Bu çalışma, lityum-iyon pillerin şarj durumunu (State of Charge, SOC) geniş ve zamanla değişen sıcaklık koşullarında çevrim içi tahmin etmek için Temperature-Gated Causal Multi-Scale Physics-Informed Network (TGCM-PINet) adlı bir sinir ağı mimarisi geliştirmektedir. Model; gerilim, akım, hücre yüzey sıcaklığı ve ortam sıcaklığını yalnız mevcut ve geçmiş örnekleri kullanan nedensel hareketli ortalamalarla üç zaman ölçeğine ayırmakta, her ölçeği bağımsız zamansal evrişim ağı (TCN) dallarında işlemekte, sıcaklık bağlamına göre bu dalların katkılarını dinamik olarak ağırlıklandırmakta ve iki katmanlı GRU ile uzun dönemli SOC yörüngesini tahmin etmektedir. Panasonic NCR18650PF verilerinde görülmemiş Cycle 4 ve LA92 profilleri için ortalama MAE sırasıyla 0,476 ve 0,370 yüzde puanı olarak bildirilmiştir. −20→10 °C ve 10→25 °C sürekli sıcaklık geçişlerinde en güçlü karşılaştırma modeline göre MAE sırasıyla %42,6 ve %50,6 azaltılmıştır. Samsung 30T verileriyle yeniden eğitilerek yapılan dış doğrulamada −20 ile 40 °C arasındaki testlerin ortalama MAE değeri 0,815 yüzde puanı olmuştur. Bununla birlikte sonuçlar kullanılan veri setleri ve test protokolleri kapsamındadır; çalışma gerçek araç filosunda saha başarısını, yaşlanmış hücrelerde aynı performansı veya yeniden eğitim yapılmadan farklı bir pil platformuna doğrudan aktarımı göstermemektedir.
SOC, pilde kalan kullanılabilir yükün toplam kapasiteye göre durumunu ifade eder ancak doğrudan bir sensörle ölçülmez. Terminal gerilimi, akım ve sıcaklık gibi dışarıdan gözlenebilen değişkenlerden tahmin edilmesi gerekir. Araştırmanın merkezindeki problem, bu değişkenler ile SOC arasındaki ilişkinin sıcaklık değiştikçe sabit kalmamasıdır. Özellikle çalışma, hızlı elektriksel geçişlerin, orta zaman ölçeğindeki polarizasyon davranışının ve yavaş yük-sıcaklık değişimlerinin tek bir zaman serisi temsilinde birbirine karışmasının SOC tahminini zorlaştırdığını ele almaktadır.
Araştırmanın temel sorusu nedir?
Araştırmanın temel sorusu, gelecek ölçümlerden hiçbir bilgi kullanmadan çalışan bir modelin hem farklı sıcaklıklarda hem de sıcaklığın tek bir sürüş profili sırasında sürekli değiştiği koşullarda SOC'yi yüksek doğrulukla tahmin edip edemeyeceğidir.
Yazarlar mevcut yaklaşımlarda üç temel boşluk tanımlamaktadır. Birincisi, tek omurgalı derin ağların hızlı elektriksel geçişleri, orta ölçekli polarizasyon süreçlerini ve yavaş termal/SOC eğilimlerini aynı temsil içinde öğrenmek zorunda kalmasıdır. İkincisi, sıcaklığın yalnızca sıradan bir giriş özelliği olarak verilmesinin farklı zaman ölçeklerinin önemini çalışma sırasında dinamik biçimde değiştirmemesidir. Üçüncüsü ise bazı sinyal ayrıştırma yöntemlerinin gelecekteki örnekleri kullanabilmesi ve böylece gerçek zamanlı tahminde gizli bilgi sızıntısına yol açabilmesidir.
TGCM-PINet hangi bilgileri kullanıyor?
Her zaman adımındaki ölçüm vektörü dört fiziksel değişkenden oluşmaktadır:
\[ \mathbf{x}_t=[V_t,\ I_t,\ T_{s,t},\ T_{a,t}]^{T} \]
Burada \(V_t\) terminal gerilimini (V), \(I_t\) ölçülen akımı (A), \(T_{s,t}\) pil yüzey sıcaklığını (°C) ve \(T_{a,t}\) ortam sıcaklığını (°C) temsil eder. Modelin temel gözlem penceresi 800 örnektir; veriler 1 Hz'e yeniden örneklendiği için bu pencere 800 saniyelik geçmişe karşılık gelir.
Nedensel üç ölçekli ayrıştırma nasıl yapılıyor?
Çalışmanın en önemli mimari özelliklerinden biri, sinyallerin gelecek örnek kullanılmadan üç tamamlayıcı zaman ölçeğine ayrılmasıdır. \(m\) uzunluğundaki tek yönlü nedensel hareketli ortalama şöyle tanımlanır:
\[ \mu_m(\mathbf{x}_t)=\frac{1}{m}\sum_{j=0}^{m-1}\mathbf{x}_{t-j} \]
Yüksek, orta ve düşük ölçekli bileşenler daha sonra şu şekilde oluşturulur:
\[ \mathbf{x}^{H}_t=\mathbf{x}_t-\mu_{m_s}(\mathbf{x}_t) \]
\[ \mathbf{x}^{M}_t=\mu_{m_s}(\mathbf{x}_t)-\mu_{m_l}(\mathbf{x}_t) \]
\[ \mathbf{x}^{L}_t=\mu_{m_l}(\mathbf{x}_t) \]
Bu ayrıştırma bilgi kaybettiren bir filtreleme değildir; üç bileşenin toplamı özgün ölçümü aynen geri verir:
\[ \mathbf{x}^{H}_t+\mathbf{x}^{M}_t+\mathbf{x}^{L}_t=\mathbf{x}_t \]
Çalışmada 1 Hz veri için kısa pencere \(m_s=5\), uzun pencere ise \(m_l=60\) örnek olarak seçilmiştir. Yüksek ölçek hızlı değişimleri, orta ölçek kısa ve uzun eğilimler arasındaki davranışı, düşük ölçek ise daha yavaş yük ve termal gelişimi temsil eder. Yazarlar bu bileşenleri kesin fiziksel frekans bantları olarak değil, zamansal ölçek temsilleri olarak yorumlamaktadır.
Şekil 2'nin kritik mesajı da budur: zaman \(t\)'de hesaplanan 5 ve 60 saniyelik hareketli ortalamalar yalnız \(t\) ve öncesindeki örnekleri kullanmaktadır. Dizinin başlangıcında yeterli geçmiş bulunmadığında en erken mevcut gözlem kullanılarak doldurma yapılır. Böylece merkezlenmiş filtrelerde ortaya çıkabilecek gelecek bilgisi sızıntısı engellenir.
Üç ayrı TCN dalı neden kullanılıyor?
Yüksek, orta ve düşük ölçekli dizilerin her biri aynı genel yapıya fakat bağımsız parametrelere sahip ayrı bir zamansal evrişim ağına (Temporal Convolutional Network, TCN) verilmektedir. Bu ayrım, üç ölçeğin tek bir ortak filtre kümesine zorlanmasını önler.
Nedensel genişletilmiş evrişim çalışmada şu biçimde ifade edilir:
\[ \mathbf{u}_t=\sum_{k=0}^{K-1}W_k\mathbf{h}_{t-kd}+\mathbf{b} \]
Burada \(K\) çekirdek boyutu, \(d\) genişleme katsayısıdır. \(t-kd\leq t\) olduğu için mevcut çıktı gelecekteki özelliklere bağlı değildir. Her TCN dalında iki nedensel evrişim içeren artık bloklar; grup normalizasyonu, GELU aktivasyonu, dropout ve artık bağlantıyla birlikte kullanılmaktadır.
Çekirdek boyutu \(K=3\), genişleme katsayıları ise \(1,2,4,8\)'dir. Çalışmanın verdiği etkili alıcı alan bağıntısı:
\[ R_{\mathrm{TCN}}=1+2(K-1)\sum_{l=1}^{N_b}d_l \]
şeklindedir ve bu yapı 61 zaman adımına, yani 61 saniyeye karşılık gelmektedir. Her dal zaman adımı başına 32 boyutlu özellik üretir.
Sıcaklık kapısı ne yapıyor?
TGCM-PINet'in ayırt edici kısmı, sıcaklığı yalnız sinir ağına eklenen bir giriş değişkeni olarak kullanmamasıdır. Model; yüzey sıcaklığı, ortam sıcaklığı, bu ikisi arasındaki işaretli fark ve farkın büyüklüğünden oluşan termal bağlamı kullanarak yüksek, orta ve düşük zaman ölçeklerinin ağırlığını her zaman adımında yeniden hesaplar.
Dört boyutlu termal bağlam iki katmanlı, 4→24→3 boyutlu bir çok katmanlı algılayıcıya verilir:
\[ \mathbf{g}_t=W_{g,2}\phi(W_{g,1}\mathbf{c}_t+\mathbf{b}_{g,1})+\mathbf{b}_{g,2} \]
Daha sonra softmax ile her ölçeğin ağırlığı hesaplanır:
\[ \alpha_t^q= \frac{\exp(g_t^q)} {\sum_{r\in\{H,M,L\}}\exp(g_t^r)}, \qquad q\in\{H,M,L\} \]
Böylece tüm ağırlıklar sıfır veya daha büyük olur ve toplamları 1'dir. Üç ölçekli özelliklerin birleşimi:
\[ \mathbf{f}^{ms}_t= \alpha_t^H\mathbf{h}_t^H+ \alpha_t^M\mathbf{h}_t^M+ \alpha_t^L\mathbf{h}_t^L \]
olarak hesaplanır. Şekil 3, bu mekanizmayı açık biçimde göstermektedir: sıcaklık bağlamı üç ölçeğin ağırlıklarını belirler, ölçek özellikleri ağırlıklı olarak birleştirilir ve özgün standartlaştırılmış giriş ayrıca doğrusal bir artık yol üzerinden birleşik temsile eklenir. Bu artık yol, ayrıştırma veya ölçek kodlayıcılarında zayıflayabilecek özgün ölçüm bilgisinin doğrudan erişilebilir kalmasını amaçlamaktadır.
Verianla Live: TGCM-PINet SOC tahmin zinciri
Bu süreç gösterimi, çalışmanın Şekil 1–3 ve yöntem bölümlerinde tanımlanan gerçek mimari sırasını özetler. Aşamalar hesaplamanın açıklayıcı temsilidir; oynatma süresi deneyin fiziksel süresini göstermez.
| Aşama | Açıklama | Kaynak |
|---|---|---|
| 1. Ölçüm girişi | Terminal gerilimi, akım, pil yüzey sıcaklığı ve ortam sıcaklığından oluşan 800 saniyelik nedensel geçmiş kullanılır. | Şekil 1; Eş. 1–3; Tablo 2 |
| 2. Nedensel üç ölçekli ayrıştırma | Ölçümler 5 ve 60 örneklik tek yönlü hareketli ortalamalarla yüksek, orta ve düşük zaman ölçeklerine ayrılır; gelecek örnek kullanılmaz. | Şekil 2; Eş. 4–8 |
| 3. Bağımsız TCN kodlama | Üç ölçek bağımsız parametrelere sahip üç TCN dalında işlenir ve her zaman adımı için 32 boyutlu özellikler üretilir. | Eş. 9–11; Tablo 2 |
| 4. Sıcaklığa bağlı ölçek kapısı | Yüzey ve ortam sıcaklığı ile aralarındaki termal fark kullanılarak üç TCN dalının zamanla değişen softmax ağırlıkları hesaplanır. | Şekil 3; Eş. 12–15 |
| 5. Artık özellik birleştirme | Ağırlıklı çok ölçekli temsil, doğrusal olarak izdüşürülen özgün girişle birleştirilir ve katman normalizasyonundan geçirilir. | Şekil 3; Eş. 16 |
| 6. GRU tabanlı SOC yörüngesi | İki katmanlı tek yönlü GRU, 800 saniyelik geçmiş boyunca uzun dönemli bağımlılıkları işler; sigmoid çıkış SOC'yi [0,1] aralığına sınırlar. | Eş. 17; Tablo 2 |
| 7. Fizik bilgili eğitim | Denetimli kayba amper-saat korunumu, şarj/deşarj yön tutarlılığı ve ikinci dereceden yörünge düzgünlüğü cezaları eklenir. | Eş. 18–24 |
Verianla Live: Süreç görünümü bu makaledeki görünür bilimsel tablodan tarayıcıda oluşturulur. Tablo bilimsel kaynak-of-truth olarak korunur.
GRU ve fizik bilgili öğrenme neden birlikte kullanılıyor?
TCN dalları yerel ve orta vadeli dinamikleri çıkarırken, SOC'nin gelişimi daha uzun bir geçmişe de bağlıdır. Bu nedenle birleşik özellikler iki katmanlı, tek yönlü ve 96 gizli birimli GRU'ya verilmektedir. Çıkış katmanındaki sigmoid fonksiyonu SOC tahminini fiziksel olarak anlamlı \([0,1]\) aralığında tutar.
Model yalnız gerçek SOC etiketleri ile eğitilmemektedir. Yazarlar tahmin edilen SOC yörüngesine üç fiziksel düzenleyici eklemektedir.
Akım işareti, pozitif etkin akım deşarjı gösterecek biçimde hizalandıktan sonra Coulomb sayımından beklenen SOC değişimi:
\[ \Delta z^{cc}_{b,t} = -\frac{\eta_{b,t}I^{eff}_{b,t}\Delta t} {3600Q_{eff}} \]
olarak tanımlanır. Burada \(Q_{eff}\) etkin pil kapasitesini (Ah), \(\eta\) Coulomb verimini ve \(\Delta t\) örnekleme aralığını ifade eder. Ağın tahmin ettiği değişim ise:
\[ \Delta z^{p}_{b,t}=z^{p}_{b,t}-z^{p}_{b,t-1} \]
şeklindedir. Eğitim kaybı bu iki artım arasındaki uyumsuzluğu cezalandırır. Buna ek olarak, deşarj sırasında SOC'nin artması veya şarj sırasında azalması yön tutarlılığı cezasıyla sınırlandırılır. İkinci dereceden yörünge düzgünlüğü ise tekil ve fiziksel olarak kuşkulu tahmin sıçramalarını azaltmayı amaçlar.
Toplam optimizasyon amacı çalışmada:
\[ \mathcal{L} = \mathcal{L}_{sup} +\lambda_{cc}\mathcal{L}_{cc} +\lambda_{dir}\mathcal{L}_{dir} +\lambda_{sm}\mathcal{L}_{sm} \]
olarak verilmektedir. Bu fiziksel terimler yumuşak kısıtlardır; tahmin sırasında eşdeğer devre modeli parametrelerinin çevrim içi tanımlanmasını veya ayrıca bir optimizasyon çözülmesini gerektirmez.
Şekiller bilimsel olarak ne gösteriyor?
Şekil 1, modelin ölçüm girişinden fizik bilgili kayba kadar beş temel yapısal bileşenini tek akışta göstermektedir: nedensel çok ölçekli ayrıştırma, üç TCN dalı, sıcaklık kapısı, GRU tabanlı SOC tahmini ve çok hedefli fiziksel kayıp.
Şekil 2, nedensellik iddiasının görsel temelidir. Kısa ve uzun pencerelerin zaman \(t\)'nin sağındaki hiçbir örneğe erişmediği gösterilir. Aynı şekil hızlı, orta ve yavaş bileşenlerin toplamının özgün ölçümü yeniden oluşturduğunu da görselleştirir.
Şekil 3, sıcaklık kapısının üç TCN ölçeğinin önemini zamana göre değiştirdiğini gösterir. Buradaki renk haritası, yüksek, orta ve düşük ölçeklerin sabit ağırlıklarla değil sıcaklık bağlamına bağlı öğrenilmiş ağırlıklarla kullanıldığını anlatmaktadır.
Şekil 4 ve 5'te görülmemiş Cycle 4 ve LA92 profillerinin SOC yörüngeleri ile mutlak hata eğrileri karşılaştırılmaktadır. TGCM-PINet'in tahmini genel SOC eğilimini izlemekle kalmayıp karşılaştırma modellerinde görülen bazı yerel hata sıçramalarını da küçülttüğü görülür. Bu gözlem tablolardaki MaxAE düşüşleriyle uyumludur.
Şekil 6, 10→25 °C ile −20→10 °C sürekli sıcaklık geçişlerinde hata davranışını göstermektedir. Özellikle daha soğuk geçişte TGCM-PINet hata bandının karşılaştırma modellerine göre daha dar kalması, Tablo 6'daki MAE, RMSE ve MaxAE sonuçlarıyla tutarlıdır.
Şekil 7'deki ablasyon eğrileri önemli bir noktayı ortaya koyar: yalnız çok ölçekli ayrıştırma eklenmesi performansı otomatik olarak iyileştirmemiştir. Tam TGCM-PINet mimarisi devreye girdiğinde özellikle −20 °C'deki büyük yerel hatalar belirgin biçimde bastırılmıştır.
Şekil 8, Samsung 30T veri setindeki dört sıcaklık için dış doğrulama sonuçlarını gösterir. Bu görsel farklı bir hücre ve deney platformunda yöntemin yeniden eğitildikten sonra benzer göreli üstünlüğü koruduğunu desteklemektedir; ancak şekil, yeniden eğitim olmaksızın platformlar arası doğrudan aktarım kanıtı değildir.
Çalışmanın desteklediği sonuçlar
- TGCM-PINet, çalışmada kullanılan 16 ana test koşulunun tamamında MAE ve RMSE açısından karşılaştırılan LSTM, TCN ve Transformer modellerinden daha düşük hata vermiştir.
- Tek yönlü hareketli ortalama tabanlı ayrıştırma, tanımı gereği mevcut ve geçmiş örneklerle hesaplandığı için test edilen işlem hattında gelecek ölçüm sızıntısını önlemektedir.
- Sabit sıcaklık, sürekli sıcaklık değişimi ve farklı pil veri seti protokollerinde modelin performans üstünlüğü korunmuştur.
- Ablasyon sonuçları, yalnız nedensel çok ölçekli ayrıştırmanın yeterli olmadığını; tam mimarideki bileşenlerin birlikte kullanılmasının kritik olduğunu göstermektedir.
- Fiziksel düzenleme eşdeğer devre modeli parametrelerinin tanımlanmasına ihtiyaç duymadan SOC artımlarına fiziksel kısıtlar uygulamaktadır.
Çalışmanın desteklemediği veya kanıtlamadığı sonuçlar
- Çalışma gerçek bir elektrikli araç filosunda veya ticari BMS donanımında saha başarısını kanıtlamamaktadır.
- Samsung 30T sonucu sıfır-atışlı veya yeniden eğitimsiz platform aktarımı değildir; modeller Samsung verileriyle yeniden eğitilmiştir.
- Yaşlanmış hücreler, hücreden hücreye paket tutarsızlığı ve ortak SOC-SOH tahmini bu çalışmada doğrulanmamıştır.
- Kaynak-kısıtlı gömülü donanım üzerinde hesaplama süresi, bellek tüketimi ve gerçek zamanlı dağıtım başarısı deneysel olarak gösterilmemiştir.
- Modelin belirsizlik nicelendirmesi yapılmamıştır; bu konu gelecek çalışma olarak belirtilmiştir.
- Sunulan sonuçlar Türkiye'ye özgü bir pil filosu veya saha veri setinden elde edilmemiştir. Türkiye'deki gerçek uygulama için kullanılan hücreler, sensörler, sıcaklık geçmişleri ve BMS donanımı üzerinde ayrıca doğrulama gerekir.
Çalışmanın Yöntemi ve Bulguları
Veri setleri ve deney protokolü
Ana deneyler Panasonic NCR18650PF veri seti üzerinde gerçekleştirilmiştir. Veri setinde Cycle 1–4, HWFET, NN, UDDS ve LA92 olmak üzere sekiz dinamik yük profili bulunur. Sabit sıcaklık testleri −20, −10, 0, 10 ve 25 °C'de yürütülmüştür. İki karşılıklı profil genelleme protokolü kullanılmıştır: ilkinde Cycle 4 tamamen test için ayrılmış, ikincisinde LA92 tamamen test için tutulmuştur.
Ek olarak −20→10 °C ve 10→25 °C sürekli sıcaklık geçişleri değerlendirilmiştir. Bağımsız platform doğrulaması ise Samsung 30T veri setinde −20, 0, 25 ve 40 °C koşullarında yapılmıştır.
| Özellik | Panasonic NCR18650PF | Samsung 30T |
|---|---|---|
| Nominal kapasite | 2,90 Ah | 3,00 Ah |
| Test kurumu | University of Wisconsin-Madison | McMaster University |
| Ham örnekleme aralığı | 0,1 s | 0,1 s |
| Yeniden örnekleme | 1,0 s | 1,0 s |
| Ölçülen değişkenler | Gerilim, akım, yüzey sıcaklığı, ortam sıcaklığı, SOC | Gerilim, akım, yüzey sıcaklığı, ortam sıcaklığı, SOC |
| Kullanılan sabit sıcaklıklar | −20, −10, 0, 10 ve 25 °C | −20, 0, 25 ve 40 °C |
| Dinamik sıcaklık testleri | −20→10 °C ve 10→25 °C | Kullanılmadı |
Ham ölçümler 0,1 saniyelik aralıklardan 1 Hz'e dönüştürülmüştür. Bir saniyelik her blokta gerilim, akım, yüzey sıcaklığı ve ortam sıcaklığının aritmetik ortalaması alınırken SOC etiketi olarak bloğun sonundaki değer korunmuştur. Yazarlar, akım ortalamasının bir saniyelik aralıktaki aktarılan yükü koruduğunu ve son SOC değerinin ölçüm bloğunun sonuyla hizalandığını belirtmektedir.
Önemli bir veri sızıntısı önlemi olarak tam kaynak dosyaları kaydırmalı pencereler oluşturulmadan önce eğitim ve test olarak ayrılmıştır. Pencereler dosya veya otomatik belirlenen SOC sıfırlama sınırlarını geçmemiştir. Eğitim pencerelerinde adım 5 saniye, testte ise sürekli yörünge üretmek amacıyla 1 saniyedir. Standartlaştırma istatistikleri yalnız eğitim verisinden hesaplanıp test sırasında sabit tutulmuştur.
Model ve eğitim ayarları
| Bileşen | Çalışmada kullanılan yapı |
|---|---|
| Geçmiş pencere | 800 örnek / 800 s |
| Nedensel ayrıştırma | ms = 5, ml = 60 |
| TCN dalları | 3 bağımsız dal, 32 kanal |
| TCN çekirdeği | 3 |
| Genişleme katsayıları | 1, 2, 4, 8 |
| Sıcaklık kapısı | 4→24→3 MLP + softmax |
| GRU | 2 katman, 96 gizli birim |
| SOC çıkış başlığı | 96→48→1 MLP + sigmoid |
| Dropout | 0,10 |
| Optimizasyon | AdamW |
| Başlangıç öğrenme oranı | 1×10−3 |
| Weight decay | 1×10−4 |
| Azami epoch | 80 |
| Fiziksel kayıp ağırlıkları | λcc=0,05; λdir=0,01; λsm=0,001 |
| Denetimli kayıp ağırlıkları | Dizi=0,5; uç nokta=0,5 |
| Yazılım | PyTorch 2.1 |
| Hesaplama donanımı | NVIDIA GeForce RTX 4090, CUDA 12.1 |
Karşılaştırma modelleri LSTM, TCN ve Transformer'dır. Bütün yöntemlere aynı dört giriş kanalı, aynı 800 örneklik geçmiş, aynı dosya düzeyindeki veri ayrımları ve aynı eğitim epoch bütçesi uygulanmıştır. Parti büyüklüğü çoğu modelde 32, 800 noktalı dikkat matrisinin bellek gereksinimi nedeniyle Transformer'da 12'dir. Transformer'ın gelecek örneklere erişmesini önlemek için ayrıca nedensel dikkat maskesi kullanılmıştır.
Başarı ölçütleri
Tahminler MAE (ortalama mutlak hata), RMSE (kök ortalama kare hata), MaxAE (maksimum mutlak hata) ve R² ile değerlendirilmiştir. SOC hata değerleri yüzde puanı olarak raporlanmıştır. Ölçütler önce her test dosyası ve rastgele tohum için ayrı hesaplanmış, ardından sıcaklık düzeyinde dosya sonuçları ortalanmıştır. Cycle 4 ve LA92 gibi farklı dosyalar tek bir uzun yörünge hâline getirilerek metrik hesaplanmamıştır.
Görülmemiş Cycle 4 profili
| Sıcaklık | TGCM-PINet MAE (yüzde puanı) | RMSE (yüzde puanı) | MaxAE (yüzde puanı) | R² |
|---|---|---|---|---|
| −20 °C | 0,62 | 0,77 | 3,02 | %99,82 |
| −10 °C | 0,51 | 0,68 | 1,93 | %99,89 |
| 0 °C | 0,35 | 0,45 | 1,51 | %99,96 |
| 10 °C | 0,52 | 0,56 | 1,58 | %99,94 |
| 25 °C | 0,38 | 0,47 | 1,57 | %99,97 |
Beş sıcaklığın ortalamasında TGCM-PINet için MAE 0,476, RMSE 0,586 ve MaxAE 1,922 yüzde puanı olarak hesaplanmıştır. Her sıcaklık ve metrik için en güçlü karşılaştırma modelinin ortalamasıyla karşılaştırıldığında hata azalmaları sırasıyla %40,1, %42,4 ve %56,5 olarak verilmiştir.
−20 °C koşulunda Transformer'ın 0,92 yüzde puanlık MAE değeri TGCM-PINet ile 0,62'ye; 6,95 yüzde puanlık MaxAE ise 3,02'ye düşmüştür. Buna karşılık 10 °C'de MAE avantajı daha sınırlıdır: en iyi karşılaştırma değeri 0,60 iken TGCM-PINet 0,52 elde etmiştir. Yazarlar burada ana kazancın her örnekte eşit bir hata azalmasından çok, daha büyük yerel sapmaların bastırılmasında görüldüğünü belirtmektedir.
Görülmemiş LA92 profili
| Sıcaklık | TGCM-PINet MAE (yüzde puanı) | RMSE (yüzde puanı) | MaxAE (yüzde puanı) | R² |
|---|---|---|---|---|
| −20 °C | 0,53 | 0,63 | 3,12 | %99,86 |
| −10 °C | 0,33 | 0,40 | 1,78 | %99,95 |
| 0 °C | 0,33 | 0,48 | 2,49 | %99,95 |
| 10 °C | 0,34 | 0,40 | 1,23 | %99,97 |
| 25 °C | 0,32 | 0,40 | 1,61 | %99,97 |
LA92 protokolünde ortalama MAE 0,370 yüzde puanı, ortalama RMSE ise 0,462 yüzde puanı olmuştur. Bunlar sıcaklık başına en güçlü karşılaştırma modelinin ortalamasına göre sırasıyla %50,4 ve %51,6 düşüşe karşılık gelmektedir. Beş sıcaklığın tamamında MAE 0,32–0,53 yüzde puanı aralığında, R² ise %99,86'nın üzerinde kalmıştır.
Sıcaklık tek bir yörüngede değiştiğinde ne oldu?
Verianla Live: Sürekli sıcaklık geçişlerinde MAE
Aşağıdaki değerler çalışmanın Tablo 6'sından alınmıştır. İki sütun farklı sıcaklık geçişlerini temsil eder ve bütün değerler SOC hatası için yüzde puanıdır.
| Model | −20→10 °C MAE (yüzde puanı) | 10→25 °C MAE (yüzde puanı) | Kaynak |
|---|---|---|---|
| LSTM | 1,64 | 0,92 | Tablo 6 |
| TCN | 1,41 | 0,96 | Tablo 6 |
| Transformer | 1,45 | 0,87 | Tablo 6 |
| TGCM-PINet | 0,81 | 0,43 | Tablo 6 |
Ana bulgu: TGCM-PINet, −20→10 °C geçişinde en güçlü MAE karşılaştırmasına göre hatayı %42,6; 10→25 °C geçişinde ise %50,6 azaltmıştır.
Verianla Live: Görselleştirme bu görünür bilimsel veri tablosundan tarayıcıda oluşturulur. Tablo bilimsel kaynak-of-truth olarak korunur.
−20→10 °C geçişinde TGCM-PINet MAE'yi 0,81, RMSE'yi 0,87 ve MaxAE'yi 1,56 yüzde puanına indirmiştir. En güçlü karşılaştırmalarla kıyaslandığında MAE %42,6, RMSE %47,0 ve MaxAE %58,8 azaltılmıştır.
10→25 °C geçişinde MAE 0,43 ve RMSE 0,50 yüzde puanıdır; bunlar sırasıyla %50,6 ve %52,4 azalmaya karşılık gelmektedir. Buna karşılık MaxAE yalnızca 2,98'den 2,73 yüzde puanına, yaklaşık %8,4 oranında düşmüştür. Dolayısıyla bu koşulda ortalama yörünge takibi belirgin biçimde iyileşmiş olsa da az sayıdaki yerel geçici sapma en kötü durum hatasını belirlemeye devam etmiştir.
Ablasyon analizi: Çok ölçekli ayrıştırma tek başına yeterli mi?
| Sıcaklık | Model | MAE (%) | RMSE (%) | MaxAE (%) | R² |
|---|---|---|---|---|---|
| −20 °C | GRU | 1,59 | 2,13 | 28,22 | %98,46 |
| −20 °C | MS-GRU | 2,01 | 2,62 | 28,41 | %97,68 |
| −20 °C | TGCM-PINet | 0,53 | 0,63 | 3,12 | %99,86 |
| 25 °C | GRU | 0,35 | 0,57 | 18,94 | %99,94 |
| 25 °C | MS-GRU | 0,40 | 0,60 | 14,94 | %99,94 |
| 25 °C | TGCM-PINet | 0,32 | 0,40 | 1,61 | %99,97 |
Ablasyon deneyi çalışmanın en önemli yorum sınırlarından birini sağlamaktadır. −20 °C'de yalnızca çok ölçekli temsil eklenen MS-GRU, doğrudan GRU'dan daha iyi değil, daha kötü sonuç vermiştir. Tam TGCM-PINet ise doğrudan GRU'ya kıyasla MAE'yi %66,7, RMSE'yi %70,4 ve MaxAE'yi %88,9 azaltmıştır.
25 °C'de ortalama hata zaten düşük olduğundan MAE iyileşmesi daha küçüktür; GRU'nun 0,35 değeri 0,32'ye gerilemiştir. Buna rağmen MaxAE 18,94'ten 1,61 yüzde puanına düşmüştür. Bununla birlikte MS-GRU ile tam TGCM-PINet arasında birden fazla mimari bileşen aynı anda değiştiği için bu sonuç tek başına yalnız sıcaklık kapısının veya yalnız TCN dallarının nedensel katkısını izole etmez. Kaynağın kendi yorumu da iyileşmeyi tam mimarinin ortak etkisi olarak sınırlar.
Samsung 30T ile dış doğrulama
| Sıcaklık | TGCM-PINet MAE (yüzde puanı) | RMSE (yüzde puanı) | MaxAE (yüzde puanı) | R² |
|---|---|---|---|---|
| −20 °C | 0,91 | 1,14 | 4,19 | %99,74 |
| 0 °C | 0,81 | 0,91 | 2,18 | %99,85 |
| 25 °C | 0,75 | 0,91 | 2,92 | %99,88 |
| 40 °C | 0,79 | 0,92 | 3,22 | %99,88 |
Dört Samsung sıcaklığının ortalamasında TGCM-PINet için MAE 0,815, RMSE 0,970 ve MaxAE 3,13 yüzde puanı olarak raporlanmıştır. En güçlü sıcaklığa özgü karşılaştırma modellerine göre ortalama azalmalar sırasıyla %38,3, %42,3 ve %58,8'dir.
40 °C testi özellikle dikkat çekicidir: en güçlü MAE karşılaştırması olan TCN'nin 1,71 yüzde puanlık hatası TGCM-PINet ile 0,79'a; RMSE 2,17'den 0,92'ye; MaxAE ise 14,30'dan 3,22'ye düşmüştür.
Ancak bu deneyde TGCM-PINet Panasonic verisinde eğitilip Samsung üzerinde doğrudan uygulanmamıştır. Bütün yöntemler Samsung eğitim alt kümelerinde yeniden eğitilmiş ve ardından görülmemiş Samsung LA92 profillerinde test edilmiştir. Dolayısıyla sonuç, sıfır-atışlı aktarımı değil, aynı modelleme stratejisinin farklı bir hücre ve deney platformunda yeniden üretilebilirliğini desteklemektedir.
Genel sonuç ve yöntemsel sınırlar
On sabit sıcaklık çapraz profil testi, iki sürekli sıcaklık geçişi ve dört Samsung testi birlikte değerlendirildiğinde toplam 16 ana test koşulunun tamamında TGCM-PINet en düşük MAE ve RMSE değerlerini vermiştir. En büyük göreli kazançların, −20→10 °C geçişi ve Samsung 40 °C testi gibi karşılaştırma modellerinin belirgin elektro-termal durağan olmama ile zorlandığı koşullarda görülmesi, çalışmanın sıcaklığa bağlı ölçek uyarlaması hipoteziyle uyumludur.
Bununla birlikte çalışma yaşlanmış hücreleri, ortak SOC-SOH kestirimini, batarya paketindeki hücreler arası farklılıkları, sensör bozulmasını ve uzun dönemli saha operasyonunu deneysel olarak ele almamaktadır. Ayrıca makale metriklerin test dosyaları ve rastgele tohumlar için ayrı hesaplandığını belirtse de ana sonuç tablolarında güven aralıkları veya tohumlar arası dağılım verilmemektedir. Gömülü BMS üzerinde bellek, gecikme ve enerji tüketimi ölçümleri de raporlanmamıştır. Bu başlıkların önemli bir kısmı yazarların gelecek çalışma planları arasında bulunmaktadır.
Kaynak ve Yöntem Notu
Tam özgün çalışma adı: Temperature-Gated Causal Multi-Scale Physics-Informed Network for Lithium-Ion Battery State-of-Charge Estimation.
Yazarlar: Jiayan Xia; Lining Ma; Bingbing Li; Gang Ye; Pin Liu.
Eş katkılı yazarlar: Jiayan Xia, Lining Ma ve Bingbing Li.
Sorumlu yazar: Pin Liu.
Kurumlar: School of Electronic Information and Electrical Engineering, Yangtze University, Jingzhou 434022, China; National Demonstration Center for Experimental Electrical & Electronic Education, Jingzhou 434022, China.
Kaynak türü ve hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu yayın aşaması dikkate alınarak değerlendirilmelidir.
Platform: SSRN.
SSRN kayıt numarası: 7199404.
DOI: 10.2139/ssrn.7199404.
Yayın/ilan tarihi: 29 Temmuz 2026.
Dergi, cilt ve sayı: Bu preprint sürümü için hakemli dergi, cilt veya sayı bilgisi bulunmamaktadır.
Resmî yayın bağlantısı: https://ssrn.com/abstract=7199404
Lisans/telif durumu: SSRN kaydında telif haklarının saklı olduğu ve izin alınmadan yeniden kullanıma izin verilmediği belirtilmektedir. Bu nedenle kaynak çalışmanın özgün Şekil 1–8 görselleri bu içerikte bire bir çoğaltılmamıştır. Sayısal tablolar ve Verianla Live bileşenleri çalışmada açıkça raporlanan bilimsel verilerden yeniden kurulmuş; süreç görünümü ise çalışmanın yöntemine dayanarak Verianla için hazırlanmış açıklayıcı gösterim olarak oluşturulmuştur.
Finansman: National Natural Science Foundation of China, Grant No. 62350410484.
Veri erişilebilirliği: Yazarların beyanına göre veriler talep üzerine sağlanacaktır.
Çıkar çatışması: Yazarlar, çalışmayı etkileyebilecek bilinen rekabet eden mali çıkar veya kişisel ilişki bulunmadığını beyan etmektedir.
Yazar katkıları: Jiayan Xia: kavramsallaştırma, metodoloji, yazılım, biçimsel analiz, görselleştirme ve ilk taslak yazımı. Lining Ma: metodoloji, yazılım, veri düzenleme, araştırma, doğrulama ve görselleştirme. Bingbing Li: veri düzenleme, biçimsel analiz, doğrulama ve görselleştirme. Gang Ye: danışmanlık, kaynaklar ve inceleme/düzenleme. Pin Liu: kavramsallaştırma, danışmanlık, proje yönetimi, kaynaklar, finansman edinimi ve inceleme/düzenleme.
Üretken yapay zekâ beyanı: Yazarlar, çalışma hazırlanırken dil düzeltme ve dilsel akıcılığı geliştirmek amacıyla ChatGPT kullandıklarını; daha sonra içeriği gözden geçirip düzenlediklerini ve makalenin içeriğinin sorumluluğunu üstlendiklerini bildirmektedir.
Bilimsel içerik kaynağı: Bu Verianla makalesindeki yöntem, formüller, deney düzeni, sayısal bulgular, tabloların bilimsel içeriği ve sınırlılıklar yüklenen 33 sayfalık kaynak çalışmaya dayanmaktadır. Dış doğrulama yalnız başlık/yazar kaydı, DOI, SSRN kayıt tarihi ve lisans gibi bibliyografik alanlar için kullanılmış; dış kaynaklardan yeni deneysel sonuç veya bilimsel mekanizma eklenmemiştir.
Temel yöntemsel sınırlılık: Samsung doğrulaması yeniden eğitim içerdiğinden platformlar arası sıfır-atışlı aktarım testi değildir. Çalışma ayrıca yaşlanmış hücreleri, paket düzeyindeki hücre farklılıklarını, belirsizlik nicelendirmesini ve kaynak-kısıtlı gerçek BMS donanımındaki saha uygulamasını doğrulamamaktadır.
Başlık notu: PDF'nin başlık sayfasında özgün başlık son nokta ile yazılmıştır; ana metin başlığı ve resmî SSRN bibliyografik kaydı aynı sözcük dizisini son nokta olmadan göstermektedir. Bu içerikte özgün çalışma başlığı, PDF başlık sayfasındaki biçimiyle korunmuştur.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir