövcuddur. Bunlar metod real avtomobil idarəetmə koduna köçürülməzdən əvvəl doğrulanmalı texniki detallardır.

Mənbə və Metod Qeydi

Tam orijinal iş adı: Deep Transfer Learning Based Energy Management Strategy for Distributed Drive Electric Vehicles Considering Execution Constraints

Müəlliflər və sıra: Zexuan Han; Jiageng Ruan; Tianche Hou; Zhaowen Liang; Kai Liu.

Müəllif mənsubiyyətləri: Zexuan Han, Jiageng Ruan və Tianche Hou — Faculty of Mechanical and Energy Engineering, Beijing University of Technology, Beijing 100020, China. Zhaowen Liang və Kai Liu — Foton AUV New Energy Bus Co., Ltd., Beijing 102200, China.

Bərabər töhfə/bərabər birinci müəlliflik: Yüklənmiş versiyada bildirilməmişdir.

Məsul müəllif: Yüklənmiş versiyada məsul müəllif işarəsi və ya açıq məsul müəllif bəyanı yoxdur.

Məsul müəllif e-poçtu: Yüklənmiş versiyada verilməmişdir.

Mənbə növü: Paylanmış ötürücülü elektrik nəqliyyat vasitələrinin enerji idarəetməsi üzrə ədədi/model əsaslı tədqiqat preprinti.

Platforma: SSRN.

SSRN qeydiyyat nömrəsi: 6934158.

DOI: 10.2139/ssrn.6934158.

Rəsmi preprint bağlantısı:SSRN 6934158

Resenziya vəziyyəti: Araşdırılan versiya resenziyadan keçməmiş preprintdir.

Yayın tarixi: Yüklənmiş versiyada açıq yayın tarixi yoxdur. Biblioqrafik indeks yoxlamasında 14 İyun 2026 tarixi görünür; birbaşa SSRN səhifəsi bu sessiyada doğrulana bilmədiyi üçün bu tarix ikinci dərəcəli indeks məlumatı kimi qiymətləndirilməlidir.

Resenziyalı jurnal versiyası: Biblioqrafik yoxlamada eyni başlıqla doğrulanmış ayrıca resenziyalı jurnal nəşri müəyyən edilməmişdir. Buna görə jurnal adı, resenziyalı nəşr DOI-si və ya nəşriyyat qeydi uydurulmamışdır.

Metod: TD3 əsaslı dərin möhkəmləndirici öyrənmə; şəbəkə parametrlərinin ötürülməsi və qatların incə tənzimlənməsi yolu ilə transfer öyrənməsi; DDEV uzununa dinamika modeli; Magic Formula şin modeli; təkərdaxili mühərrik modeli; litium-dəmir-fosfat ekvivalent batareya modeli; elektro-mexaniki əyləc modeli; fırlanma momenti paylanması məhdudiyyətləri və qeyri-səlis məntiq əsaslı regenerativ enerji bərpası.

Təlim və sınaq mühiti: CARLA əsaslı çoxssenarili sürüş platforması və əlavə WLTC doğrulama dövrü.

Məlumatın xarakteri: Tədqiqatda sürüş platformasından toplanan simulyasiya/əməliyyat məlumatlarından istifadə edilməklə Urban, Town və Highway tapşırıqlarını əhatə edən təlim dövrü yaradılmışdır. Real ictimai yolda toplanmış donanma məlumatı olduğu göstərilməmişdir.

Maliyyələşdirmə: Yüklənmiş versiyada ayrıca maliyyələşdirmə bəyanı yoxdur.

Maraqların toqquşması: Yüklənmiş versiyada ayrıca maraqların toqquşması bəyanı yoxdur.

Məlumatların əlçatanlığı: Ayrıca məlumat əlçatanlığı bəyanı yoxdur.

CRediT/müəllif töhfələri: Yüklənmiş versiyada ətraflı CRediT töhfə bəyanı yoxdur.

Lisenziya: Yüklənmiş versiyada açıq Creative Commons və ya ekvivalent təkrar istifadə lisenziyası müəyyən edilməmişdir. Buna görə orijinal şəkillər bu məqalədə birbaşa təkrar yayımlanmamışdır.

Mənbədaxili uyğunsuzluq 1: WLTC izah mətni DTL üçün həm %71,7, həm də %72,3 son SOC dəyəri verir. Şəkil 16-nın etiketləri DDPG %71,7, TD3 %72,1 və DTL %72,3 şəklindədir.

Mənbədaxili uyğunsuzluq 2: Enerji bərpası məhdudiyyəti bölməsinin izahı qeyri-səlis sistem girişlərini sürət və SOC kimi göstərdiyi halda, Tənlik 22 μ və sürət dəyişənlərindən istifadə edir.

Mənbədaxili uyğunsuzluq 3: Tənlik 24-də arxa ox əyləc fırlanma momentini təmsil etməsi gözlənən ikinci ifadədə ön ox simvolları təkrar edilir. Tənlik xarici məlumatla düzəldilməmişdir.

Mənbədaxili vahid uyğunsuzluğu: Şəkil 13 və Şəkil 16-nın enerji istehlakı qrafiklərində “kW” etiketi olduğu halda, izah mətnləri DTL üçün müvafiq olaraq 2,17 kWh və 2,49 kWh istifadə edir.

Elmi sərhəd: Tədqiqat simulyasiya və ədədi avtomobil modeli doğrulamasına əsaslanır. Seriyalı istehsal avtomobili, real yol, hardware-in-the-loop, real ECU və ya uzunmüddətli batareya yaşlanması doğrulaması təqdim edilmir.

Elmi məzmun prinsipi: Bu Verianla izahındakı metod, ədədi nəticələr və məhdudiyyətlər araşdırılan işə əsaslanır. Xarici mənbələr yalnız biblioqrafik DOI və indeks doğrulaması üçün istifadə edilmiş, əsas elmi izaha başqa tədqiqatlardan yeni nəticə əlavə edilməmişdir.