Utafiti huu unatengeneza usanifu wa mtandao wa neva unaoitwa Temperature-Gated Causal Multi-Scale Physics-Informed Network (TGCM-PINet) kwa ajili ya kukadiria mtandaoni hali ya chaji ya betri za lithiamu-ioni (State of Charge, SOC) katika hali pana na zinazobadilika kwa muda za halijoto. Modeli hugawanya volti, mkondo, halijoto ya uso wa seli na halijoto ya mazingira katika mizani mitatu ya muda kwa kutumia wastani songi wa kisababishi unaotumia sampuli za sasa na zilizopita pekee, huchakata kila mizani katika matawi huru ya mtandao wa konvolusheni wa muda (TCN), hupima kwa nguvu mchango wa matawi hayo kulingana na muktadha wa halijoto, na hukadiria mfuatano wa muda mrefu wa SOC kwa GRU ya tabaka mbili. Katika data za Panasonic NCR18650PF, wastani wa MAE kwa profaili ambazo hazikuonekana wakati wa mafunzo, Cycle 4 na LA92, uliripotiwa kuwa 0,476 na 0,370 pointi za asilimia mtawalia. Katika mabadiliko endelevu ya halijoto ya −20→10 °C na 10→25 °C, MAE ilipunguzwa kwa %42,6 na %50,6 mtawalia ikilinganishwa na modeli bora zaidi ya kulinganisha. Katika uthibitishaji wa nje uliofanywa baada ya kufundisha upya kwa data za Samsung 30T, wastani wa MAE wa majaribio kati ya −20 na 40 °C ulikuwa 0,815 pointi za asilimia. Hata hivyo, matokeo haya yanahusu seti za data na itifaki za majaribio zilizotumika; utafiti hauonyeshi mafanikio ya uwanjani katika kundi halisi la magari, utendaji uleule katika seli zilizozeeka, au uhamishaji wa moja kwa moja kwenda jukwaa tofauti la betri bila kufundisha upya.

SOC huonyesha kiasi cha chaji inayoweza kutumika kilichobaki kwenye betri kwa kulinganisha na uwezo wake wa jumla, lakini haiwezi kupimwa moja kwa moja kwa sensa. Lazima ikadiriwe kutoka kwa vigezo vinavyoweza kuonekana kwa nje kama volti ya terminali, mkondo na halijoto. Tatizo kuu la utafiti ni kwamba uhusiano kati ya vigezo hivi na SOC haukai thabiti halijoto inapobadilika. Hususan, kazi hii inachunguza jinsi mabadiliko ya haraka ya kielektriki, tabia ya polarizesheni katika mizani ya muda wa kati na mabadiliko ya polepole ya chaji-halijoto yanavyochanganyika katika uwakilishi mmoja wa mfululizo wa muda na kufanya ukadiriaji wa SOC kuwa mgumu.

Swali kuu la utafiti ni lipi?

Swali kuu la utafiti ni kama modeli inayofanya kazi bila kutumia taarifa yoyote kutoka vipimo vya baadaye inaweza kukadiria SOC kwa usahihi wa juu katika halijoto tofauti na pia katika hali ambako halijoto hubadilika mfululizo ndani ya profaili moja ya uendeshaji.

Waandishi wanabainisha mapengo matatu makuu katika mbinu zilizopo. Kwanza, mitandao ya kina yenye uti mmoja inalazimika kujifunza mabadiliko ya haraka ya kielektriki, michakato ya polarizesheni ya mizani ya kati na mielekeo ya polepole ya joto/SOC ndani ya uwakilishi mmoja. Pili, kutumia halijoto kama kipengele cha kawaida cha ingizo pekee hakubadilishi kwa nguvu umuhimu wa mizani tofauti za muda wakati modeli inafanya kazi. Tatu, baadhi ya mbinu za kutenganisha ishara zinaweza kutumia sampuli za baadaye na hivyo kusababisha uvujaji uliofichika wa taarifa katika ukadiriaji wa wakati halisi.

TGCM-PINet hutumia taarifa gani?

Vekta ya kipimo katika kila hatua ya muda ina vigezo vinne vya kimwili:

\[ \mathbf{x}_t=[V_t,\ I_t,\ T_{s,t},\ T_{a,t}]^{T} \]

Hapa \(V_t\) ni volti ya terminali (V), \(I_t\) ni mkondo uliopimwa (A), \(T_{s,t}\) ni halijoto ya uso wa betri (°C), na \(T_{a,t}\) ni halijoto ya mazingira (°C). Dirisha kuu la uchunguzi la modeli lina sampuli 800; kwa kuwa data zimesampuliwa upya hadi 1 Hz, dirisha hili linalingana na historia ya sekunde 800.

Utenganishaji wa kisababishi wa mizani mitatu unafanywaje?

Moja ya vipengele muhimu zaidi vya usanifu wa utafiti ni kwamba ishara hugawanywa katika mizani mitatu ya muda inayokamilishana bila kutumia sampuli za baadaye. Wastani songi wa kisababishi wa upande mmoja wenye urefu \(m\) hufafanuliwa kama:

\[ \mu_m(\mathbf{x}_t)=\frac{1}{m}\sum_{j=0}^{m-1}\mathbf{x}_{t-j} \]

Vipengele vya mizani ya juu, kati na chini huundwa kama ifuatavyo:

\[ \mathbf{x}^{H}_t=\mathbf{x}_t-\mu_{m_s}(\mathbf{x}_t) \]

\[ \mathbf{x}^{M}_t=\mu_{m_s}(\mathbf{x}_t)-\mu_{m_l}(\mathbf{x}_t) \]

\[ \mathbf{x}^{L}_t=\mu_{m_l}(\mathbf{x}_t) \]

Utenganishaji huu si uchujaji unaopoteza taarifa; jumla ya vipengele vitatu hurejesha kipimo cha awali bila kubadilika:

\[ \mathbf{x}^{H}_t+\mathbf{x}^{M}_t+\mathbf{x}^{L}_t=\mathbf{x}_t \]

Katika utafiti, kwa data ya 1 Hz, dirisha fupi \(m_s=5\) na dirisha refu \(m_l=60\) sampuli zilitumika. Mizani ya juu huwakilisha mabadiliko ya haraka, mizani ya kati huwakilisha tabia kati ya mielekeo mifupi na mirefu, na mizani ya chini huwakilisha maendeleo ya polepole zaidi ya chaji na joto. Waandishi wanatafsiri vipengele hivi si kama bendi kamili za kimwili za masafa, bali kama uwakilishi wa mizani ya muda.

Ujumbe muhimu wa Kielelezo 2 ni huu: wastani songi wa sekunde 5 na 60 unaokokotolewa katika muda \(t\) hutumia \(t\) na sampuli za kabla yake pekee. Mwanzoni mwa mfululizo, pale ambapo historia haitoshi, thamani ya uchunguzi wa mapema zaidi unaopatikana hutumiwa kujaza nafasi. Kwa njia hii, uvujaji wa taarifa za baadaye unaoweza kutokea katika vichujio vilivyowekwa katikati huzuiwa.

Kwa nini matawi matatu tofauti ya TCN yanatumika?

Mfululizo wa mizani ya juu, kati na chini hupelekwa kila mmoja kwenye mtandao tofauti wa konvolusheni wa muda (Temporal Convolutional Network, TCN) wenye muundo wa jumla sawa lakini vigezo huru. Mgawanyo huu huzuia mizani yote mitatu kulazimishwa kutumia seti moja ya vichujio.

Konvolusheni ya kisababishi iliyopanuliwa imeandikwa katika utafiti kama:

\[ \mathbf{u}_t=\sum_{k=0}^{K-1}W_k\mathbf{h}_{t-kd}+\mathbf{b} \]

Hapa \(K\) ni ukubwa wa kernel na \(d\) ni kipengele cha upanuzi. Kwa kuwa \(t-kd\leq t\), pato la sasa halitegemei vipengele vya baadaye. Katika kila tawi la TCN, vitalu vya mabaki vyenye konvolusheni mbili za kisababishi hutumika pamoja na urekebishaji wa kikundi, uanzishaji wa GELU, dropout na muunganisho wa mabaki.

Ukubwa wa kernel ni \(K=3\), na vipengele vya upanuzi ni \(1,2,4,8\). Uhusiano wa eneo fanisi la upokeaji uliotolewa katika utafiti ni:

\[ R_{\mathrm{TCN}}=1+2(K-1)\sum_{l=1}^{N_b}d_l \]

na muundo huu unalingana na hatua 61 za muda, yaani sekunde 61. Kila tawi huzalisha vipengele vya vipimo 32 kwa kila hatua ya muda.

Lango la halijoto hufanya nini?

Kipengele kinachoitofautisha TGCM-PINet ni kwamba haitumii halijoto kama kigezo cha kawaida cha ingizo tu. Modeli hutumia muktadha wa joto unaojumuisha halijoto ya uso, halijoto ya mazingira, tofauti yenye ishara kati ya hizo mbili na ukubwa wa tofauti hiyo ili kukokotoa upya uzito wa mizani ya juu, kati na chini katika kila hatua ya muda.

Muktadha wa joto wa vipimo vinne hupelekwa kwenye perceptroni yenye tabaka nyingi ya tabaka mbili yenye vipimo 4→24→3:

\[ \mathbf{g}_t=W_{g,2}\phi(W_{g,1}\mathbf{c}_t+\mathbf{b}_{g,1})+\mathbf{b}_{g,2} \]

Kisha uzito wa kila mizani huhesabiwa kwa softmax:

\[ \alpha_t^q= \frac{\exp(g_t^q)} {\sum_{r\in\{H,M,L\}}\exp(g_t^r)}, \qquad q\in\{H,M,L\} \]

Kwa hiyo, uzito wote huwa sifuri au zaidi na jumla yao ni 1. Muunganisho wa vipengele vya mizani mitatu hukokotolewa kama:

\[ \mathbf{f}^{ms}_t= \alpha_t^H\mathbf{h}_t^H+ \alpha_t^M\mathbf{h}_t^M+ \alpha_t^L\mathbf{h}_t^L \]

Kielelezo 3 kinaonyesha utaratibu huu wazi: muktadha wa halijoto huamua uzito wa mizani mitatu, vipengele vya mizani huunganishwa kwa uzito, na ingizo la awali lililosanifishwa huongezwa pia kwenye uwakilishi uliounganishwa kupitia njia ya mabaki ya mstari. Njia hii inalenga kuhakikisha taarifa ya kipimo cha awali ambayo inaweza kudhoofika katika utenganishaji au visimbaji vya mizani inabaki kupatikana moja kwa moja.

Kwa nini GRU na ujifunzaji unaoongozwa na fizikia hutumika pamoja?

Matawi ya TCN yanapochota mienendo ya ndani na ya muda wa kati, maendeleo ya SOC pia hutegemea historia ndefu zaidi. Kwa hiyo vipengele vilivyounganishwa hupelekwa kwenye GRU ya tabaka mbili, ya mwelekeo mmoja, yenye vitengo fiche 96. Kazi ya sigmoid katika tabaka la pato huweka ukadiriaji wa SOC ndani ya kipimo chenye maana ya kimwili cha \([0,1]\).

Modeli haifundishwi kwa lebo halisi za SOC pekee. Waandishi wanaongeza virekebishaji vitatu vya kimwili kwenye trajektori ya SOC inayokadiriwa.

Baada ya ishara ya mkondo kupangwa ili mkondo fanisi chanya uonyeshe kutoa chaji, mabadiliko ya SOC yanayotarajiwa kutoka kuhesabu Coulomb yanafafanuliwa kama:

\[ \Delta z^{cc}_{b,t} = -\frac{\eta_{b,t}I^{eff}_{b,t}\Delta t} {3600Q_{eff}} \]

Hapa \(Q_{eff}\) ni uwezo fanisi wa betri (Ah), \(\eta\) ni ufanisi wa Coulomb, na \(\Delta t\) ni muda wa sampuli. Mabadiliko yanayokadiriwa na mtandao ni:

\[ \Delta z^{p}_{b,t}=z^{p}_{b,t}-z^{p}_{b,t-1} \]

Hasara ya mafunzo huadhibu kutolingana kati ya ongezeko hizi mbili. Aidha, kuongezeka kwa SOC wakati wa kutoa chaji au kupungua wakati wa kuchaji huzuiwa kwa adhabu ya uthabiti wa mwelekeo. Ulaini wa daraja la pili wa trajektori unalenga kupunguza miruko ya ukadiriaji ya pekee na inayotia shaka kimwili.

Lengo la jumla la uboreshaji limetolewa kama:

\[ \mathcal{L} = \mathcal{L}_{sup} +\lambda_{cc}\mathcal{L}_{cc} +\lambda_{dir}\mathcal{L}_{dir} +\lambda_{sm}\mathcal{L}_{sm} \]

Vipengele hivi vya kimwili ni vikwazo laini; havihitaji utambuzi wa mtandaoni wa vigezo vya modeli ya mzunguko sawa au kutatua tatizo la uboreshaji tofauti wakati wa ukadiriaji.

Vielelezo vinaonyesha nini kisayansi?

Kielelezo 1 kinaonyesha vipengele vitano vikuu vya kimuundo vya modeli katika mtiririko mmoja kutoka ingizo la kipimo hadi hasara inayoongozwa na fizikia: utenganishaji wa kisababishi wa mizani mingi, matawi matatu ya TCN, lango la halijoto, ukadiriaji wa SOC unaotegemea GRU na hasara ya kimwili yenye malengo mengi.

Kielelezo 2 ni msingi wa kuona wa madai ya kisababishi. Kinaonyesha kwamba madirisha mafupi na marefu hayawezi kufikia sampuli yoyote iliyo upande wa kulia wa muda \(t\). Kielelezo hicho pia kinaonyesha kwamba jumla ya vipengele vya haraka, kati na polepole hurejesha kipimo cha awali.

Kielelezo 3 kinaonyesha kwamba lango la halijoto hubadilisha umuhimu wa mizani mitatu ya TCN kwa muda. Ramani ya rangi inaonyesha kwamba mizani ya juu, kati na chini haitumiki kwa uzito wa kudumu bali kwa uzito uliojifunza unaotegemea muktadha wa halijoto.

Vielelezo 4 na 5 vinalinganisha trajektori za SOC na mikunjo ya hitilafu kamili kwa profaili ambazo hazikuonekana, Cycle 4 na LA92. Inaonekana kwamba ukadiriaji wa TGCM-PINet hauishii kufuata mwenendo wa jumla wa SOC bali pia hupunguza baadhi ya miruko ya hitilafu za ndani inayoonekana katika modeli za kulinganisha. Uchunguzi huu unaendana na upungufu wa MaxAE kwenye majedwali.

Kielelezo 6 kinaonyesha tabia ya hitilafu katika mabadiliko endelevu ya halijoto ya 10→25 °C na −20→10 °C. Hasa katika mabadiliko ya baridi zaidi, bendi ya hitilafu ya TGCM-PINet kubaki nyembamba kuliko ya modeli za kulinganisha inaendana na matokeo ya MAE, RMSE na MaxAE katika Jedwali 6.

Kielelezo 7 kinaonyesha hoja muhimu kupitia mikunjo ya ablation: kuongeza utenganishaji wa mizani mingi peke yake hakukuboresha utendaji kiotomatiki. Usanifu kamili wa TGCM-PINet ulipotumika, hasa hitilafu kubwa za ndani katika −20 °C zilipunguzwa kwa kiwango kikubwa.

Kielelezo 8 kinaonyesha matokeo ya uthibitishaji wa nje kwa halijoto nne katika seti ya data ya Samsung 30T. Taswira hii inaunga mkono kwamba katika seli na jukwaa tofauti la majaribio, mbinu huhifadhi faida ya jamaa inayofanana baada ya kufundishwa upya; hata hivyo, kielelezo si ushahidi wa uhamishaji wa moja kwa moja kati ya majukwaa bila kufundisha upya.

Matokeo yanayoungwa mkono na utafiti

• TGCM-PINet ilitoa hitilafu ndogo kuliko LSTM, TCN na Transformer zilizolinganishwa kwa MAE na RMSE katika hali zote 16 kuu za majaribio zilizotumika katika utafiti.
• Utenganishaji unaotegemea wastani songi wa upande mmoja hukokotolewa, kwa ufafanuzi, kwa sampuli za sasa na zilizopita pekee na hivyo huzuia uvujaji wa vipimo vya baadaye katika mnyororo wa uchakataji uliopimwa.
• Faida ya utendaji ya modeli ilidumu katika halijoto zisizobadilika, mabadiliko endelevu ya halijoto na itifaki za seti tofauti za data za betri.
• Matokeo ya ablation yanaonyesha kwamba utenganishaji wa kisababishi wa mizani mingi pekee hautoshi; matumizi ya pamoja ya vipengele vya usanifu kamili ni muhimu.
• Urekebishaji wa kimwili huweka vikwazo vya kimwili kwenye ongezeko la SOC bila kuhitaji kutambua vigezo vya modeli ya mzunguko sawa.

Matokeo ambayo utafiti hauungi mkono au haujathibitisha

• Utafiti haujathibitisha mafanikio ya uwanjani katika kundi halisi la magari ya umeme au kwenye vifaa vya kibiashara vya BMS.
• Matokeo ya Samsung 30T si uhamishaji wa zero-shot au bila kufundisha upya; modeli zilifundishwa upya kwa data za Samsung.
• Seli zilizozeeka, kutofautiana kwa seli ndani ya pakiti na ukadiriaji wa pamoja wa SOC-SOH haujathibitishwa katika utafiti huu.
• Muda wa hesabu, matumizi ya kumbukumbu na mafanikio ya utekelezaji wa wakati halisi kwenye vifaa vilivyopachikwa vyenye rasilimali chache hayajaonyeshwa kwa majaribio.
• Ukadiriaji wa kutokuwa na uhakika wa modeli haujafanywa; umetajwa kama kazi ya baadaye.
• Matokeo yaliyowasilishwa hayakutokana na kundi la betri au seti ya data ya uwanjani mahususi kwa Uturuki. Kwa matumizi halisi nchini Uturuki, uthibitishaji tofauti unahitajika kwenye seli, sensa, historia za halijoto na vifaa vya BMS vinavyotumika.

Mbinu na Matokeo ya Utafiti

Seti za data na itifaki ya majaribio

Majaribio makuu yalifanywa kwenye seti ya data ya Panasonic NCR18650PF. Seti hiyo ina profaili nane za mizigo inayobadilika: Cycle 1–4, HWFET, NN, UDDS na LA92. Majaribio ya halijoto zisizobadilika yalifanywa katika −20, −10, 0, 10 na 25 °C. Itifaki mbili za ujanibishaji wa profaili kwa profaili zilitumika: katika ya kwanza Cycle 4 ilitengwa kabisa kwa majaribio, na katika ya pili LA92 ilihifadhiwa kabisa kwa majaribio.

Zaidi ya hayo, mabadiliko endelevu ya halijoto ya −20→10 °C na 10→25 °C yalitathminiwa. Uthibitishaji huru wa jukwaa ulifanywa kwenye seti ya data ya Samsung 30T katika −20, 0, 25 na 40 °C.

Vipimo ghafi vilibadilishwa kutoka vipindi vya 0,1 s hadi 1 Hz. Katika kila kizuizi cha sekunde moja, wastani wa kihesabu wa volti, mkondo, halijoto ya uso na halijoto ya mazingira ulitumiwa, huku thamani ya mwisho ya kizuizi ikihifadhiwa kama lebo ya SOC. Waandishi wanaeleza kwamba wastani wa mkondo huhifadhi chaji iliyohamishwa katika kipindi cha sekunde moja na kwamba thamani ya mwisho ya SOC inalingana na mwisho wa kizuizi cha kipimo.

Kama hatua muhimu ya kuzuia uvujaji wa data, faili kamili za chanzo ziligawanywa kuwa za mafunzo na majaribio kabla ya kuunda madirisha yanayoteleza. Madirisha hayakuvuka mipaka ya faili au mipaka ya uwekaji upya wa SOC iliyobainishwa kiotomatiki. Hatua ya madirisha ya mafunzo ilikuwa sekunde 5, na katika majaribio ilikuwa sekunde 1 ili kuunda trajektori endelevu. Takwimu za usanifishaji zilikokotolewa kutoka data za mafunzo pekee na kuwekwa bila kubadilika wakati wa majaribio.

Mipangilio ya modeli na mafunzo

Modeli za kulinganisha ni LSTM, TCN na Transformer. Mbinu zote zilitumia chaneli zilezile nne za ingizo, historia ileile ya sampuli 800, mgawanyo uleule wa data kwa kiwango cha faili na bajeti ileile ya epoch za mafunzo. Ukubwa wa batch ulikuwa 32 katika modeli nyingi na 12 katika Transformer kwa sababu ya mahitaji ya kumbukumbu ya matriki ya attention yenye pointi 800. Ili kuzuia Transformer kufikia sampuli za baadaye, kinyago cha attention cha kisababishi kilitumika pia.

Vipimo vya mafanikio

Makadirio yalitathminiwa kwa MAE (hitilafu kamili ya wastani), RMSE (mzizi wa hitilafu ya mraba wa wastani), MaxAE (hitilafu kamili ya juu zaidi) na R². Hitilafu za SOC ziliripotiwa kama pointi za asilimia. Vipimo vilikokotolewa kwanza kando kwa kila faili ya majaribio na mbegu nasibu, kisha matokeo ya faili yakawekwa wastani kwa kiwango cha halijoto. Faili tofauti kama Cycle 4 na LA92 hazikuunganishwa kuwa trajektori moja ndefu kwa ajili ya kuhesabu vipimo.

Profaili ya Cycle 4 ambayo haikuonekana

Kwa wastani wa halijoto tano, TGCM-PINet ilikuwa na MAE 0,476, RMSE 0,586 na MaxAE 1,922 pointi za asilimia. Ikilinganishwa na wastani wa modeli bora zaidi ya kulinganisha kwa kila halijoto na kipimo, upungufu wa hitilafu ulikuwa %40,1, %42,4 na %56,5 mtawalia.

Katika −20 °C, MAE ya Transformer ya pointi 0,92 za asilimia ilishuka hadi 0,62 kwa TGCM-PINet, huku MaxAE ya pointi 6,95 ikishuka hadi 3,02. Kinyume chake, katika 10 °C faida ya MAE ilikuwa ndogo zaidi: thamani bora ya kulinganisha ilikuwa 0,60 huku TGCM-PINet ikifikia 0,52. Waandishi wanaeleza kuwa faida kuu hapa inaonekana zaidi katika kukandamiza mikengeuko mikubwa ya ndani kuliko katika kupunguza hitilafu kwa kiasi sawa katika kila sampuli.

Profaili ya LA92 ambayo haikuonekana

Katika itifaki ya LA92, wastani wa MAE ulikuwa 0,370 pointi za asilimia na wastani wa RMSE ulikuwa 0,462 pointi za asilimia. Hii ni sawa na upungufu wa %50,4 na %51,6 mtawalia dhidi ya wastani wa modeli bora zaidi ya kulinganisha kwa kila halijoto. Katika halijoto zote tano, MAE ilibaki kati ya 0,32–0,53 pointi za asilimia, na R² ilibaki juu ya %99,86.

Nini kilitokea halijoto ilipobadilika ndani ya trajektori moja?

Katika mabadiliko ya −20→10 °C, TGCM-PINet ilipunguza MAE hadi 0,81, RMSE hadi 0,87 na MaxAE hadi 1,56 pointi za asilimia. Ikilinganishwa na modeli bora zaidi, MAE ilipungua kwa %42,6, RMSE kwa %47,0 na MaxAE kwa %58,8.

Katika mabadiliko ya 10→25 °C, MAE ilikuwa 0,43 na RMSE 0,50 pointi za asilimia; hizi ni upungufu wa %50,6 na %52,4 mtawalia. Hata hivyo, MaxAE ilishuka tu kutoka 2,98 hadi 2,73 pointi za asilimia, karibu %8,4. Kwa hiyo, ingawa ufuatiliaji wa wastani wa trajektori uliimarika sana, idadi ndogo ya mikengeuko ya ndani ya mpito iliendelea kuamua hitilafu ya hali mbaya zaidi.

Uchambuzi wa ablation: Je, utenganishaji wa mizani mingi pekee unatosha?

Jaribio la ablation linatoa mojawapo ya mipaka muhimu zaidi ya tafsiri ya utafiti. Katika −20 °C, MS-GRU yenye uwakilishi wa mizani mingi pekee haikufanya vizuri zaidi kuliko GRU ya moja kwa moja; ilifanya vibaya zaidi. TGCM-PINet kamili ilipunguza MAE kwa %66,7, RMSE kwa %70,4 na MaxAE kwa %88,9 ikilinganishwa na GRU ya moja kwa moja.

Katika 25 °C, kwa kuwa hitilafu ya wastani tayari ilikuwa ndogo, uboreshaji wa MAE ulikuwa mdogo; thamani ya GRU ya 0,35 ilishuka hadi 0,32. Hata hivyo, MaxAE ilishuka kutoka 18,94 hadi 1,61 pointi za asilimia. Kwa kuwa vipengele kadhaa vya usanifu hubadilika kwa wakati mmoja kati ya MS-GRU na TGCM-PINet kamili, matokeo haya peke yake hayawezi kutenga mchango wa kisababishi wa lango la halijoto pekee au matawi ya TCN pekee. Tafsiri ya chanzo yenyewe pia inaweka uboreshaji kama athari ya pamoja ya usanifu kamili.

Uthibitishaji wa nje kwa Samsung 30T

Kwa wastani wa halijoto nne za Samsung, TGCM-PINet iliripoti MAE 0,815, RMSE 0,970 na MaxAE 3,13 pointi za asilimia. Upungufu wa wastani dhidi ya modeli bora zaidi za kulinganisha kwa kila halijoto ulikuwa %38,3, %42,3 na %58,8 mtawalia.

Jaribio la 40 °C linastahili kuangaliwa hasa: hitilafu ya TCN ya 1,71 pointi za asilimia, ambayo ilikuwa MAE bora zaidi ya kulinganisha, ilishuka hadi 0,79 kwa TGCM-PINet; RMSE kutoka 2,17 hadi 0,92; na MaxAE kutoka 14,30 hadi 3,22.

Hata hivyo, katika jaribio hili TGCM-PINet haikufundishwa kwa data za Panasonic kisha kutumika moja kwa moja kwa Samsung. Mbinu zote zilifundishwa upya kwenye sehemu za mafunzo za Samsung na kisha kujaribiwa kwenye profaili za Samsung LA92 ambazo hazikuonekana. Kwa hiyo, matokeo yanaunga mkono uwezekano wa kurudia mkakati uleule wa uundaji modeli kwenye seli na jukwaa tofauti la majaribio, si uhamishaji wa zero-shot.

Hitimisho la jumla na mipaka ya kimethodolojia

Majaribio kumi ya kuvuka profaili katika halijoto zisizobadilika, mabadiliko mawili endelevu ya halijoto na majaribio manne ya Samsung yakitazamwa pamoja, TGCM-PINet ilitoa MAE na RMSE za chini zaidi katika hali zote 16 kuu za majaribio. Faida kubwa zaidi za jamaa kuonekana katika hali ambazo modeli za kulinganisha zilikumbwa na kutotulia kwa wazi kwa elektro-joto, kama mabadiliko ya −20→10 °C na jaribio la Samsung 40 °C, kunaendana na dhana ya utafiti ya urekebishaji wa mizani unaotegemea halijoto.

Hata hivyo, utafiti hauchunguzi kwa majaribio seli zilizozeeka, ukadiriaji wa pamoja wa SOC-SOH, tofauti kati ya seli ndani ya pakiti, uharibifu wa sensa au uendeshaji wa muda mrefu uwanjani. Pia, ingawa makala inaeleza kwamba vipimo vilikokotolewa kando kwa faili za majaribio na mbegu nasibu, majedwali makuu ya matokeo hayatoi vipindi vya kujiamini au mgawanyo kati ya mbegu. Vipimo vya kumbukumbu, ucheleweshaji na matumizi ya nishati kwenye BMS iliyopachikwa pia havijaripotiwa. Sehemu muhimu ya mada hizi imetajwa katika mipango ya waandishi ya kazi za baadaye.

Maelezo ya Chanzo na Mbinu

Jina kamili la kazi asili: Temperature-Gated Causal Multi-Scale Physics-Informed Network for Lithium-Ion Battery State-of-Charge Estimation.

Waandishi: Jiayan Xia; Lining Ma; Bingbing Li; Gang Ye; Pin Liu.

Waandishi wenye mchango sawa: Jiayan Xia, Lining Ma na Bingbing Li.

Mwandishi wa mawasiliano: Pin Liu.

Taasisi: School of Electronic Information and Electrical Engineering, Yangtze University, Jingzhou 434022, China; National Demonstration Center for Experimental Electrical & Electronic Education, Jingzhou 434022, China.

Aina ya chanzo na hali ya mapitio ya kitaalamu: Kazi hii ni preprint ambayo haijapitia mapitio ya kitaalamu; matokeo yake yanapaswa kutathminiwa kwa kuzingatia hatua hii ya uchapishaji.

Jukwaa: SSRN.

Nambari ya usajili ya SSRN: 7199404.

DOI: 10.2139/ssrn.7199404.

Tarehe ya kuchapishwa/kutangazwa: 29 Julai 2026.

Jarida, juzuu na nambari: Hakuna taarifa ya jarida lililopitiwa kitaalamu, juzuu au nambari kwa toleo hili la preprint.

Kiungo rasmi cha uchapishaji: https://ssrn.com/abstract=7199404

Hali ya leseni/hakimiliki: Rekodi ya SSRN inaeleza kwamba hakimiliki zimehifadhiwa na matumizi tena bila ruhusa hayaruhusiwi. Kwa hiyo, Vielelezo asili 1–8 vya kazi chanzo havikunakiliwa moja kwa moja katika maudhui haya. Majedwali ya nambari na vipengele vya Verianla Live vimejengwa upya kutoka data za kisayansi zilizoripotiwa wazi; mwonekano wa mchakato uliandaliwa kama uwasilishaji wa maelezo kwa Verianla kwa kutegemea mbinu ya utafiti.

Ufadhili: National Natural Science Foundation of China, Grant No. 62350410484.

Upatikanaji wa data: Kulingana na taarifa ya waandishi, data zitatolewa kwa ombi.

Mgongano wa maslahi: Waandishi wanatangaza kwamba hakuna maslahi ya kifedha yanayoshindana au uhusiano wa kibinafsi unaojulikana ambao ungeweza kuathiri kazi.

Michango ya waandishi: Jiayan Xia: uundaji wa dhana, metodolojia, programu, uchambuzi rasmi, taswira na uandishi wa rasimu ya kwanza. Lining Ma: metodolojia, programu, utunzaji wa data, uchunguzi, uthibitishaji na taswira. Bingbing Li: utunzaji wa data, uchambuzi rasmi, uthibitishaji na taswira. Gang Ye: ushauri, rasilimali na mapitio/uhariri. Pin Liu: uundaji wa dhana, ushauri, usimamizi wa mradi, rasilimali, upatikanaji wa ufadhili na mapitio/uhariri.

Taarifa kuhusu akili bandia zalishi: Waandishi wanaripoti kwamba walitumia ChatGPT wakati wa kuandaa kazi ili kusahihisha lugha na kuboresha ufasaha, kisha wakapitia na kuhariri maudhui na wanakubali wajibu wa maudhui ya makala.

Chanzo cha maudhui ya kisayansi: Mbinu, fomula, mpangilio wa majaribio, matokeo ya nambari, maudhui ya kisayansi ya majedwali na mipaka katika makala hii ya Verianla vinategemea kazi chanzo ya kurasa 33 iliyopakiwa. Uthibitishaji wa nje ulitumika tu kwa sehemu za bibliografia kama jina/waandishi, DOI, tarehe ya rekodi ya SSRN na leseni; hakuna matokeo mapya ya majaribio au utaratibu mpya wa kisayansi ulioongezwa kutoka vyanzo vya nje.

Kizuizi kikuu cha kimethodolojia: Kwa kuwa uthibitishaji wa Samsung unahusisha kufundisha upya, si jaribio la uhamishaji wa zero-shot kati ya majukwaa. Utafiti pia hauthibitishi seli zilizozeeka, tofauti za seli katika kiwango cha pakiti, ukadiriaji wa kutokuwa na uhakika au utekelezaji wa uwanjani kwenye vifaa halisi vya BMS vyenye rasilimali chache.

Maelezo ya kichwa: Kwenye ukurasa wa kichwa wa PDF, kichwa asili kimeandikwa na nukta ya mwisho; kichwa cha maandishi kuu na rekodi rasmi ya bibliografia ya SSRN zinaonyesha mfuatano uleule wa maneno bila nukta. Katika maudhui haya, kichwa asili cha kazi kimehifadhiwa kwa umbo la ukurasa wa kichwa wa PDF.