Araştırma, elektrikli araç bataryalarının sağlık durumunu (State of Health, SOH) tahmin etmek için tam bir şarj eğrisine ihtiyaç duymadan yalnızca rastgele elde edilmiş kısa hızlı şarj parçalarını kullanabilen bir yöntem geliştirmektedir. Çalışmanın temel yaklaşımı, çok kademeli sabit akım (Multistage Constant Current, MSCC) şarjının yalnızca 20 yüzde puanlık SOC bölümlerindeki gerilim verisini iki boyutlu faz uzayına yeniden yapılandırmak, bu geometriden dört sağlık göstergesi çıkarmak ve göstergelerin yaşlanmayla ilişkisini gürültü azaltma ile zamansal öz-dikkati birleştiren DA-Transformer modeliyle SOH değerine dönüştürmektir.

Yöntemin pratik gerekçesi gerçek elektrikli araçların şarj davranışlarından gelmektedir. EVBattery veri setinde tek bir üreticiye ait 217 araçtan 90.000'den fazla tam şarj oturumu incelendiğinde şarjların yalnız %15,5'inin SOC %20'nin altında başladığı, oturumların %79,1'inin ise %20–80 SOC aralığında başladığı görülmüştür. Bu sonuç, gerçek kullanıcıların çoğu zaman bataryayı çok düşük SOC'ye kadar tüketmeden şarja bağladığını ve BMS'nin tam 0–80% şarj profiline düzenli biçimde erişemeyebileceğini göstermektedir.

SOH tahmin modelinin nicel doğrulaması Stanford Üniversitesi'nin laboratuvar batarya yaşlanma veri setindeki 1,1 Ah kapasiteli ticari LFP hücreleri üzerinde yapılmıştır. Üç bağımsız yerel şarj bölgesi kullanılmıştır: %20–40, %40–60 ve %60–80 SOC. Aynı MSCC koşullarındaki leave-one-cell-out çapraz doğrulamada ortalama RMSE değerleri sırasıyla 0,0059, 0,0042 ve 0,0041 olmuştur. Böylece yalnız 20 yüzde puanlık parçalı şarj verisi kullanılsa bile özellikle orta ve yüksek SOC aralıklarında ölçülen SOH eğrileri yüksek doğrulukla takip edilmiştir.

Daha zor olan çapraz-koşul doğrulamasında model, eğitimde hiç görmediği farklı bir MSCC hızlı şarj protokolü altındaki hücrelere doğrudan uygulanmıştır. Bu durumda %40–60 SOC penceresinde ortalama RMSE 0,0059, %60–80 SOC penceresinde 0,0063 olarak kalırken %20–40 penceresinde hata 0,0121'e yükselmiştir. Bu sonuç, faz uzayı tabanlı sağlık göstergelerinin orta-yüksek SOC bölgelerinde şarj protokolü değişimine karşı daha kararlı olduğunu; düşük SOC penceresinin ise fiziksel koşul değişimine daha duyarlı kaldığını göstermektedir.

Çalışmanın “gerçek dünya” boyutu dikkatle yorumlanmalıdır. EVBattery'deki gerçek araç verileri kullanıcıların şarj davranışını ve uygun SOC pencerelerini belirlemek için kullanılmıştır; DA-Transformer'ın raporlanan SOH doğruluk değerleri gerçek yol araçlarından değil, 30 °C sabit ortamda laboratuvar koşullarında yaşlandırılmış Stanford hücrelerinden elde edilmiştir. Model farklı laboratuvar MSCC protokolleri arasında çapraz doğrulanmış olsa da değişken ortam sıcaklığı, gerçek araç termal geçmişi, hücreler arası paket dengesizliği ve gerçek yol BMS sensör koşulları bu çalışma kapsamında doğrudan doğrulanmamıştır.

Türkiye açısından yöntem, elektrikli araçlarda batarya sağlığının servis veya sürüş sırasında tam şarj-deşarj testi gerektirmeden izlenebilmesi bakımından önemlidir. Özellikle hızlı şarj altyapısında sürücüler aracını farklı SOC seviyelerinde şarja bağladığı için tam şarj profiline bağımlı olmayan bir BMS yaklaşımı pratik değer taşıyabilir. Ancak Türkiye'deki araç filolarına uygulanmadan önce farklı LFP/NMC kimyaları, farklı sıcaklık mevsimleri, hücre paket yapıları, şarj cihazları ve gerçek filo verileriyle ayrıca doğrulama yapılması gerekir.

Araştırmanın çözmeye çalıştığı temel problem nedir?

Batarya SOH'sinin güvenilir biçimde belirlenmesi için laboratuvar ortamında tam kapasite testi yapılabilir; ancak gerçek elektrikli araçlarda kullanıcı davranışı buna uygun değildir. Araçlar farklı SOC seviyelerinde şarja bağlanmakta ve şarj farklı zamanlarda sonlandırılmaktadır. Sonuç olarak BMS çoğu zaman tam ve standartlaştırılmış bir şarj profili yerine kesilmiş, farklı başlangıç ve bitiş noktalarına sahip yerel veri parçaları görmektedir.

Geleneksel sağlık göstergelerinin bir bölümü sabit gerilim aralıkları, incremental capacity pikleri veya tam CC şarj süresi gibi belirli özelliklere dayanır. Veri parçası bu kritik noktaları içermediğinde söz konusu özellikler kaybolabilir veya karşılaştırılamaz hale gelebilir. Araştırmacılar bu nedenle mutlak bir eğri noktasına değil, kısa gerilim dizisinin geometrik yapısına dayanan göstergeler geliştirmektedir.

Gerçek araç kullanıcıları bataryayı hangi SOC seviyelerinde şarja bağlıyor?

EVBattery veri seti 464 gerçek elektrikli aracı ve üç farklı üreticiyi kapsamakta; zaman damgası, ortalama hücre gerilimi, şarj akımı, maksimum/minimum sıcaklık ve SOC gibi işletme verilerini içermektedir. Kullanıcı davranışının ayrıntılı istatistiğinde tek bir üreticinin 217 aracından 90.000'den fazla tamamlanmış şarj oturumu incelenmiştir.

Bu dağılımın temel mesajı, kullanıcıların yalnız %15,5'inin şarja %20 SOC'nin altında başlamasıdır. %20–80 aralığındaki üç sınıf birlikte değerlendirildiğinde şarj başlangıçlarının %79,1'ini oluşturmaktadır. Araştırmacılar bu nedenle sağlık göstergelerini 0–20% penceresine bağımlı hale getirmek yerine gerçek kullanımda daha erişilebilir %20–80 bölgesine odaklanmıştır.

Modelin SOH doğrulamasında hangi bataryalar kullanılmıştır?

SOH tahmininin ana laboratuvar veri seti Stanford Üniversitesi batarya çevrim veri setidir. Hücreler ticari silindirik lityum demir fosfat (LFP) hücrelerdir ve nominal kapasite 1,1 Ah'dir. Çevrim deneyleri Arbin LBT test sistemiyle gerçekleştirilmiştir.

0–80% SOC bölümünde farklı yüksek akımlı sabit akım kombinasyonlarından oluşan altı aşamalı hızlı şarj politikası uygulanmıştır. Hücre 80% SOC'ye ulaştıktan sonra 1 C CC-CV şarja geçmiştir. Deşarj oranı 4 C'nin üzerindedir. Üst ve alt gerilim sınırları sırasıyla 3,6 V ve 2,0 V, deney sıcaklığı ise sabit 30 °C'dir.

Neden yalnız %20'lik kısa SOC pencereleri kullanılıyor?

MSCC şarjında akım aşamaları sabit 20% SOC artışlarında değişmektedir. Çalışma bu doğal yapıyı kullanarak %20–40, %40–60 ve %60–80 SOC segmentlerini birbirinden bağımsız sağlık tanı pencereleri olarak seçmiştir.

Böylece modelin tek bir belirli başlangıç SOC'sine bağımlı olması yerine, gerçek şarj oturumu bu üç pencereden hangisini içeriyorsa o kısa bölümün tek başına SOH tahmini için yeterli olup olmadığı test edilmektedir.

Faz uzayı yeniden yapılandırma ne yapıyor?

Faz uzayı yeniden yapılandırma (Phase Space Reconstruction, PSR), tek boyutlu gerilim zaman serisinin gecikmeli kopyalarını kullanarak sistemin dinamik geometrisini daha yüksek boyutlu bir uzayda temsil etmektedir.

Bir gerilim dizisi:

\[ V=\{v_1,v_2,\ldots,v_n\} \]

için gecikmeli faz uzayı vektörü:

\[ X_i=[v_i,v_{i+\tau},\ldots,v_{i+(m-1)\tau}] \]

şeklinde oluşturulmuştur. Burada \(m\) gömme boyutu, \(\tau\) ise zaman gecikmesidir.

Zaman gecikmesi, özgün gerilim dizisi ile gecikmiş dizi arasındaki karşılıklı bilginin ilk yerel minimumu kullanılarak belirlenmiştir.

Neden üç veya daha fazla boyut yerine 2B faz uzayı seçilmiştir?

Kısa şarj parçalarında yalnız yaklaşık 40–50 örnek noktası bulunduğu için yüksek boyutlu faz uzayı geometrik olarak seyrekleşmektedir. Araştırmacılar Kantz–Schreiber'in \(n\geq10^m\) ölçütünü dikkate almış ve gömme boyutunun yükselmesiyle iç geometrik kısıt noktalarının hızla kaybolduğunu göstermiştir.

Kaynağın 7. ve 31–33. sayfalarındaki görseller bu farkı açık biçimde göstermektedir. İki boyutta yörünge sınırını geometrik olarak destekleyen çok sayıda iç nokta kalırken üç boyutta noktaların %92,3'ü dış yüzeye çıkmakta, dört ve beş boyutta ise bütün noktalar dış sınırda yer almaktadır. Bu yapı kısa ve gürültülü veri altında topolojiyi kararsızlaştırabileceği için çalışma 2B PSR kullanmıştır.

Hangi dört batarya sağlık göstergesi çıkarılmıştır?

İki boyutlu faz uzayındaki her yerel şarj parçasından dört geometrik sağlık göstergesi (Health Indicator, HI) çıkarılmıştır.

HI1 — Yörünge Merkezi Ortalaması:

\[ HI_1=\frac{C_x+C_y}{2} \]

Gerilim parçasının faz uzayındaki genel ortalama seviyesini temsil eder.

HI2 — Yörünge Merkezi Yer Değiştirmesi:

\[ HI_2=C_y-C_x = \frac{1}{n-\tau} \sum_{i=1}^{n-\tau} (v_{i+\tau}-v_i) \]

Matematiksel olarak gerilim eğrisinin ortalama birinci türev davranışıyla ilişkilidir.

HI3 — Yörünge Dağılımı:

\[ HI_3= \frac{1}{n-\tau-1} \sum_{i=1}^{n-\tau} \left[(v_i-C_x)^2+(v_{i+\tau}-C_y)^2\right] \]

Faz noktalarının geometrik merkeze olan ortalama karesel uzaklığını temsil eder.

HI4 — 2B Konveks Örtü Alanı: Faz yörüngesinin en dış sınır noktalarının çevrelediği alan üzerinden geometrik yayılımı tanımlar.

Sağlık göstergeleri SOH ile ne kadar ilişkili?

Doğrusal olmayan yaşlanma eğilimi nedeniyle Pearson yerine Spearman sıra korelasyonu kullanılmıştır. Kaynaktaki örnek iki hücre/grup için HI1 en yüksek korelasyonu göstermektedir.

HI2 diğer üç göstergeden daha zayıf korelasyon göstermesine rağmen araştırmacılar ablasyon deneylerinde HI2 çıkarıldığında genel model doğruluğunun düştüğünü belirtmiş ve dört göstergenin tamamını korumuştur. Kaynak ablasyonun ayrıntılı sayısal tablosunu ana metinde vermemektedir; dolayısıyla burada ek bir ablasyon yüzdesi üretilmemiştir.

Batarya SOH nasıl tanımlanmıştır?

SOH, mevcut çevrimde ölçülen kapasitenin nominal kapasiteye oranı olarak tanımlanmıştır:

\[ SOH_t=\frac{Q_t}{Q_n} \]

Burada \(Q_t\) t çevrimindeki gerçek kapasiteyi, \(Q_n\) nominal kapasiteyi ifade etmektedir.

DA-Transformer neden klasik Transformer'dan farklıdır?

DA-Transformer iki temel bileşeni ardışık biçimde birleştirir: ön tarafta gürültüyü bastıran Feature Purification Mapping Block (FPM-Block), arka tarafta ise batarya yaşlanmasının çevrimler boyunca zamansal ilişkilerini öğrenen Temporal Aggregation Transformer Encoder.

FPM-Block sırasında normalleştirilmiş sağlık göstergelerine eğitim sırasında Gauss gürültüsü eklenir:

\[ \tilde{f}_t=f_t+\epsilon_t \]

\[ \epsilon_t\sim N(0,\sigma^2I) \]

Bozulmuş özellikler bir kodlayıcıyla yüksek boyutlu gizli uzaya aktarılır:

\[ z_t=ReLU(W_{enc}\tilde{f}_t+b_{enc}) \]

ve ardından dekoder tarafından yeniden özgün özellik uzayına döndürülür:

\[ \hat{f}_t=W_{dec}z_t+b_{dec} \]

Bu yeniden yapılandırma görevi, gizli temsilin rastgele yüksek frekanslı gürültü yerine batarya yaşlanmasına ait kalıcı bilgiyi korumasını amaçlamaktadır.

Transformer bölümü yaşlanma geçmişini nasıl kullanıyor?

FPM-Block'tan gelen temizlenmiş gizli özelliklere konumsal kodlama eklenir ve çok başlı öz-dikkat mekanizmasına aktarılır:

\[ Attention(Q,K,V)= softmax\left(\frac{QK^T}{\sqrt{d_k}}\right)V \]

Bu yapı, SOH tahmini yapılırken geçmiş çevrimlerin hangilerinin mevcut sağlık durumuyla daha güçlü ilişkili olduğunu adaptif biçimde ağırlıklandırmaktadır.

Transformer çıktıları zaman yönünde global ortalama havuzlama ile birleştirilir:

\[ H_{pool}=\frac{1}{T}\sum_{t=1}^{T}H_t \]

ve regresyon katmanı bu makroskopik yaşlanma temsilini SOH tahminine dönüştürür.

Toplam eğitim kaybı hem SOH tahmin hatasını hem FPM yeniden yapılandırma hatasını içerir:

\[ L_{Total}=L_{Pred}+\alpha L_{Recon} \]

Model hangi hiperparametrelerle eğitilmiştir?

Aynı koşul doğrulaması nasıl yapılmıştır?

Modelin daha önce görmediği bir hücre üzerinde çalışıp çalışamadığını test etmek için leave-one-cell-out cross-validation (LOCO-CV) uygulanmıştır. No.1, No.2, No.10, No.20 ve No.42 hücrelerinden her seferinde biri tamamen test hücresi olarak ayrılmış, diğer dört hücre eğitim için kullanılmıştır.

Bu düzenekte test hücresinin geçmiş veya gelecek yaşlanma özellikleri eğitim sırasında modele verilmemektedir.

Farklı SOC pencerelerinde aynı-koşul RMSE değerleri nedir?

40–60% ve 60–80% SOC pencereleri ortalama hata açısından birbirine oldukça yakındır ve 20–40% penceresinden daha iyi performans göstermektedir. Kaynaktaki SOH grafiklerinde tahmin eğrileri yalnız yavaş kapasite azalmasını değil, hücrelerin farklı çevrimlerde ortaya çıkan hızlı kapasite düşüşü “knee” bölgelerini de genel olarak izlemektedir.

Çapraz-koşul testi neden daha zordur?

Çapraz-koşul deneyinde model No.1, No.2, No.10, No.20 ve No.42 hücreleriyle eğitilmiş; ardından tamamen farklı hızlı şarj protokolü altında yaşlandırılmış No.9, No.21, No.22, No.31 ve No.36 hücrelerine doğrudan uygulanmıştır.

Hedef grubun şarj akımı konfigürasyonu kaynakta 6,6 C, 6,16 C, 4,84 C ve 4,22 C olarak verilmektedir. Böylece test yalnız “yeni hücreyi” değil, daha önce eğitimde görülmeyen şarj protokolünü de içermektedir.

Çapraz-koşul RMSE değerleri nedir?

Neden %20–40 SOC penceresinde genelleme daha zayıf?

Araştırmacılar düşük SOC sırasında bataryanın iç polarizasyonunun daha zayıf olduğunu ve çıkarılan sağlık göstergelerinin yaşlanmayla değişim eğiminin küçüldüğünü belirtmektedir. Bunun sonucu olarak yaşlanma sinyalinin gürültüye oranı düşmekte ve farklı şarj protokollerine geçildiğinde modelin fiziksel alan değişimine duyarlılığı artmaktadır.

Bu durum çapraz-koşul sonuçlarında nicel olarak görünmektedir. %20–40 SOC ortalama RMSE'si 0,0059'dan 0,0121'e çıkarak iki katın üzerine yükselmiştir. No.36 hücresinde hata 0,0193, No.22'de 0,0146 olmuştur.

Buna karşılık %40–60 ve %60–80 SOC ortalama hataları yalnız 0,0059 ve 0,0063 düzeyindedir. Bu nedenle çalışma gerçek BMS uygulamalarında orta-yüksek SOC pencerelerinin önceliklendirilmesini önermektedir.

Çalışmanın desteklediği sonuçlar

• Gerçek araç kullanıcılarının şarja başlangıç davranışı tam 0–80% şarj profiline düzenli erişimin pratik olmayabileceğini desteklemektedir.
• İki boyutlu faz uzayı kısa 40–50 noktalık gerilim dizilerinde üç ve daha yüksek boyutlara göre daha fazla iç geometrik nokta korumaktadır.
• %20'lik tek bir MSCC SOC penceresinden çıkarılan dört topolojik sağlık göstergesi SOH tahmininde kullanılabilmektedir.
• DA-Transformer aynı protokolde üç SOC penceresinin tamamında ortalama RMSE'yi 0,0059 veya daha düşük tutmuştur.
• Farklı hızlı şarj protokolüne doğrudan geçişte %40–60 ve %60–80 pencerelerinde ortalama RMSE sırasıyla 0,0059 ve 0,0063'tür.
• %20–40 SOC penceresi çapraz-koşul değişimine daha duyarlıdır ve ortalama RMSE 0,0121'e yükselmiştir.
• Model farklı hücrelerde kapasite düşüşündeki doğrusal olmayan “knee” bölgelerini genel olarak takip edebilmiştir.

Çalışmanın desteklemediği sonuçlar

• Raporlanan SOH doğruluğu gerçek yoldaki 464 EV üzerinde doğrudan doğrulanmış değildir.
• EVBattery veri seti modelin gerçek araç SOH doğruluk testi olarak kullanılmamış, esas olarak şarj davranışını belirlemek için kullanılmıştır.
• Modelin değişken ortam sıcaklığı altında aynı doğrulukta çalışacağı gösterilmemiştir.
• Çalışma farklı hücre kimyaları arasında LFP'den NMC veya başka kimyalara doğrudan genelleme doğrulamamaktadır.
• Gerçek batarya paketindeki hücre dengesizliği, termal gradyan, akım sensörü sapmaları ve paket düzeyi yaşlanma çeşitliliği ayrı olarak test edilmemiştir.
• Modelin seri üretim BMS donanımındaki işlemci yükü, bellek tüketimi veya gerçek zamanlı gecikmesi ölçülmemiştir.
• RMSE'nin düşük olması modelin güvenlik açısından tek başına sertifikalandırılmış bir BMS çözümü olduğu anlamına gelmez.

Çalışmanın Yöntemi ve Bulguları

Veri setlerinin çalışma içindeki rolleri

Gerçek araç analizinde seçilen 10 aracın şarj oturumu sayıları

LOCO-CV neyi engellemektedir?

Leave-one-cell-out yapısı test hücresinin yaşlanma geçmişinin eğitim verisine sızmasını önlemeyi amaçlamaktadır. Her turda bir hücre tamamen görünmeyen test hedefi yapılır ve model diğer hücrelerle eğitilir.

Bu tasarım sıradan rastgele train-test bölmesinden daha sıkıdır; çünkü aynı fiziksel hücrenin farklı çevrimlerinin hem eğitim hem test setine dağılması sonucu oluşabilecek bilgi sızıntısını azaltır.

Aynı-koşul ile çapraz-koşul arasındaki temel fark nedir?

Aynı-koşul testinde eğitim ve test hücreleri aynı hızlı şarj protokolü ailesindedir. Çapraz-koşul testinde ise model bir hücre grubundaki protokolle eğitilip tamamen farklı MSCC akım konfigürasyonuyla çevrimlendirilmiş ayrı hücre grubuna uygulanmaktadır.

Bu nedenle çapraz-koşul sonuçları yalnız hücreler arası genelleme değil, şarj stratejisi değişimine karşı dayanıklılık hakkında da bilgi vermektedir.

En güçlü pencere hangisidir?

Aynı koşullarda sayısal olarak en düşük ortalama hata %60–80 SOC penceresinde 0,0041'dir; %40–60 penceresi 0,0042 ile neredeyse aynıdır. Çapraz-koşul testinde ise %40–60 SOC penceresi 0,0059 ile %60–80'in 0,0063 değerinden bir miktar daha düşük hata üretmiştir.

Bu nedenle kaynak tek bir evrensel “en iyi” pencereyi mutlak biçimde ayırmak yerine %40–60 ve %60–80 bölgelerini birlikte en istikrarlı orta-yüksek SOC alanları olarak değerlendirmektedir.

En iyi ve en zayıf çapraz-koşul sonuçları

Çapraz-koşul testinde en düşük bireysel RMSE, %40–60 SOC penceresinde No.9 hücresinin 0,0028 değeridir. Aynı pencerede No.21 hücresi 0,0038 RMSE göstermiştir.

En büyük hata %20–40 SOC penceresinde No.36 hücresinde 0,0193, ardından No.22 hücresinde 0,0146 olarak gerçekleşmiştir. Böylece düşük SOC bölgesindeki domain shift etkisi hücreden hücreye de önemli ölçüde değişmektedir.

Şekil 7 ve Şekil 8'in temel mesajı nedir?

Kaynağın Şekil 7'si aynı şarj koşullarında No.1, No.2, No.10, No.20 ve No.42 hücrelerinin gerçek ve tahmin edilen SOH eğrilerini üç SOC penceresinde göstermektedir. Kesikli tahmin eğrileri çoğu yaşam döngüsü boyunca gerçek eğrileri yakından takip etmekte ve hücrelerin hızlandırılmış kapasite kaybına farklı çevrimlerde girmesini genel olarak yakalamaktadır.

Şekil 8 ise tamamen farklı şarj protokolündeki No.9, No.21, No.22, No.31 ve No.36 hücrelerini göstermektedir. Özellikle %40–60 ve %60–80 grafiklerinde tahmin eğrileri gerçek kapasite kaybı biçimine yakın kalırken %20–40 grafiğinde bazı hücrelerde temel seviye kayması ve eğim hatası belirginleşmektedir.

Modelin gerçek BMS uygulamasına en önemli katkısı nedir?

Çalışmanın mühendislik açısından temel katkısı, SOH tahminini tam bir şarj eğrisine bağımlı olmaktan çıkarmaya yönelik bir yöntem göstermesidir. Araç yalnız %40–60 veya %60–80 gibi kısa bir hızlı şarj bölümünü kaydetmiş olsa bile, bu parçanın faz uzayı geometrisi batarya yaşlanmasının izlerini taşıyabilmektedir.

Ancak mevcut sonuçlar bu fikrin laboratuvar veri setinde uygulanabilir olduğunu göstermektedir. Gerçek araç BMS'sine geçiş için sıcaklık değişimi, paket düzeyi heterojenlik ve saha sensör gürültüsü dahil daha geniş doğrulama gerekmektedir.

Çalışmanın güçlü yönleri

• Yöntem tasarımının gerçek kullanıcı şarj davranışı istatistikleriyle gerekçelendirilmesi.
• Tam şarj eğrisi yerine rastgele yerel SOC pencerelerine odaklanılması.
• Kısa veri dizileri için gömme boyutunun geometrik seyrekleşme üzerinden açıkça analiz edilmesi.
• Faz uzayından yorumlanabilir dört geometrik sağlık göstergesi çıkarılması.
• Test hücresinin eğitim verisine karışmasını engelleyen LOCO-CV kullanılması.
• Aynı şarj protokolünün yanında tamamen farklı hızlı şarj protokolünde ayrıca genelleme testi yapılması.
• FPM-Block ve Transformer'ın gürültü bastırma ile uzun dönem yaşlanma modellemesini tek eğitim amacı içinde birleştirmesi.

Temel sınırlılıklar

SOH tahmininin nicel doğrulaması laboratuvar Stanford veri setine ve sabit 30 °C sıcaklığa dayanmaktadır. Gerçek araç veri seti modelin doğrudan SOH test alanı değildir.

Çalışma ticari 1,1 Ah LFP hücrelerine odaklanmıştır. Farklı kimyalar, büyük format hücreler ve paket seviyesindeki seri-paralel yapı ayrı olarak doğrulanmamıştır.

Çapraz-koşul testi şarj protokolü değişimini ele alsa da ortam sıcaklığı, yük profili, takvim yaşlanması ve gerçek yol koşullarındaki birleşik domain shift'i kapsamamaktadır.

FPM-Block eğitim sırasında yapay izotropik Gaussian gürültü kullanmaktadır. Gerçek BMS sensör hatalarının dağılımı her zaman Gaussian veya bağımsız olmayabilir.

Çalışma gerçek zamanlı gömülü BMS işlemcisinde hesaplama yükü, gecikme, enerji tüketimi ve hafıza gereksinimi ölçümü sunmamaktadır.

Araştırmacılar sonuç bölümünde de gelecekte ortam sıcaklığı değişimi gibi çok-fizikli çevresel sınırların faz uzayı gömme sürecine dahil edilmesi gerektiğini açıkça belirtmektedir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: State of Health Estimation of Lithium-Ion Batteries Based on Real-World Charging Behavior Analysis and Phase Space Topology of Fragmented Data

Yazarlar ve sıralama: Xiaofeng Sang; Junfu Li; Mei Zhao; Jiaxing Che; Tong Yao; Huaqiang Zhang.

Eş katkı/eş birinci yazarlık: İncelenen sürümde eş katkı veya eş birinci yazarlık beyanı bulunmamaktadır.

Sorumlu yazar: Xiaofeng Sang.

Sorumlu yazar e-posta adresi: 24s130422@stu.hit.edu.cn.

Kurumlar: School of New Energy, Harbin Institute of Technology (Weihai), Weihai 264209, China; School of Automotive Engineering, Harbin Institute of Technology (Weihai), Weihai 264209, China; School of Information Science and Engineering, Harbin Institute of Technology (Weihai), Weihai 264209, China.

Kaynak türü: Gerçek elektrikli araç şarj davranışı analizi ile laboratuvar batarya yaşlanma verisini birleştiren veri odaklı SOH tahmin araştırmasının preprint sürümü.

Hakemlik durumu: İncelenen sürüm hakem değerlendirmesinden geçmemiş bir preprinttir. Yüklenen dosyanın her sayfasında “Preprint not peer reviewed” ibaresi bulunmaktadır. Bibliyografik kontrolde aynı başlık için ayrıca doğrulanmış bir hakemli dergi sürümü bu taramada tespit edilmemiştir.

Platform: SSRN.

SSRN kayıt numarası: 6933581.

DOI: 10.2139/ssrn.6933581.

Resmî bağlantı:SSRN 6933581

Yayın tarihi: İncelenen dosyada güvenle aktarılabilecek kesin gün/ay bibliyografik olarak görünür değildir. Dış indekslerde tarih üstverisi tutarlı olmadığından burada uydurma kesin tarih verilmemiştir.

Ana laboratuvar veri seti: Stanford University battery cycle dataset; 1,1 Ah ticari LFP silindirik hücreler; Arbin LBT test sistemi; 30 °C; MSCC hızlı şarj.

Gerçek dünya veri seti: EVBattery; üç üreticiden 464 gerçek elektrikli araç. Çalışmada gerçek araç SOH doğruluğunu doğrudan test etmek yerine şarj davranışının ve başlangıç SOC dağılımının belirlenmesinde kullanılmıştır.

Gerçek şarj davranışı alt analizi: Tek bir üreticiden 217 araç ve 90.000'den fazla tamamlanmış şarj oturumu. Şarj başlangıçlarının %79,1'i %20–80 SOC aralığındadır.

Faz uzayı yöntemi: Gecikmeli koordinat PSR; zaman gecikmesi karşılıklı bilgi yönteminin ilk yerel minimumuyla belirlenmiş; kısa veri dizilerindeki geometrik seyrekleşme nedeniyle gömme boyutu 2 olarak seçilmiştir.

Sağlık göstergeleri: HI1 Trajectory Center Mean; HI2 Trajectory Center Displacement; HI3 Trajectory Dispersion; HI4 2D Convex Hull Area.

Model: Denoising Aggregation Transformer (DA-Transformer); FPM-Block + Temporal Aggregation Transformer Encoder + global average pooling + regresyon katmanları.

Aynı-koşul ortalama RMSE: %20–40 SOC: 0,0059; %40–60 SOC: 0,0042; %60–80 SOC: 0,0041.

Çapraz-koşul ortalama RMSE: %20–40 SOC: 0,0121; %40–60 SOC: 0,0059; %60–80 SOC: 0,0063.

Temel yorum sınırı: Çalışma gerçek kullanıcı davranışlarından uygun şarj pencerelerini çıkarıyor ancak raporlanan SOH tahmin doğruluğu gerçek araç filosunda doğrudan doğrulanmış değildir. Nicel SOH doğrulaması sabit termal koşullardaki Stanford laboratuvar hücrelerinde yapılmıştır.

Finansman: National Natural Science Foundation of China, Project 52177032; Aviation Science Foundation, ASFC-20230007077004.

Çıkar çatışması: İncelenen sürümde ayrı bir çıkar çatışması beyanı tespit edilmemiştir.

Veri erişilebilirliği: İncelenen sürümde ayrı bir veri erişilebilirliği beyanı bulunmamaktadır; kullanılan Stanford ve EVBattery veri setleri kaynaklarda ayrı çalışmalar olarak atıflanmıştır.

CRediT/yazar katkıları: İncelenen sürümde ayrıntılı CRediT yazarlık katkısı beyanı bulunmamaktadır.

Lisans: Yüklenen sürümde açık bir Creative Commons veya eşdeğer yeniden kullanım lisansı beyanı tespit edilmemiştir. Bu nedenle özgün şekillerin doğrudan yeniden yayımlanmasına izin verildiği varsayılmamıştır.

Bilimsel içerik ilkesi: Bu Verianla açıklamasındaki yöntem, veri setleri, formüller, SOC dağılımları, RMSE sonuçları, model parametreleri ve sınırlılıklar incelenen 36 sayfalık çalışmaya dayanmaktadır. Dış kaynak yalnız SSRN kimliği, DOI ve güncel yayın durumunun bibliyografik kontrolü için kullanılmıştır.