Электр унааларында батареянын заряд абалы, sürücünün görebildiği калган энергия miktarını ve болжолдуу жүрүү аралыгыni belirleyen негизги көрсөткүчтөрden biridir. Ancak заряд абалы түздөн-түз ölçülemez; батарея чыңалууi, токı, sıcaklığı ve geçmiş колдонуу davranışı gibi ölçülebilir sinyallerden tahmin edilmesi керек.

Бул изилдөөдө изилдөөчүлөр, lityum iyon батареяların заряд абалыnu tahmin etmek için DResCNN–BiGRU–SE adlı birleşik bir терең үйрөнүү mimarisi önermiştir. Модель; ар башка zaman ölçeklerindeki örüntüleri yakalayan genişletilmiş evrişim катмарlarını, öğrenmeyi kolaylaştıran artık шилтемеları, zaman içindeki байланыштарi iki yönde işleyen BiGRU катмарını ve yararlı өзгөчөлүк kanallarını öne çıkaran Squeeze-and-Excitation dikkat mekanizmasını bir araya getirmektedir.

Модельin киргизүүleri гана батарея чыңалууi, батарея токı ve батарея sıcaklığıdır. Değerlendirme, өндүрүш tipi bir BMW i3 электр унааtan 70 реалдуу sürüş boyunca kaydedilen ve болжол менен 989.671 өлчөө içeren ачык маалымат топтомуnde реалдууleştirilmiştir. Yolculukların 50’si окутуу, 10’u валидация ve 10’u тест için ayrılmıştır.

Önerilen модель тест маалыматтарinde %2,3522 орточо квадраттык катанын тамыры, %1,7253 орточо абсолюттук ката ve 0,9754 R² değeri üretmiştir. Ortalama жыйынтыкlar, tahmin edilen заряд абалыnun маалымат топтомуndeki referans değerlerle güçlü biçimde örtüştüğünü көрсөтөт. Bununla birlikte tekil en чоң ката %23,2645’e ulaşmıştır. Модельin çoğu durumda төмөн ката üretmesi, bütün anlarda ошол эле güvenilirliği sağladığı anlamına gelmemektedir.

Жыйынтыкların yorumlanmasını sınırlandıran маанилүү metodolojik sorunlar bulunmaktadır. Metnin bir bölümünde маалыматтарin үлгү bazında %70–%15–%15 oranında bölündüğü yazılırken ыкма bölümünde сапар bazında 50–10–10 ayrımı bildirilmektedir. Mimari şema Min–Max normalizasyonunu, ana metin ise RobustScaler ыкмаini көрсөтөт. Ablasyon grafiğinin son модельi DResCNN–BiGRU–CA adıyla ve болжол менен %3,96 RMSE ile көрсөтmesi, ana модельin %2,3522 değerinden ayrılmaktadır. Karşılaştırma grafiğindeki bazı модель değerleri de makaledeki салыштыруу таблицаsuyla uyuşmamaktadır.

Bu эмне үчүнle изилдөө, терең үйрөнүүnin реалдуу sürüş маалыматтарindeki potansiyelini көрсөтen umut маалыматci bir ön жыйынтык olarak değerlendirilmelidir. Модельin ар башка унааларда, ар башка батарея kimyalarında, yaşlanmış батареяlarda ve реалдуу убакыттагы gömülü donanımda bağımsız olarak doğrulanması зарыл.

Батареяnın заряд абалы neyi ifade eder?

Заряд абалы veya İngilizce adıyla State of Charge, батареяda колдонулушу мүмкүн durumda калган энергия miktarını yüzde cinsinden ifade eden tahmini bir değişkendir. Күйүүчү майlı bir унааtaki depo көрсөткүчүne benzetilebilir; бирок lityum iyon батареяdaki enerji miktarı гана чыңалуу ölçülerek kesin biçimde belirlenemez.

Батареяnın ölçülen чыңалууi ve токı aşağıdaki etkenlere göre değişebilir:

• Батареяnın anlık şarj veya deşarj токı,
• Hücrelerin ve батарея paketinin sıcaklığı,
• Hızlanma ve rejeneratif frenleme gibi ani yük değişimleri,
• Батареяnın iç direnci,
• Hücre kimyası ve өндүрүш ар башкаlıkları,
• Yaşlanma ve kapasite kaybı,
• Önceki şarj ve deşarj geçmişi,
• Sensör gürültüsü ve kalibrasyon катаları.

Bu эмне үчүнle батарея yönetim sistemi, түздөн-түз ölçülemeyen заряд абалыnu ölçülebilen elektriksel ve termal sinyallerden үзгүлтүксүз olarak hesaplamaya çalışır.

Yanlış заряд абалы tahmini эмне үчүн маанилүүdir?

Заряд абалыnun olduğundan жогорку tahmin edilmesi, унаа sürücüsüne реалдууte bulunmayan bir жүрүү аралыгы көрсөтebilir. Olduğundan төмөн tahmin edilmesi ise колдонулушу мүмкүн батарея kapasitesinin gereksiz biçimde sınırlandırılmasına эмне үчүн olabilir.

Doğru bir tahmin şu işlevleri destekler:

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

Geleneksel tahmin ыкмаlerinin sınırları nelerdir?

Заряд абалы tahmininde колдонулган негизги yaklaşımlardan biri Coulomb sayımıdır. Bu ыкмаde батареяya giren ve батареяdan çıkan ток zaman boyunca toplanır. Başlangıçtaki заряд абалы doğru biliniyorsa ыкма yararlı olabilir; бирок ток sensöründeki кичинекей катаlar zamanla birikerek tahminin kaymasına эмне үчүн olabilir.

Açık devre чыңалууine dayalı ыкмаler, батарея bir süre dinlendirildikten sonra ölçülen чыңалууi заряд абалыyla байланышlendirir. Bununla birlikte hareket hâlindeki bir электр унааta батареяyı uzun süre yüksüz bırakmak çoğu zaman мүмкүн эмес.

Kalman filtresi ve benzeri модель tabanlı ыкмаler fiziksel батарея модельlerini sensör маалыматтарiyle birleştirir. Bu ыкмаlerin başarısı eşdeğer devre parametrelerinin, iç direncin ve температура davranışının doğru модельlenmesine bağlıdır. Батарея yaşlandıkça модель parametreleri değişebilir.

Veri odaklı ыкмаler ise чыңалуу, ток, температура ve заряд абалы arasındaki байланышyi түздөн-түз маалыматden öğrenmeye çalışır. Bu yaklaşım karmaşık doğrusal olmayan байланыштарi yakalayabilir; бирок güvenilirliği окутуу маалыматsinin kapsamına, маалымат ayrımına ve модельin daha önce görmediği шартlarda sınanmasına bağlıdır.

Изилдөөнүн негизги sorusu эмне?

Изилдөөnın негизги изилдөө суроосу şu сүрөтde özetlenebilir:

Чыңалуу, ток ve температураtan oluşan geçmiş өлчөө dizileri колдонуу менен, реалдуу sürüş шарттарындаki bir elektrikli aracın батарея заряд абалы birleşik bir терең үйрөнүү модельiyle doğru biçimde tahmin edilebilir mi?

Изилдөөчүлөр bunun için üç ар башка öğrenme yeteneğini tek модельde birleştirmiştir:

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

DResCNN–BiGRU–SE adı эмнени билдирет?

Модельin adı üç негизги bileşenden oluşmaktadır:

• DResCNN: Genişletilmiş evrişim колдонan artık шилтемеlı bir boyutlu evrişimsel нейрон тармагыdır.
• BiGRU: Veriyi ileri ve geri yönde işleyen çift yönlü kapılı tekrarlayan birimdir.
• SE: Özellik kanallarına önem ağırlıkları atayan Squeeze-and-Excitation dikkat mekanizmasıdır.

Изилдөөnın 4. sayfasındaki Şekil 1, bütün mimariyi yedi aşamada көрсөтөт: маалымат hazırlama, çok ölçekli evrişim, artık bloklar, BiGRU, kanal dikkati, regresyon başlığı ve модель окутууi.

Birinci aşama: Өлчөөlerin zaman dizilerine dönüştürülmesi

Her zaman adımındaki giriş vektörü чыңалуу, ток ve температураtan oluşmaktadır:

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

• \(V_t\): t anındaki батарея чыңалууidir.
• \(I_t\): t anındaki батарея токıdır.
• \(T_t\): t anındaki батарея sıcaklığıdır.

Модельin tek bir giriş örneği, ardışık өлчөөlerden oluşan bir убакыт терезесиdir:

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

Изилдөөda pencere uzunluğu \(L=40\) zaman adımı olarak аныкталган. Bu эмне үчүнle модель гана o andaki üç өлчөөe bakmamakta, önceki 40 өлчөөden oluşan kısa geçmişi birlikte баалооktedir.

Өлчөөlerin кайсы үлгүleme frekansıyla kaydedildiği ve 40 adımın saniye cinsinden ne kadar geçmişe karşılık geldiği изилдөөda ачык biçimde белгиленген эмес. Bu eksiklik, модельin fiziksel zaman ölçeğinin yorumlanmasını güçleştirmektedir.

İkinci aşama: Çok ölçekli evrişimsel өзгөчөлүк çıkarımı

Модельin ilk öğrenme bölümünde ошол эле giriş dizisine iki paralel bir boyutlu evrişim uygulanmaktadır. Mimari şemada birinci dal için çekirdek чоңlüğü 3 ve genişletme oranı 1, ikinci dal için çekirdek чоңlüğü 5 ve genişletme oranı 2 көрсөтүлөт.

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

Genişletilmiş evrişim, filtre katsayıları arasına boşluklar yerleştirerek катмар sayısını veya filtre чоңlüğünü aşırı artırmadan daha geniş bir alana bakılmasını камсыз кылат. Батарея uygulamasında bu yaklaşım, kısa süreli ток darbeleriyle daha yavaş чыңалуу ve температура değişimlerini ошол эле модельde temsil etmeyi amaçlamaktadır.

Bununla birlikte makalenin ana metninde “Step 2” başlığı bulunmasına rağmen bu aşamanın ayrıntılı ачыкlaması маалыматlmeden түздөн-түз üçüncü aşamaya geçilmektedir. Filtre sayıları, evrişim чыгарууlarının tam boyutları ve bu bölüme karşılık gelmesi beklenen üçüncü denklem de metinde yer almamaktadır.

Üçüncü aşama: Artık шилтемеlar

Çok ölçekli өзгөчөлүктөр, evrişim, toplu normalizasyon ve ReLU etkinleştirmesi içeren artık bloklara aktarılmaktadır. Artık шилтемеnın негизги байланышы şöyledir:

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

• \(X\): Bloğun giriş өзгөчөлүктөрүdir.
• \(\mathcal{F}(X)\): Evrişim катмарları 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 көрсөтөт; бирок \(N\) değerinin kaç olduğu белгиленген эмес. Her катмарdaki filtre sayıları ve toplam модель parametresi de raporlanmamıştır. Bu эмне үчүнle mimarinin ошол эле biçimde yeniden kurulması için зарыл bilgiler eksiktir.

Dördüncü aşama: BiGRU ile zaman байланыштарinin öğrenilmesi

Evrişimsel катмарlar yerel sinyal örüntülerini çıkarırken, батареянын заряд абалы daha uzun süreli geçmişten de etkilenebilir. Bu эмне үчүнle birleştirilmiş өзгөчөлүктөр çift yönlü GRU катмарına маалыматlmektedir.

İleri yöndeki жашыруун абал şu biçimde көрсөтilebilir:

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

Geri yöndeki жашыруун абал ise şöyledir:

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

İki yönün чыгарууsı birleştirilir:

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

Çift yönlü işlem, 40 adımlık pencerenin başlangıcı ile sonundaki bilgileri birlikte баалооyi камсыз кылат. Geri yönlü işlem gelecekteki реалдуу унаа маалыматsine bakmak zorunda değildir; pencere tamamen mevcut ana kadar olan өлчөөlerden oluşturuluyorsa ошол эле geçmiş pencere ters yönde işlenebilir. Ancak изилдөөda hedef zamanının pencereye göre tam konumu ачык biçimde belirtilmediğinden реалдуу убакыттагы эмне үчүнsellik yapısı tamamen doğrulanamamaktadır.

Beşinci aşama: Squeeze-and-Excitation dikkati

Модельin çıkardığı bütün өзгөчөлүк kanalları заряд абалы tahmininde ошол эле ölçüde yararlı olmayabilir. SE mekanizması, her kanalı özetleyerek kanallara 0 ile 1 arasında öğrenilebilir önem ağırlıkları atar.

Önce her өзгөчөлүк kanalının zaman boyunca ortalaması alınır:

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

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

Kanal ağırlıkları iki tam шилтемеlı dönüşümle hesaplanır:

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

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

Son өзгөчөлүктөр kanal ağırlıklarıyla yeniden ölçeklenir:

\[ Y=X\odot A \]

Bu işlem, модельin белгилүү sürüş шарттарында daha yararlı hâle gelen өзгөчөлүктөрү güçlendirmesini ve daha az yararlı өзгөчөлүктөрү bastırmasını amaçlamaktadır.

SE bölümünün ara катмар genişliği veya azaltma oranı metinde белгиленген эмес. Bu da yeniden üretilebilirliği sınırlayan başka bir mimari eksikliktir.

Altıncı aşama: Sürekli заряд абалы чыгарууsı

Dikkat mekanizmasından çıkan өзгөчөлүктөр küresel ortalama havuzlama катмарıyla özetlenmekte ve aşağıdaki tam шилтемеlı катмарlardan geçirilmektedir:

• 256 nöronlu катмар ve 0,30 dropout,
• 128 nöronlu катмар ve 0,20 dropout,
• 64 nöronlu катмар,
• Tek nöronlu doğrusal çıkış катмарı.

Doğrusal çıkış, заряд абалыnun kesintisiz bir yüzde değeri olarak tahmin edilmesini камсыз кылат:

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

Burada \(g\), havuzlama sonrasında oluşan özet өзгөчөлүк vektörünü; \(f\) ise tam шилтемеlı катмарların öğrendiği dönüşümü temsil etmektedir.

Yedinci aşama: Модельin eğitilmesi

Модель Adam eniyileyicisiyle eğitilmiş ve баштапкы öğrenme oranı 0,0003 olarak аныкталган. Gradyan normu 1,0 ile sınırlandırılmış, toplu işlem чоңlüğü 128 ve azami окутуу süresi 100 epoch olarak seçilmiştir.

Eğitim kaybı olarak Huber kaybı колдонулган:

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

• \(y\): Referans заряд абалыdur.
• \(\hat{y}\): Модель tahminidir.
• \(\delta\): Karesel ve doğrusal ката bölgelerini ayıran eşiktir.

Huber kaybı кичинекей катаlarda kareli ката gibi davranırken чоң катаlarda doğrusal büyür. Böylece модель кичинекей farklara duyarlı kalırken az sayıdaki чоң sapmanın окутууi aşırı etkilemesi azaltılabilir.

Изилдөөda erken durdurma ve uyarlanabilir öğrenme oranı planlaması колдонıldığı белгиленет. Ancak erken durdurma sabrı, öğrenme oranı azaltma шартu ve seçilen en iyi epoch gibi ayrıntılar маалыматlmemiştir.

BMW i3 маалымат топтому ne içermektedir?

Модель, өндүрүш tipi BMW i3 электр унааtan реалдуу колдонуу sırasında kaydedilen ачык маалымат топтомуyle бааланган. Araçta 60 Ah kapasiteli lityum iyon батарея paketi bulunmaktadır.

Veri setinde батарея чыңалууi, токı ve sıcaklığının yanında ortam sıcaklığı, унаа hızı, сапар mesafesi ve süre gibi başka değişkenler de bulunmaktadır. Önerilen модель bunlardan гана чыңалуу, ток ve батарея sıcaklığını колдонmıştır.

Изилдөөnın 9. sayfasındaki Şekil 2, сапарların mesafe ve süre bтокından маанилүү ölçüde değiştiğini көрсөтөт. Yolculukların çoğu болжол менен 10–20 kilometre aralığında toplanırken 50–60 kilometreye yaklaşan az sayıda daha uzun sürüş de bulunmaktadır.

Чыңалуу, ток ve температура заряд абалыyla кантип байланышlidir?

Изилдөөnın 11. sayfasındaki korelasyon matrisi, заряд абалыyla en güçlü doğrusal байланышnin батарея чыңалууinde bulunduğunu көрсөтөт:

Токın SOC ile anlık doğrusal korelasyonunun 0,03 olması, токın yararsız olduğu дегенди билдирбейт. Токın etkisi çoğunlukla zaman boyunca birikerek ortaya çıkar. Aynı ток değeri, батареяnın önceki yük geçmişine göre ар башка anlam taşıyabilir. Bu эмне үчүнle убакыт катары модельi гана tekil korelasyondan daha karmaşık байланыштарi öğrenmeye изилдөөktadır.

Батарея sıcaklığı ile ortam sıcaklığı arasındaki korelasyon 0,87’dir. Модель гана батарея sıcaklığını колдонdığı için ortam шарттарыna байланышn bilgilerin bir bölümü батарея sıcaklığı üzerinden dolaylı olarak модельe girebilir.

Маалыматтар кантип 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 ыкмаlere göre daha az etkilenebilir.

Ancak Şekil 1’de ön işleme adımı “Min–Max Normalization” olarak көрсөтүлөт. Min–Max normalizasyonu ile RobustScaler ошол эле ыкма değildir. Metin boyunca RobustScaler daha ayrıntılı biçimde anlatıldığı için ana ыкма olarak bu yaklaşım kabul edilse de сүрөт ile ыкма anlatımı arasında ачык bir tutarsızlık bulunmaktadır.

Ayrıca ölçekleyicinin гана окутуу сапарları üzerinde öğrenilip валидация ve тест сапарlarına daha sonra uygulanıp uygulanmadığı ачыкlanmamıştır. Ölçekleme parametreleri bütün маалымат топтомуnden hesaplandıysa тест dağılımı hakkında sınırlı da olsa bilgi sızıntısı oluşabilir. Изилдөөnın verdiği bilgiler bu olasılığın değerlendirilmesi için yeterli değildir.

Маалыматтар окутуу, валидация ve тест için кантип ayrılmıştır?

Ыкма bölümünde сапар bazında şu ayrım bildirilmektedir:

Yolculuk bazında ayırma, ошол эле сапарtan өндүрүлгөн örtüşen zaman pencerelerinin hem окутуу hem тест kümesine girmesini önlemek açısından маанилүүdir.

Buna karşılık изилдөөnın 3. sayfasındaki салыштыруу таблицаsu bu изилдөөnın маалымат ayrımını “үлгүlerin %70’i окутуу, %15’i валидация ve %15’i тест” şeklinde tanımlamaktadır. Yolculuk bazlı ayrım ile үлгү bazlı ayrım ошол эле değildir. Metodoloji bölümündeki ayrıntılı 50–10–10 ачыкlaması daha güvenilir görünse de iki ifade arasındaki uyuşmazlık giderilmemiştir.

Hangi 10 yolculuğun валидация ve кайсы 10 yolculuğun тест için колдонıldığı da listelenmemiştir. Tek bir rastgele tohum değeri 42 olarak маалыматlmiştir; ар башка bölmeler veya ар башка tohumlarla tekrarlanan deneyler raporlanmamıştır.

Eğitim ve валидация eğrileri ne көрсөтөт?

Изилдөөnın 14. ve 15. sayfalarındaki графикlerde окутуу ve валидация kayıpları ilk epochlarda hızlı biçimde düşmekte, daha sonra daha yavaş iyileşmektedir. Eğitim eğrisi düzenli olarak azalmaya devam ederken валидация eğrisi болжол менен 17–18. epoch sonrasında dalgalanmakta ve кичинекей bir yükselme көрсөтөт.

Изилдөөчүлөр окутуу ile валидация eğrileri arasında ciddi bir ayrışma bulunmadığını ve модельin belirgin aşırı öğrenme көрсөтmediğini ifade etmektedir. Grafikler kontrolsüz bir sapma көрсөтmese de окутууin sonunda окутуу kaybı ile валидация kaybı arasında görünür bir fark bulunmaktadır. Bu durum hafif düzeyde aşırı öğrenme olasılığının tamamen dışlanamayacağını көрсөтөт.

Модельin ana тест жыйынтыкları nelerdir?

%1,7253 MAE, ortalama үлгүte tahmin ile referans arasında болжол менен 1,73 yüzde puan fark bulunduğunu көрсөтөт. Örneğin referans değer %60 ise ortalama ката чоңlüğü болжол менен 1,73 puan düzeyindedir; бирок bu, her tahminin bu sınır içinde olduğu дегенди билдирбейт.

%23,2645 düzeyindeki en чоң ката өзгөчөлүкle маанилүүdir. Ortalama performans güçlü görünse de белгилүү bir geçiş anında tahmin ile referans arasında 23 yüzde puanı aşan fark oluşmuştur. Güvenlik açısından kritik bir батарея yönetim uygulamasında гана ortalama ката değil, en kötü durum davranışı da değerlendirilmelidir.

Gerçek ve tahmin edilen SOC eğrileri ne көрсөтөт?

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

Grafikte ardışık үлгүler arasında SOC değerinin sık sık %80 düzeyinden %30–40 aralığına düşüp yeniden yükseldiği görülmektedir. Tek bir fiziksel сапарta батареяnın bu kadar hızlı şarj olup boşalması beklenmeyeceği için график чоң olasılıkla ар башка тест pencerelerini veya ар башка сапарları birleştirmektedir. Ancak үлгүlerin sıralama ыкмаi ачыкlanmadığından график реалдуу убакыттагы kesintisiz bir sürüş profili olarak yorumlanmamalıdır.

Test жыйынтыкları her сапар için ayrı ayrı маалыматlmemiştir. Bu эмне үчүнle модельin bütün тест сапарlarında benzer başarı көрсөтip көрсөтmediği, белгилүү температура veya mesafe шарттарында катаnın artıp artmadığı görülememektedir.

Hata dağılımı реалдууten tarafsız mıdır?

Изилдөөnın 18. sayfasındaki Şekil 9 artık grafiği, histogram, kutu grafiği ve keman grafiğini birlikte көрсөтөт. Hataların чоң 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 төмөнken artıkların daha çok negatif bölgede, daha жогорку SOC değerlerinde ise sıfırın çevresinde veya pozitif bölgede yoğunlaşması SOC düzeyine bağlı sistematik bir örüntü olabileceğini düşündürmektedir.

Bu эмне үчүнle “модельin belirgin biçimde fazla veya төмөн tahmin eğilimi yoktur” sonucu genel ortalama bтокından makul olsa da bütün SOC aralıklarında eşit biçimde tarafsız olduğu kesin olarak көрсөтilmiş değildir.

R² değeri neyi көрсөтөт, neyi көрсөтmez?

0,9754 düzeyindeki R², тест маалыматsindeki referans SOC değişkenliğinin болжол менен %97,5’inin модель tahminleriyle istatistiksel olarak ачыкlanabildiğini көрсөтөт.

Bu değer aşağıdakileri tek başına kanıtlamaz:

• Her tahmin anında катаnın төмөн olduğunu,
• Модельin ар башка унааларда ошол эле sonucu vereceğini,
• Referans SOC değerlerinin катасыz olduğunu,
• Батарея yaşlandığında performansın korunacağını,
• Модельin реалдуу убакыттагы bir kontrol ünitesinde çalışabileceğini,
• En kötü durum катаlarının güvenlik sınırları içinde olduğunu.

Önceki изилдөөlarla салыштыруу ne kadar güvenilirdir?

Makaledeki ana салыштыруу таблицаsuna göre önerilen модель, ошол эле BMW i3 маалымат топтомуni колдонan önceki изилдөөlardan daha төмөн RMSE ve MAE üretmiştir:

Bu салыштырууların маалымат bölmeleri, ön işleme adımları, тест сапарları ve uygulama ayrıntıları ошол эле değildir. Bir модельin ар башка bir тест kümesindeki төмөн катасы, diğer модельden kesin olarak üstün olduğunu kanıtlamaz. Gerçek bir түздөн-түз салыштыруу için bütün модельlerin ошол эле окутуу, валидация ve тест сапарlarında yeniden çalıştırılması керек.

Изилдөөnın 20. sayfasındaki Şekil 11 de салыштыруу таблицаsuyla uyuşmamaktadır. Grafikte FFNN için болжол менен 7,20, LSTM için 6,10, GRU için 5,80, BiLSTM için 5,50, ResCNN–BiGRU için 4,80 ve DResCNN–BiGRU–CA için болжол менен 3,96 RMSE көрсөтүлөт. Bu adlar ve değerler ana салыштыруу таблицаsundaki модельlerle ошол эле değildir; önerilen SE модельinin 2,3522 RMSE değeri графикte көрсөтilmemektedir.

Ablasyon изилдөөsı mimari bileşenleri doğruluyor mu?

Ablasyon изилдөөsının amacı, mimarinin bileşenleri tek tek eklendiğinde катаnın кантип değiştiğini көрсөтmektir. Şekil 12’de CNN’den başlayarak BiGRU, artık шилтеме, genişletilmiş evrişim ve dikkat mekanizması eklenirken RMSE’nin kademeli biçimde azaldığı görülmektedir.

Ancak bu bölümde ciddi raporlama sorunları bulunmaktadır:

• Metin жыйынтыкların “Tablo V”te маалыматldiğini söylemesine rağmen sayısal ablasyon таблицаsu bulunmamaktadır.
• Tablo V daha önce ana performans ölçütleri için колдонулган.
• Grafikte son модельin adı DResCNN–BiGRU–CA’dır; ana модель ise DResCNN–BiGRU–SE olarak adlandırılmaktadır.
• Grafikte son noktanın RMSE değeri болжол менен 3,96 görünmektedir; ana тест sonucu 2,3522’dir.
• Ablasyon модельlerinin ошол эле тест kümesi, ошол эле rastgele баштапкы ve ошол эле окутуу ayarlarıyla çalıştırılıp çalıştırılmadığı белгиленген эмес.
• Жыйынтыкlar birden fazla окутуу tekrarı ve standart sapmayla raporlanmamıştır.

Bu эмне үчүнle график 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.

Изилдөөnın en маанилүү күчтүү жактары

• Kontrollü laboratuvar çevrimleri yerine реалдуу sürüşlerden oluşan ачык маалымат топтому колдонулган.
• Yaklaşık bir milyon өлчөө модельe geniş bir үлгү tabanı камсыз кылган.
• Girdi olarak çoğu батарея yönetim sisteminde bulunan чыңалуу, ток ve температура seçilmiştir.
• Yerel örüntü, uzun süreli zaman байланышы ve kanal dikkati tek mimaride birleştirilmiştir.
• Doğrulama ve тест için ayrı сапарlar колдонıldığı белгиленген.
• RMSE ve MAE dışında R², MAPE, en чоң ката ve катанын стандарттык четтөөсү raporlanmıştır.
• Hata dağılımı birden fazla графикle изилденген.
• Изилдөө kendi чектөөlarını ve gömülü sistem валидацияsı gereksinimini kabul etmektedir.

Изилдөөnın негизги чектөөları

• Модель гана tek унаа модельi ve tek батарея paketi üzerinde бааланган.
• Farklı элемент kimyaları ve батарея kapasiteleri sınanmamıştır.
• Батарея yaşlanmasının etkisi бааланган эмес.
• Referans SOC, bağımsız laboratuvar өлчөөü değil унаа өндүрүүчүsinin sağladığı değerdir.
• Ölçekleyicinin гана окутуу маалыматsinde öğrenilip öğrenilmediği ачыкlanmamıştır.
• Veri ayrımı үлгү bazlı ve сапар bazlı olarak iki ар башка biçimde tanımlanmıştır.
• Şema Min–Max, metin RobustScaler normalizasyonunu bildirmektedir.
• Evrişim filtre sayıları ve artık blok sayısı белгиленген эмес.
• SE azaltma oranı ve toplam модель parametre sayısı маалыматlmemiştir.
• Çalıştırma süresi, çıkarım gecikmesi, bellek gereksinimi ve enerji tüketimi ölçülmemiştir.
• Test жыйынтыкları сапар bazında ayrı ayrı raporlanmamıştır.
• Farklı rastgele tohumlarla tekrarlanmış deney ve güven aralığı bulunmamaktadır.
• Karşılaştırma grafiği ana салыштыруу таблицаsuyla uyuşmamaktadır.
• Ablasyon grafiğinin модель adı ve sonucu ana модель sonucuyla tutarlı değildir.
• Булак kodu, окутууde колдонулган сапар kimlikleri ve tam yeniden өндүрүш paketi маалыматlmemiştir.

Изилдөө neyi колдойт?

• Чыңалуу, ток ve температура dizilerinin SOC tahmini için жогорку bilgi içerebildiğini,
• Evrişimsel ve tekrarlayan катмарların birlikte колдонılmasının реалдуу sürüş маалыматтарinde umut маалыматci olduğunu,
• Kanal dikkatinin öğrenilen өзгөчөлүктөрү seçici biçimde yeniden ağırlıklandırmak için колдонулушу мүмкүн экенин,
• Belirtilen тест kümesinde төмөн ortalama ката elde edildiğini,
• Yolculuk bazlı маалымат ayırmanın uygulanabilir bir баалоо yaklaşımı olduğunu колдойт.

Изилдөө neyi далилдебейт?

• Модельin bütün электр унааларында %2,35 RMSE üreteceğini далилдебейт.
• Önerilen mimarinin bütün önceki ыкмаlerden kesin olarak üstün olduğunu көрсөтпөйт.
• Модельin yaşlanmış батареяlarda ошол эле тактыгы koruyacağını көрсөтпөйт.
• En чоң %23,26 катаnın güvenlik açısından kabul edilebilir olduğunu далилдебейт.
• Модельin otomotiv классı bir батарея yönetim ünitesinde реалдуу убакыттагы çalışabileceğini көрсөтпөйт.
• Tahminlerin ар башка температура, iklim ve sürüş kültürlerinde ошол эле başarıyı көрсөтeceğini далилдебейт.
• Referans SOC değerlerinin fiziksel реалдуу SOC ile катасыz biçimde eşleştiğini көрсөтпөйт.
• Ablasyon grafiğindeki iyileşmelerin istatistiksel olarak anlamlı olduğunu далилдебейт.

Түркиядаki электр унаа ekosistemi açısından ne ifade etmektedir?

Түркияда электр унаа колдонулушу, şarj altyapısı ve yerli унаа teknolojileri geliştikçe батарея yönetim yazılımlarının önemi de artmaktadır. Заряд абалы tahmini гана көрсөткүч panelindeki yüzde değeri değil; menzil planlaması, hızlı şarj yönetimi, батарея garantisi ve ikinci el батарея баалооsi gibi alanları da etkileyebilir.

Изилдөөnın yaklaşımı Түркияда geliştirilecek батарея yönetim sistemleri için şu изилдөө yönlerini колдойт:

• Түркия’nin ар башка iklim bölgelerinde реалдуу sürüş маалыматтарinin toplanması,
• Yaz sıcaklığı ve kış soğuğunun SOC tahminine etkisinin incelenmesi,
• Farklı унаа ve батарея kimyalarının ortak маалымат tabanında sınanması,
• Yeni ve yaşlanmış батареяların birlikte değerlendirilmesi,
• Модельin otomotiv классı mikrodenetleyicilerde gecikme ve enerji tüketiminin ölçülmesi,
• En kötü durum катаlarının güvenlik sınırlarıyla birlikte raporlanması,
• Fiziksel батарея модельleriyle терең үйрөнүүnin birleştirilmesi.

Ancak изилдөөdaki sayısal жыйынтыкlar Түркиядаki унааlara түздөн-түз aktarılamaz. Yerel колдонуу шарттары, унаа donanımı, батарея kimyası, sensör kalitesi ve температура aralığı ар башка olabilir. Gerçek uygulama için Түркияда toplanmış bağımsız маалыматтарle yeniden окутуу ve валидация зарылdir.

Изилдөөnın Ыкмаi ve Жыйынтыктарı

Teknik ыкма özeti

Ana performans жыйынтыктарı

Mimari bileşenlerin amaçları

Metin içindeki kritik tutarsızlıklar

Жыйынтыкların güvenilirliğini artıracak ek deneyler

• Aynı тест сапарlarında bütün салыштыруу модельlerinin yeniden eğitilmesi,
• Her тест yolculuğu için ayrı RMSE, MAE ve en чоң ката маалыматlmesi,
• Farklı rastgele tohumlarla en az birkaç bağımsız окутуу tekrarı yapılması,
• Ortalama жыйынтыкlarla birlikte standart sapma veya güven aralığı raporlanması,
• Farklı BMW i3 sürüş alt kümelerinde çapraz сапар валидацияsı yapılması,
• Başka унаа модельleri ve батарея kimyalarıyla dış валидация yapılması,
• Yeni ve yaşlanmış батареяların ayrı değerlendirilmesi,
• Ölçekleyicinin гана окутуу kümesine uyarlanması ve bunun ачыкça belirtilmesi,
• Mimari parametrelerin ve булак kodunun yayımlanması,
• Gömülü donanımda gecikme, bellek ve enerji tüketiminin ölçülmesi,
• En чоң катаnın oluştuğu sürüş шарттарыnın ayrı olarak analiz edilmesi,
• SOC tahminlerine belirsizlik aralığı eklenmesi.

Булак ve Ыкма Notu

• Изилдөөnın 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 авторdır.
• Yazar bilgisi uyarısı: Yüklenen изилдөө metninin ilk sayfasında автор ve мекеме satırı bulunmamaktadır. Yazarlar SSRN resmî kayıt bilgisinden doğrulanmıştır.
• Eş birinci автор: Eş katkı veya eş birinci авторlık beyanı bulunmamaktadır.
• İletişim авторı: SSRN kaydında Sushil Kumar iletişim авторı olarak көрсөтүлөт.
• Kurum: Harcourt Butler Technical University, Kanpur, Индия
• Yaduvir Singh’in bölümü: Üniversitenin resmî kaydında Department of Electrical Engineering
• Sushil Kumar’ın bölüm bilgisi: İncelenen изилдөөnın başlık sayfasında ve erişilebilen SSRN özet bilgisinde bölüm adı ачыкça көрсөтilmemektedir.
• Изилдөө yılı: 2026
• Tam gün ve ay: Yüklenen metinde ачыкça белгиленген эмес; bu эмне үчүнle kesin tarih маалыматlmemiştir.
• Булак türü: Hakem баалооsinden geçmemiş preprint изилдөө metni
• Yayın platformu: SSRN
• Platform işletmecisi: Elsevier
• Preprint DOI: 10.2139/ssrn.7196249
• Resmî kayıt:SSRN resmî изилдөө sayfası
• Kalıcı DOI шилтемеsı:10.2139/ssrn.7196249
• Dergi: Hakemli bir dergide yayımlandığı doğrulanamamıştır.
• Hakemlik durumu: Yüklenen metnin her sayfasında изилдөөnın hakem баалооsinden geçmediği белгиленет.
• 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 модель ağırlıkları: Açık булак шилтемеsı маалыматlmemiştir.

Bu Verianla makalesinin bilimsel içeriği гана yüklenen изилдөөnın metni, denklemleri, таблицаları, mimari şeması, performans графикleri ve ката analizleri incelenerek hazırlanmıştır. Dış булакlar гана авторлорın kimliği, мекеме шилтемеsı, DOI, platform ve рецензияланганk durumunun bibliyografik olarak doğrulanması için колдонулган. Dış булакlardan yeni bilimsel жыйынтык eklenmemiştir.

Изилдөөnın ana sonucu olan %2,3522 RMSE, %1,7253 MAE ve 0,9754 R² değerleri изилдөөчүлөрın bildirdiği тест жыйынтыкlarıdır. Ham тест tahminleri, булак kodu ve окутуу kayıtları paylaşılmadığından bu değerler bağımsız olarak yeniden hesaplanmamıştır.

Metinde маалымат ayrımı, normalizasyon ыкмаi, модель салыштыруу grafiği ve ablasyon sonucu arasında маанилүү tutarsızlıklar bulunmaktadır. Bu tutarsızlıklar sessizce düzeltilmemiş; жыйынтыкların bilimsel ağırlığı değerlendirilirken ачык biçimde белгиленген.

Изилдөө рецензиядан өтпөгөнtir. Жыйынтыкlar tek унаа platformu ve tek батарея yapılandırmasıyla sınırlıdır. Модель, otomotiv классı gömülü bir батарея yönetim sisteminde реалдуу убакыттагы olarak sınanmamış ve ар башка батарея kimyalarıyla dış валидацияdan geçirilmemiştir.