Elektrik avtomobillərində batareyanın şarj vəziyyəti, sürücünün görebildiği qalan enerji miktarını ve təxmini yürüş məsafəsini belirleyen əsas göstəricilərden biridir. Ancak şarj vəziyyəti birbaşa ölçülemez; batareya gərginliki, cərəyanı, sıcaklığı ve geçmiş istifadə davranışı gibi ölçülebilir sinyallerden tahmin edilmesi lazımdır.

Bu tədqiqatda tədqiqatçılar, lityum iyon batareyaların şarj vəziyyətinu tahmin etmek için DResCNN–BiGRU–SE adlı birleşik bir dərin öyrənmə mimarisi önermiştir. Model; fərqli zaman ölçeklerindeki örüntüleri yakalayan genişletilmiş evrişim qatlarını, öğrenmeyi kolaylaştıran artık keçidları, zaman içindeki əlaqələri iki yönde işleyen BiGRU qatını ve yararlı xüsusiyyət kanallarını öne çıkaran Squeeze-and-Excitation dikkat mekanizmasını bir araya getirmektedir.

Modelin girişleri yalnız batareya gərginliki, batareya cərəyanı ve batareya sıcaklığıdır. Değerlendirme, istehsal tipi bir BMW i3 elektrik avtomobilitan 70 real sürüş boyunca kaydedilen ve təxminən 989.671 ölçmə içeren açıq verilənlər dəstinde realleştirilmiştir. Yolculukların 50’si təlim, 10’u validasiya ve 10’u test için ayrılmıştır.

Önerilen model test verilənlərinde %2,3522 kök orta kvadrat xəta, %1,7253 orta mütləq xəta ve 0,9754 R² değeri üretmiştir. Ortalama nəticəlar, tahmin edilen şarj vəziyyətinun verilənlər dəstindeki referans değerlerle güçlü biçimde örtüştüğünü göstərir. Bununla birlikte tekil en böyük xəta %23,2645’e ulaşmıştır. Modelin çoğu durumda aşağı xəta üretmesi, bütün anlarda eyni güvenilirliği sağladığı anlamına gelmemektedir.

Nəticəların yorumlanmasını sınırlandıran vacib metodolojik sorunlar bulunmaktadır. Metnin bir bölümünde verilənlərin nümunə bazında %70–%15–%15 oranında bölündüğü yazılırken metod bölümünde səfər bazında 50–10–10 ayrımı bildirilmektedir. Mimari şema Min–Max normalizasyonunu, ana metin ise RobustScaler metodini göstərir. Ablasyon grafiğinin son modeli DResCNN–BiGRU–CA adıyla ve təxminən %3,96 RMSE ile göstərmesi, ana modelin %2,3522 değerinden ayrılmaktadır. Karşılaştırma grafiğindeki bazı model değerleri de makaledeki müqayisə cədvəlsuyla uyuşmamaktadır.

Bu niyəle tədqiqat, dərin öyrənmənin real sürüş verilənlərindeki potansiyelini göstəren umut verici bir ön nəticə olarak değerlendirilmelidir. Modelin fərqli avtomobillərdə, fərqli batareya kimyalarında, yaşlanmış batareyalarda ve real vaxtlı gömülü donanımda bağımsız olarak doğrulanması lazımdır.

Batareyanın şarj vəziyyəti neyi ifade eder?

Şarj vəziyyəti veya İngilizce adıyla State of Charge, batareyada istifadə edilə bilər durumda qalan enerji miktarını yüzde cinsinden ifade eden tahmini bir değişkendir. Yanacaqlı bir avtomobiltaki depo göstəricisine benzetilebilir; lakin lityum iyon batareyadaki enerji miktarı yalnız gərginlik ölçülerek kesin biçimde belirlenemez.

Batareyanın ölçülen gərginliki ve cərəyanı aşağıdaki etkenlere göre değişebilir:

• Batareyanın anlık şarj veya deşarj cərəyanı,
• Hücrelerin ve batareya paketinin sıcaklığı,
• Hızlanma ve rejeneratif frenleme gibi ani yük değişimleri,
• Batareyanın iç direnci,
• Hücre kimyası ve istehsal fərqlilıkları,
• Yaşlanma ve kapasite kaybı,
• Önceki şarj ve deşarj geçmişi,
• Sensör gürültüsü ve kalibrasyon xətaları.

Bu niyəle batareya yönetim sistemi, birbaşa ölçülemeyen şarj vəziyyətinu ölçülebilen elektriksel ve termal sinyallerden davamlı olarak hesaplamaya çalışır.

Yanlış şarj vəziyyəti tahmini niyə vacibdir?

Şarj vəziyyətinun olduğundan yüksək tahmin edilmesi, avtomobil sürücüsüne realte bulunmayan bir yürüş məsafəsi göstərebilir. Olduğundan aşağı tahmin edilmesi ise istifadə edilə bilər batareya kapasitesinin gereksiz biçimde sınırlandırılmasına niyə olabilir.

Doğru bir tahmin şu işlevleri destekler:

• Kalan yürüş məsafəsinin daha güvenilir hesaplanması,
• Şarj ve deşarj sınırlarının güvenli biçimde yönetilmesi,
• Batareyanın aşırı şarj veya derin deşarjdan korunması,
• Rejeneratif frenleme enerjisinin daha doğru planlanması,
• Güç ve enerji yönetim algoritmalarının iyileştirilmesi,
• Batareya ömrünün uzatılması,
• Sürücünün menzil kaygısının azaltılması.

Geleneksel tahmin metodlerinin sınırları nelerdir?

Şarj vəziyyəti tahmininde istifadə edilən əsas yaklaşımlardan biri Coulomb sayımıdır. Bu metodde batareyaya giren ve batareyadan çıkan cərəyan zaman boyunca toplanır. Başlangıçtaki şarj vəziyyəti doğru biliniyorsa metod yararlı olabilir; lakin cərəyan sensöründeki kiçik xətalar zamanla birikerek tahminin kaymasına niyə olabilir.

Açık devre gərginlikine dayalı metodler, batareya bir süre dinlendirildikten sonra ölçülen gərginliki şarj vəziyyətiyla əlaqəlendirir. Bununla birlikte hareket hâlindeki bir elektrik avtomobilita batareyayı uzun süre yüksüz bırakmak çoğu zaman mümkün deyil.

Kalman filtresi ve benzeri model tabanlı metodler fiziksel batareya modellerini sensör verilənləriyle birleştirir. Bu metodlerin başarısı eşdeğer devre parametrelerinin, iç direncin ve temperatur davranışının doğru modellenmesine bağlıdır. Batareya yaşlandıkça model parametreleri değişebilir.

Veri odaklı metodler ise gərginlik, cərəyan, temperatur ve şarj vəziyyəti arasındaki əlaqəyi birbaşa veriden öğrenmeye çalışır. Bu yaklaşım karmaşık doğrusal olmayan əlaqələri yakalayabilir; lakin güvenilirliği təlim verisinin kapsamına, veri ayrımına ve modelin daha önce görmediği şəraitlarda sınanmasına bağlıdır.

Tədqiqatın əsas sorusu nədir?

Tədqiqatnın əsas tədqiqat sorusu şu şəkilde özetlenebilir:

Gərginlik, cərəyan ve temperaturtan oluşan geçmiş ölçmə dizileri istifadə edilərək, real sürüş şəraitindəki bir elektrikli aracın batareya şarj vəziyyəti birleşik bir dərin öyrənmə modeliyle doğru biçimde tahmin edilebilir mi?

Tədqiqatçılar bunun için üç fərqli öğrenme yeteneğini tek modelde birleştirmiştir:

1. Farklı zaman ölçeklerindeki kısa süreli sinyal örüntülerinin çıkarılması,
2. Uzun süreli zamansal bağımlılıkların öğrenilmesi,
3. Yararlı xüsusiyyət kanallarının diğerlerinden daha güçlü ağırlıklandırılması.

DResCNN–BiGRU–SE adı nə deməkdir?

Modelin adı üç əsas bileşenden oluşmaktadır:

• DResCNN: Genişletilmiş evrişim istifadə etan artık keçidlı bir boyutlu evrişimsel neyron şəbəkəsidır.
• BiGRU: Veriyi ileri ve geri yönde işleyen çift yönlü kapılı tekrarlayan birimdir.
• SE: Özellik kanallarına önem ağırlıkları atayan Squeeze-and-Excitation dikkat mekanizmasıdır.

Tədqiqatnın 4. sayfasındaki Şekil 1, bütün mimariyi yedi aşamada göstərir: veri hazırlama, çok ölçekli evrişim, artık bloklar, BiGRU, kanal dikkati, regresyon başlığı ve model təlimi.

Birinci aşama: Ölçməlerin zaman dizilerine dönüştürülmesi

Her zaman adımındaki giriş vektörü gərginlik, cərəyan ve temperaturtan oluşmaktadır:

\[ x_t=[V_t,I_t,T_t] \]

• \(V_t\): t anındaki batareya gərginlikidir.
• \(I_t\): t anındaki batareya cərəyanıdır.
• \(T_t\): t anındaki batareya sıcaklığıdır.

Modelin tek bir giriş örneği, ardışık ölçməlerden oluşan bir zaman pəncərəsidir:

\[ X=\{x_1,x_2,\ldots,x_L\} \]

Tədqiqatda pencere uzunluğu \(L=40\) zaman adımı olarak müəyyən edilmişdir. Bu niyəle model yalnız o andaki üç ölçməe bakmamakta, önceki 40 ölçməden oluşan kısa geçmişi birlikte qiymətləndirməktedir.

Ölçməlerin hansı nümunəleme frekansıyla kaydedildiği ve 40 adımın saniye cinsinden ne kadar geçmişe karşılık geldiği tədqiqatda açıq biçimde qeyd edilməmişdir. Bu eksiklik, modelin fiziksel zaman ölçeğinin yorumlanmasını güçleştirmektedir.

İkinci aşama: Çok ölçekli evrişimsel xüsusiyyət çıkarımı

Modelin ilk öğrenme bölümünde eyni giriş dizisine iki paralel bir boyutlu evrişim uygulanmaktadır. Mimari şemada birinci dal için çekirdek böyüklüğü 3 ve genişletme oranı 1, ikinci dal için çekirdek böyüklüğü 5 ve genişletme oranı 2 göstərilir.

Birinci dal daha kısa süreli yerel değişimleri, ikinci dal ise daha geniş bir zaman aralığındaki örüntüleri yakalamayı amaçlamaktadır. İki daldan çıkarılan xüsusiyyətlər daha sonra birleştirilmektedir.

Genişletilmiş evrişim, filtre katsayıları arasına boşluklar yerleştirerek qat sayısını veya filtre böyüklüğünü aşırı artırmadan daha geniş bir alana bakılmasını təmin edir. Batareya uygulamasında bu yaklaşım, kısa süreli cərəyan darbeleriyle daha yavaş gərginlik ve temperatur değişimlerini eyni modelde temsil etmeyi amaçlamaktadır.

Bununla birlikte makalenin ana metninde “Step 2” başlığı bulunmasına rağmen bu aşamanın ayrıntılı açıqlaması verilmeden birbaşa üçüncü aşamaya geçilmektedir. Filtre sayıları, evrişim çıxışlarının tam boyutları ve bu bölüme karşılık gelmesi beklenen üçüncü denklem de metinde yer almamaktadır.

Üçüncü aşama: Artık keçidlar

Çok ölçekli xüsusiyyətlər, evrişim, toplu normalizasyon ve ReLU etkinleştirmesi içeren artık bloklara aktarılmaktadır. Artık keçidnın əsas əlaqəsi şöyledir:

\[ Y=\mathcal{F}(X)+X \]

• \(X\): Bloğun giriş xüsusiyyətləridir.
• \(\mathcal{F}(X)\): Evrişim qatları tarafından öğrenilen dönüşümdür.
• \(Y\): Öğrenilen dönüşüm ile girişin toplamıdır.

Bu yapı, derin ağlarda gradyanın daha kolay ilerlemesine yardımcı olabilir. Katmanlar bütün dönüşümü sıfırdan öğrenmek yerine giriş üzerinde yapılması gereken düzeltmeyi öğrenir.

Makaledeki mimari şema artık bloğun \(N\) kez tekrarlandığını göstərir; lakin \(N\) değerinin kaç olduğu qeyd edilməmişdir. Her qatdaki filtre sayıları ve toplam model parametresi de raporlanmamıştır. Bu niyəle mimarinin eyni biçimde yeniden kurulması için zəruri bilgiler eksiktir.

Dördüncü aşama: BiGRU ile zaman əlaqələrinin öğrenilmesi

Evrişimsel qatlar yerel sinyal örüntülerini çıkarırken, batareyanın şarj vəziyyəti daha uzun süreli geçmişten de etkilenebilir. Bu niyəle birleştirilmiş xüsusiyyətlər çift yönlü GRU qatına verilmektedir.

İleri yöndeki gizli vəziyyət şu biçimde göstərilebilir:

\[ \overrightarrow{h_t}=\operatorname{GRU}(x_t,\overrightarrow{h_{t-1}}) \]

Geri yöndeki gizli vəziyyət ise şöyledir:

\[ \overleftarrow{h_t}=\operatorname{GRU}(x_t,\overleftarrow{h_{t+1}}) \]

İki yönün çıxışsı birleştirilir:

\[ h_t=[\overrightarrow{h_t};\overleftarrow{h_t}] \]

Çift yönlü işlem, 40 adımlık pencerenin başlangıcı ile sonundaki bilgileri birlikte qiymətləndirməyi təmin edir. Geri yönlü işlem gelecekteki real avtomobil verisine bakmak zorunda değildir; pencere tamamen mevcut ana kadar olan ölçməlerden oluşturuluyorsa eyni geçmiş pencere ters yönde işlenebilir. Ancak tədqiqatda hedef zamanının pencereye göre tam konumu açıq biçimde belirtilmediğinden real vaxtlı niyəsellik yapısı tamamen doğrulanamamaktadır.

Beşinci aşama: Squeeze-and-Excitation dikkati

Modelin çıkardığı bütün xüsusiyyət kanalları şarj vəziyyəti tahmininde eyni ölçüde yararlı olmayabilir. SE mekanizması, her kanalı özetleyerek kanallara 0 ile 1 arasında öğrenilebilir önem ağırlıkları atar.

Önce her xüsusiyyət kanalının zaman boyunca ortalaması alınır:

\[ z_c=\frac{1}{T}\sum_{t=1}^{T}X_c(t) \]

• \(z_c\): c kanalının özet değeridir.
• \(T\): zaman sırasınin uzunluğudur.
• \(X_c(t)\): c kanalının t zamanındaki değeridir.

Kanal ağırlıkları iki tam keçidlı dönüşümle hesaplanır:

\[ A=\sigma(W_2\delta(W_1z)) \]

• \(W_1,W_2\): Öğrenilebilir ağırlık matrisleridir.
• \(\delta\): ReLU etkinleştirmesidir.
• \(\sigma\): Sigmoid etkinleştirmesidir.

Son xüsusiyyətlər kanal ağırlıklarıyla yeniden ölçeklenir:

\[ Y=X\odot A \]

Bu işlem, modelin müəyyən sürüş şəraitində daha yararlı hâle gelen xüsusiyyətləri güçlendirmesini ve daha az yararlı xüsusiyyətləri bastırmasını amaçlamaktadır.

SE bölümünün ara qat genişliği veya azaltma oranı metinde qeyd edilməmişdir. Bu da yeniden üretilebilirliği sınırlayan başka bir mimari eksikliktir.

Altıncı aşama: Sürekli şarj vəziyyəti çıxışsı

Dikkat mekanizmasından çıkan xüsusiyyətlər küresel ortalama havuzlama qatıyla özetlenmekte ve aşağıdaki tam keçidlı qatlardan geçirilmektedir:

• 256 nöronlu qat ve 0,30 dropout,
• 128 nöronlu qat ve 0,20 dropout,
• 64 nöronlu qat,
• Tek nöronlu doğrusal çıkış qatı.

Doğrusal çıkış, şarj vəziyyətinun kesintisiz bir yüzde değeri olarak tahmin edilmesini təmin edir:

\[ SOC_{tahmin}=f(g) \]

Burada \(g\), havuzlama sonrasında oluşan özet xüsusiyyət vektörünü; \(f\) ise tam keçidlı qatların öğrendiği dönüşümü temsil etmektedir.

Yedinci aşama: Modelin eğitilmesi

Model Adam eniyileyicisiyle eğitilmiş ve başlanğıc öğrenme oranı 0,0003 olarak müəyyən edilmişdir. Gradyan normu 1,0 ile sınırlandırılmış, toplu işlem böyüklüğü 128 ve azami təlim süresi 100 epoch olarak seçilmiştir.

Eğitim kaybı olarak Huber kaybı istifadə edilmişdir:

\[ L_\delta(y,\hat{y})= \begin{cases} \frac{1}{2}(y-\hat{y})^2, & |y-\hat{y}|\leq\delta \\ \delta|y-\hat{y}|-\frac{1}{2}\delta^2, & |y-\hat{y}|>\delta \end{cases} \]

• \(y\): Referans şarj vəziyyətidur.
• \(\hat{y}\): Model tahminidir.
• \(\delta\): Karesel ve doğrusal xəta bölgelerini ayıran eşiktir.

Huber kaybı kiçik xətalarda kareli xəta gibi davranırken böyük xətalarda doğrusal büyür. Böylece model kiçik farklara duyarlı kalırken az sayıdaki böyük sapmanın təlimi aşırı etkilemesi azaltılabilir.

Tədqiqatda erken durdurma ve uyarlanabilir öğrenme oranı planlaması istifadə etıldığı qeyd edilir. Ancak erken durdurma sabrı, öğrenme oranı azaltma şəraitu ve seçilen en iyi epoch gibi ayrıntılar verilmemiştir.

BMW i3 verilənlər dəsti ne içermektedir?

Model, istehsal tipi BMW i3 elektrik avtomobilitan real istifadə sırasında kaydedilen açıq verilənlər dəstiyle qiymətləndirilmişdir. Araçta 60 Ah kapasiteli lityum iyon batareya paketi bulunmaktadır.

Veri setinde batareya gərginliki, cərəyanı ve sıcaklığının yanında ortam sıcaklığı, avtomobil hızı, səfər mesafesi ve süre gibi başka değişkenler de bulunmaktadır. Önerilen model bunlardan yalnız gərginlik, cərəyan ve batareya sıcaklığını istifadə etmıştır.

Tədqiqatnın 9. sayfasındaki Şekil 2, səfərların mesafe ve süre bcərəyanından vacib ölçüde değiştiğini göstərir. Yolculukların çoğu təxminən 10–20 kilometre aralığında toplanırken 50–60 kilometreye yaklaşan az sayıda daha uzun sürüş de bulunmaktadır.

Gərginlik, cərəyan ve temperatur şarj vəziyyətiyla necə əlaqəlidir?

Tədqiqatnın 11. sayfasındaki korelasyon matrisi, şarj vəziyyətiyla en güçlü doğrusal əlaqənin batareya gərginlikinde bulunduğunu göstərir:

Cərəyanın SOC ile anlık doğrusal korelasyonunun 0,03 olması, cərəyanın yararsız olduğu demək deyil. Cərəyanın etkisi çoğunlukla zaman boyunca birikerek ortaya çıkar. Aynı cərəyan değeri, batareyanın önceki yük geçmişine göre fərqli anlam taşıyabilir. Bu niyəle zaman sırası modeli yalnız tekil korelasyondan daha karmaşık əlaqələri öğrenmeye tədqiqatktadır.

Batareya sıcaklığı ile ortam sıcaklığı arasındaki korelasyon 0,87’dir. Model yalnız batareya sıcaklığını istifadə etdığı için ortam şəraitlərina əlaqən bilgilerin bir bölümü batareya sıcaklığı üzerinden dolaylı olarak modele girebilir.

Verilənlər necə ölçeklenmiştir?

Ana metne göre giriş değişkenleri ve hedef SOC değerleri RobustScaler ile ölçeklenmiştir:

\[ x_{ölçekli}=\frac{x-\operatorname{Median}(x)}{Q_3-Q_1} \]

• \(\operatorname{Median}(x)\): Değişkenin ortanca değeridir.
• \(Q_1\): Birinci çeyrektir.
• \(Q_3\): Üçüncü çeyrektir.
• \(Q_3-Q_1\): Çeyrekler arası aralıktır.

Bu ölçekleme uç değerlerden, ortalama ve standart sapmaya dayalı metodlere göre daha az etkilenebilir.

Ancak Şekil 1’de ön işleme adımı “Min–Max Normalization” olarak göstərilir. Min–Max normalizasyonu ile RobustScaler eyni metod değildir. Metin boyunca RobustScaler daha ayrıntılı biçimde anlatıldığı için ana metod olarak bu yaklaşım kabul edilse de şəkil ile metod anlatımı arasında açıq bir tutarsızlık bulunmaktadır.

Ayrıca ölçekleyicinin yalnız təlim səfərları üzerinde öğrenilip validasiya ve test səfərlarına daha sonra uygulanıp uygulanmadığı açıqlanmamıştır. Ölçekleme parametreleri bütün verilənlər dəstinden hesaplandıysa test dağılımı hakkında sınırlı da olsa bilgi sızıntısı oluşabilir. Tədqiqatnın verdiği bilgiler bu olasılığın değerlendirilmesi için yeterli değildir.

Verilənlər təlim, validasiya ve test için necə ayrılmıştır?

Metod bölümünde səfər bazında şu ayrım bildirilmektedir:

Yolculuk bazında ayırma, eyni səfərtan istehsal edilən örtüşen zaman pencerelerinin hem təlim hem test kümesine girmesini önlemek açısından vacibdir.

Buna karşılık tədqiqatnın 3. sayfasındaki müqayisə cədvəlsu bu tədqiqatnın veri ayrımını “nümunəlerin %70’i təlim, %15’i validasiya ve %15’i test” şeklinde tanımlamaktadır. Yolculuk bazlı ayrım ile nümunə bazlı ayrım eyni değildir. Metodoloji bölümündeki ayrıntılı 50–10–10 açıqlaması daha güvenilir görünse de iki ifade arasındaki uyuşmazlık giderilmemiştir.

Hangi 10 yolculuğun validasiya ve hansı 10 yolculuğun test için istifadə etıldığı da listelenmemiştir. Tek bir rastgele tohum değeri 42 olarak verilmiştir; fərqli bölmeler veya fərqli tohumlarla tekrarlanan deneyler raporlanmamıştır.

Eğitim ve validasiya eğrileri ne göstərir?

Tədqiqatnın 14. ve 15. sayfalarındaki qrafiklerde təlim ve validasiya kayıpları ilk epochlarda hızlı biçimde düşmekte, daha sonra daha yavaş iyileşmektedir. Eğitim eğrisi düzenli olarak azalmaya devam ederken validasiya eğrisi təxminən 17–18. epoch sonrasında dalgalanmakta ve kiçik bir yükselme göstərir.

Tədqiqatçılar təlim ile validasiya eğrileri arasında ciddi bir ayrışma bulunmadığını ve modelin belirgin aşırı öğrenme göstərmediğini ifade etmektedir. Grafikler kontrolsüz bir sapma göstərmese de təlimin sonunda təlim kaybı ile validasiya kaybı arasında görünür bir fark bulunmaktadır. Bu durum hafif düzeyde aşırı öğrenme olasılığının tamamen dışlanamayacağını göstərir.

Modelin ana test nəticəları nelerdir?

%1,7253 MAE, ortalama nümunəte tahmin ile referans arasında təxminən 1,73 yüzde puan fark bulunduğunu göstərir. Örneğin referans değer %60 ise ortalama xəta böyüklüğü təxminən 1,73 puan düzeyindedir; lakin bu, her tahminin bu sınır içinde olduğu demək deyil.

%23,2645 düzeyindeki en böyük xəta xüsusiyyətle vacibdir. Ortalama performans güçlü görünse de müəyyən bir geçiş anında tahmin ile referans arasında 23 yüzde puanı aşan fark oluşmuştur. Güvenlik açısından kritik bir batareya yönetim uygulamasında yalnız ortalama xəta değil, en kötü durum davranışı da değerlendirilmelidir.

Gerçek ve tahmin edilen SOC eğrileri ne göstərir?

Tədqiqatnın 16. sayfasındaki Şekil 7 ve Şekil 8’de tahmin eğrileri çoğu noktada referans değerlere yakın ilerlemektedir. Yakınlaştırılmış bölümde xüsusiyyətle orta ve yüksək SOC aralıklarında güçlü örtüşme görülmektedir. Keskin düşüşlerde tahmin eğrisinin bazı tepe ve çukurları yumuşattığı veya kaçırdığı noktalar bulunmaktadır.

Grafikte ardışık nümunəler arasında SOC değerinin sık sık %80 düzeyinden %30–40 aralığına düşüp yeniden yükseldiği görülmektedir. Tek bir fiziksel səfərta batareyanın bu kadar hızlı şarj olup boşalması beklenmeyeceği için qrafik böyük olasılıkla fərqli test pencerelerini veya fərqli səfərları birleştirmektedir. Ancak nümunəlerin sıralama metodi açıqlanmadığından qrafik real vaxtlı kesintisiz bir sürüş profili olarak yorumlanmamalıdır.

Test nəticəları her səfər için ayrı ayrı verilmemiştir. Bu niyəle modelin bütün test səfərlarında benzer başarı göstərip göstərmediği, müəyyən temperatur veya mesafe şəraitində xətanın artıp artmadığı görülememektedir.

Hata dağılımı realten tarafsız mıdır?

Tədqiqatnın 18. sayfasındaki Şekil 9 artık grafiği, histogram, kutu grafiği ve keman grafiğini birlikte göstərir. Hataların böyük bölümü sıfıra yakın bölgede toplanmaktadır. Bununla birlikte kutu grafiğinde hem negatif hem pozitif yönde çok sayıda uç değer bulunmaktadır.

Artık grafiği tamamen rastgele bir bulut görünümünde değildir. Tahmin edilen SOC aşağıken artıkların daha çok negatif bölgede, daha yüksək SOC değerlerinde ise sıfırın çevresinde veya pozitif bölgede yoğunlaşması SOC düzeyine bağlı sistematik bir örüntü olabileceğini düşündürmektedir.

Bu niyəle “modelin belirgin biçimde fazla veya aşağı tahmin eğilimi yoktur” sonucu genel ortalama bcərəyanından makul olsa da bütün SOC aralıklarında eşit biçimde tarafsız olduğu kesin olarak göstərilmiş değildir.

R² değeri neyi göstərir, neyi göstərmez?

0,9754 düzeyindeki R², test verisindeki referans SOC değişkenliğinin təxminən %97,5’inin model tahminleriyle istatistiksel olarak açıqlanabildiğini göstərir.

Bu değer aşağıdakileri tek başına kanıtlamaz:

• Her tahmin anında xətanın aşağı olduğunu,
• Modelin fərqli avtomobillərdə eyni sonucu vereceğini,
• Referans SOC değerlerinin xətasız olduğunu,
• Batareya yaşlandığında performansın korunacağını,
• Modelin real vaxtlı bir kontrol ünitesinde çalışabileceğini,
• En kötü durum xətalarının güvenlik sınırları içinde olduğunu.

Önceki tədqiqatlarla müqayisə ne kadar güvenilirdir?

Makaledeki ana müqayisə cədvəlsuna göre önerilen model, eyni BMW i3 verilənlər dəstini istifadə etan önceki tədqiqatlardan daha aşağı RMSE ve MAE üretmiştir:

Bu müqayisəların veri bölmeleri, ön işleme adımları, test səfərları ve uygulama ayrıntıları eyni değildir. Bir modelin fərqli bir test kümesindeki aşağı xətası, diğer modelden kesin olarak üstün olduğunu kanıtlamaz. Gerçek bir birbaşa müqayisə için bütün modellerin eyni təlim, validasiya ve test səfərlarında yeniden çalıştırılması lazımdır.

Tədqiqatnın 20. sayfasındaki Şekil 11 de müqayisə cədvəlsuyla uyuşmamaktadır. Grafikte FFNN için təxminən 7,20, LSTM için 6,10, GRU için 5,80, BiLSTM için 5,50, ResCNN–BiGRU için 4,80 ve DResCNN–BiGRU–CA için təxminən 3,96 RMSE göstərilir. Bu adlar ve değerler ana müqayisə cədvəlsundaki modellerle eyni değildir; önerilen SE modelinin 2,3522 RMSE değeri qrafikte göstərilmemektedir.

Ablasyon tədqiqatsı mimari bileşenleri doğruluyor mu?

Ablasyon tədqiqatsının amacı, mimarinin bileşenleri tek tek eklendiğinde xətanın necə değiştiğini göstərmektir. Şekil 12’de CNN’den başlayarak BiGRU, artık keçid, genişletilmiş evrişim ve dikkat mekanizması eklenirken RMSE’nin kademeli biçimde azaldığı görülmektedir.

Ancak bu bölümde ciddi raporlama sorunları bulunmaktadır:

• Metin nəticəların “Tablo V”te verildiğini söylemesine rağmen sayısal ablasyon cədvəlsu bulunmamaktadır.
• Tablo V daha önce ana performans ölçütleri için istifadə edilmişdir.
• Grafikte son modelin adı DResCNN–BiGRU–CA’dır; ana model ise DResCNN–BiGRU–SE olarak adlandırılmaktadır.
• Grafikte son noktanın RMSE değeri təxminən 3,96 görünmektedir; ana test sonucu 2,3522’dir.
• Ablasyon modellerinin eyni test kümesi, eyni rastgele başlanğıc ve eyni təlim ayarlarıyla çalıştırılıp çalıştırılmadığı qeyd edilməmişdir.
• Nəticəlar birden fazla təlim tekrarı ve standart sapmayla raporlanmamıştır.

Bu niyəle qrafik mimari geliştikçe performansın iyileştiği yönünde nitel bir örüntü sunsa da her bileşenin katkısını güvenilir ve sayısal biçimde doğrulayan tamamlanmış bir ablasyon deneyi olarak kabul edilemez.

Tədqiqatnın en vacib güclü tərəfləri

• Kontrollü laboratuvar çevrimleri yerine real sürüşlerden oluşan açıq verilənlər dəsti istifadə edilmişdir.
• Yaklaşık bir milyon ölçmə modele geniş bir nümunə tabanı təmin etmişdir.
• Girdi olarak çoğu batareya yönetim sisteminde bulunan gərginlik, cərəyan ve temperatur seçilmiştir.
• Yerel örüntü, uzun süreli zaman əlaqəsi ve kanal dikkati tek mimaride birleştirilmiştir.
• Doğrulama ve test için ayrı səfərlar istifadə etıldığı qeyd edilmişdir.
• RMSE ve MAE dışında R², MAPE, en böyük xəta ve xəta standart sapması raporlanmıştır.
• Hata dağılımı birden fazla qrafikle araşdırılmışdır.
• Tədqiqat kendi məhdudiyyətlarını ve gömülü sistem validasiyası gereksinimini kabul etmektedir.

Tədqiqatnın əsas məhdudiyyətları

• Model yalnız tek avtomobil modeli ve tek batareya paketi üzerinde qiymətləndirilmişdir.
• Farklı hüceyrə kimyaları ve batareya kapasiteleri sınanmamıştır.
• Batareya yaşlanmasının etkisi qiymətləndirilməmişdir.
• Referans SOC, bağımsız laboratuvar ölçməü değil avtomobil istehsalçısinin sağladığı değerdir.
• Ölçekleyicinin yalnız təlim verisinde öğrenilip öğrenilmediği açıqlanmamıştır.
• Veri ayrımı nümunə bazlı ve səfər bazlı olarak iki fərqli biçimde tanımlanmıştır.
• Şema Min–Max, metin RobustScaler normalizasyonunu bildirmektedir.
• Evrişim filtre sayıları ve artık blok sayısı qeyd edilməmişdir.
• SE azaltma oranı ve toplam model parametre sayısı verilmemiştir.
• Çalıştırma süresi, çıkarım gecikmesi, bellek gereksinimi ve enerji tüketimi ölçülmemiştir.
• Test nəticəları səfər bazında ayrı ayrı raporlanmamıştır.
• Farklı rastgele tohumlarla tekrarlanmış deney ve güven aralığı bulunmamaktadır.
• Karşılaştırma grafiği ana müqayisə cədvəlsuyla uyuşmamaktadır.
• Ablasyon grafiğinin model adı ve sonucu ana model sonucuyla tutarlı değildir.
• Mənbə kodu, təlimde istifadə edilən səfər kimlikleri ve tam yeniden istehsal paketi verilmemiştir.

Tədqiqat neyi dəstəkləyir?

• Gərginlik, cərəyan ve temperatur dizilerinin SOC tahmini için yüksək bilgi içerebildiğini,
• Evrişimsel ve tekrarlayan qatların birlikte istifadə etılmasının real sürüş verilənlərinde umut verici olduğunu,
• Kanal dikkatinin öğrenilen xüsusiyyətləri seçici biçimde yeniden ağırlıklandırmak için istifadə edilə biləcəyini,
• Belirtilen test kümesinde aşağı ortalama xəta elde edildiğini,
• Yolculuk bazlı veri ayırmanın uygulanabilir bir qiymətləndirmə yaklaşımı olduğunu dəstəkləyir.

Tədqiqat neyi sübut etmir?

• Modelin bütün elektrik avtomobillərində %2,35 RMSE üreteceğini sübut etmir.
• Önerilen mimarinin bütün önceki metodlerden kesin olarak üstün olduğunu göstərmir.
• Modelin yaşlanmış batareyalarda eyni dəqiqliyi koruyacağını göstərmir.
• En böyük %23,26 xətanın güvenlik açısından kabul edilebilir olduğunu sübut etmir.
• Modelin otomotiv sinifı bir batareya yönetim ünitesinde real vaxtlı çalışabileceğini göstərmir.
• Tahminlerin fərqli temperatur, iklim ve sürüş kültürlerinde eyni başarıyı göstəreceğini sübut etmir.
• Referans SOC değerlerinin fiziksel real SOC ile xətasız biçimde eşleştiğini göstərmir.
• Ablasyon grafiğindeki iyileşmelerin istatistiksel olarak anlamlı olduğunu sübut etmir.

Türkiyədəki elektrik avtomobili ekosistemi açısından ne ifade etmektedir?

Türkiyədə elektrik avtomobili istifadəsi, şarj altyapısı ve yerli avtomobil teknolojileri geliştikçe batareya yönetim yazılımlarının önemi de artmaktadır. Şarj vəziyyəti tahmini yalnız göstərici panelindeki yüzde değeri değil; menzil planlaması, hızlı şarj yönetimi, batareya garantisi ve ikinci el batareya qiymətləndirməsi gibi alanları da etkileyebilir.

Tədqiqatnın yaklaşımı Türkiyədə geliştirilecek batareya yönetim sistemleri için şu tədqiqat yönlerini dəstəkləyir:

• Türkiyə’nin fərqli iklim bölgelerinde real sürüş verilənlərinin toplanması,
• Yaz sıcaklığı ve kış soğuğunun SOC tahminine etkisinin incelenmesi,
• Farklı avtomobil ve batareya kimyalarının ortak veri tabanında sınanması,
• Yeni ve yaşlanmış batareyaların birlikte değerlendirilmesi,
• Modelin otomotiv sinifı mikrodenetleyicilerde gecikme ve enerji tüketiminin ölçülmesi,
• En kötü durum xətalarının güvenlik sınırlarıyla birlikte raporlanması,
• Fiziksel batareya modelleriyle dərin öyrənmənin birleştirilmesi.

Ancak tədqiqatdaki sayısal nəticəlar Türkiyədəki avtomobillara birbaşa aktarılamaz. Yerel istifadə şəraitləri, avtomobil donanımı, batareya kimyası, sensör kalitesi ve temperatur aralığı fərqli olabilir. Gerçek uygulama için Türkiyədə toplanmış bağımsız verilənlərle yeniden təlim ve validasiya zəruridir.

Tədqiqatnın Metodi ve Nəticələrı

Teknik metod özeti

Ana performans nəticələrı

Mimari bileşenlerin amaçları

Metin içindeki kritik tutarsızlıklar

Nəticəların güvenilirliğini artıracak ek deneyler

• Aynı test səfərlarında bütün müqayisə modellerinin yeniden eğitilmesi,
• Her test yolculuğu için ayrı RMSE, MAE ve en böyük xəta verilmesi,
• Farklı rastgele tohumlarla en az birkaç bağımsız təlim tekrarı yapılması,
• Ortalama nəticəlarla birlikte standart sapma veya güven aralığı raporlanması,
• Farklı BMW i3 sürüş alt kümelerinde çapraz səfər validasiyası yapılması,
• Başka avtomobil modelleri ve batareya kimyalarıyla dış validasiya yapılması,
• Yeni ve yaşlanmış batareyaların ayrı değerlendirilmesi,
• Ölçekleyicinin yalnız təlim kümesine uyarlanması ve bunun açıqça belirtilmesi,
• Mimari parametrelerin ve mənbə kodunun yayımlanması,
• Gömülü donanımda gecikme, bellek ve enerji tüketiminin ölçülmesi,
• En böyük xətanın oluştuğu sürüş şəraitlərinın ayrı olarak analiz edilmesi,
• SOC tahminlerine belirsizlik aralığı eklenmesi.

Mənbə ve Metod Notu

• Tədqiqatnın özgün adı: DResCNN–BiGRU–SE: A Deep Learning Framework for Accurate State-of-Charge Estimation of Lithium-Ion Batteries in Electric Vehicles
• Yazarlar: Sushil Kumar; Yaduvir Singh
• Yazar sıralaması: Sushil Kumar birinci, Yaduvir Singh ikinci müəllifdır.
• Yazar bilgisi uyarısı: Yüklenen tədqiqat metninin ilk sayfasında müəllif ve qurum satırı bulunmamaktadır. Yazarlar SSRN resmî kayıt bilgisinden doğrulanmıştır.
• Eş birinci müəllif: Eş katkı veya eş birinci müəlliflık beyanı bulunmamaktadır.
• İletişim müəllifı: SSRN kaydında Sushil Kumar iletişim müəllifı olarak göstərilir.
• Kurum: Harcourt Butler Technical University, Kanpur, Hindistan
• Yaduvir Singh’in bölümü: Üniversitenin resmî kaydında Department of Electrical Engineering
• Sushil Kumar’ın bölüm bilgisi: İncelenen tədqiqatnın başlık sayfasında ve erişilebilen SSRN özet bilgisinde bölüm adı açıqça göstərilmemektedir.
• Tədqiqat yılı: 2026
• Tam gün ve ay: Yüklenen metinde açıqça qeyd edilməmişdir; bu niyəle kesin tarih verilmemiştir.
• Mənbə türü: Hakem qiymətləndirməsinden geçmemiş preprint tədqiqat metni
• Yayın platformu: SSRN
• Platform işletmecisi: Elsevier
• Preprint DOI: 10.2139/ssrn.7196249
• Resmî kayıt:SSRN resmî tədqiqat sayfası
• Kalıcı DOI keçidsı:10.2139/ssrn.7196249
• Dergi: Hakemli bir dergide yayımlandığı doğrulanamamıştır.
• Hakemlik durumu: Yüklenen metnin her sayfasında tədqiqatnın hakem qiymətləndirməsinden geçmediği qeyd edilir.
• Veri kaynağı: BMW i3 Battery and Heating Data in Real Driving Cycles, IEEE DataPort
• Veri seti DOI: 10.21227/6JR9-5235
• Çıkar çatışması: İncelenen metinde ayrı bir çıkar çatışması beyanı bulunmamaktadır.
• Finansman: İncelenen metinde finansman bilgisi bulunmamaktadır.
• Kod ve model ağırlıkları: Açık mənbə keçidsı verilmemiştir.

Bu Verianla makalesinin bilimsel içeriği yalnız yüklenen tədqiqatnın metni, denklemleri, cədvəlları, mimari şeması, performans qrafikleri ve xəta analizleri incelenerek hazırlanmıştır. Dış mənbəlar yalnız müəlliflərın kimliği, qurum keçidsı, DOI, platform ve rəylik durumunun bibliyografik olarak doğrulanması için istifadə edilmişdir. Dış mənbəlardan yeni bilimsel nəticə eklenmemiştir.

Tədqiqatnın ana sonucu olan %2,3522 RMSE, %1,7253 MAE ve 0,9754 R² değerleri tədqiqatçıların bildirdiği test nəticəlarıdır. Ham test tahminleri, mənbə kodu ve təlim kayıtları paylaşılmadığından bu değerler bağımsız olarak yeniden hesaplanmamıştır.

Metinde veri ayrımı, normalizasyon metodi, model müqayisə grafiği ve ablasyon sonucu arasında vacib tutarsızlıklar bulunmaktadır. Bu tutarsızlıklar sessizce düzeltilmemiş; nəticəların bilimsel ağırlığı değerlendirilirken açıq biçimde qeyd edilmişdir.

Tədqiqat rəyçi qiymətləndirməsindən keçməmiştir. Nəticəlar tek avtomobil platformu ve tek batareya yapılandırmasıyla sınırlıdır. Model, otomotiv sinifı gömülü bir batareya yönetim sisteminde real vaxtlı olarak sınanmamış ve fərqli batareya kimyalarıyla dış validasiyadan geçirilmemiştir.