Elektr transport vositalarida batareyaning zaryad holati haydovchi ko‘ra oladigan qolgan energiya miqdori va taxminiy yurish masofasini belgilovchi asosiy ko‘rsatkichlardan biridir. Biroq zaryad holatini bevosita o‘lchab bo‘lmaydi; uni batareya kuchlanishi, toki, harorati va avvalgi foydalanish xatti-harakati kabi o‘lchanadigan signallardan baholash kerak.

Ushbu tadqiqotda mualliflar litiy-ion batareyalarning zaryad holatini baholash uchun DResCNN–BiGRU–SE deb nomlangan birlashtirilgan chuqur o‘rganish arxitekturasini taklif qilgan. Model turli vaqt masshtablaridagi naqshlarni tutib oluvchi kengaytirilgan konvolyutsiya qatlamlarini, o‘rganishni yengillashtiruvchi qoldiq ulanishlarni, vaqt bo‘yicha bog‘liqliklarni ikki yo‘nalishda qayta ishlovchi BiGRU qatlamini va foydali xususiyat kanallarini ajratib ko‘rsatuvchi Squeeze-and-Excitation diqqat mexanizmini birlashtiradi.

Model kirishlari faqat batareya kuchlanishi, batareya toki va batareya haroratidir. Baholash ishlab chiqarish turidagi BMW i3 elektr avtomobilidan 70 ta haqiqiy safar davomida yozib olingan va taxminan 989.671 ta o‘lchovni o‘z ichiga olgan ochiq ma’lumotlar to‘plamida amalga oshirilgan. Safarlardan 50 tasi o‘qitish, 10 tasi tekshirish va 10 tasi test uchun ajratilgan.

Taklif etilgan model test ma’lumotlarida %2,3522 ildiz o‘rtacha kvadrat xato, %1,7253 o‘rtacha mutlaq xato va 0,9754 R² qiymatini hosil qilgan. O‘rtacha natijalar taxmin qilingan zaryad holati ma’lumotlar to‘plamidagi ma’lumot qiymatlari bilan kuchli mos kelishini ko‘rsatadi. Biroq yakka holdagi eng katta xato %23,2645 ga yetgan. Modelning ko‘p holatlarda past xato berishi har bir vaqtda bir xil ishonchlilikni ta’minlaydi degani emas.

Natijalarni talqin qilishni cheklovchi muhim metodologik muammolar mavjud. Matnning bir qismida ma’lumotlar namunalar bo‘yicha %70–%15–%15 nisbatida bo‘lingani yozilgan bo‘lsa, usul bo‘limida safarlar bo‘yicha 50–10–10 taqsimoti bildirilgan. Arxitektura sxemasi Min–Max normallashtirishni, asosiy matn esa RobustScaler usulini ko‘rsatadi. Ablatsiya grafigida yakuniy model DResCNN–BiGRU–CA nomi bilan va taxminan %3,96 RMSE bilan ko‘rsatilgani asosiy modelning %2,3522 qiymatidan farq qiladi. Taqqoslash grafigidagi ayrim model qiymatlari ham maqoladagi taqqoslash jadvaliga mos kelmaydi.

Shu sabab tadqiqot chuqur o‘rganishning haqiqiy haydash ma’lumotlaridagi salohiyatini ko‘rsatadigan umidli dastlabki natija sifatida baholanishi kerak. Model turli transport vositalarida, turli batareya kimyolarida, qarigan batareyalarda va real vaqtli o‘rnatilgan qurilmalarda mustaqil ravishda tasdiqlanishi lozim.

Batareyaning zaryad holati nimani anglatadi?

Zaryad holati yoki inglizcha nomi bilan State of Charge, batareyada foydalanish mumkin bo‘lgan qolgan energiya miqdorini foizda ifodalovchi taxminiy o‘zgaruvchidir. Uni yonilg‘ili avtomobildagi bak ko‘rsatkichiga o‘xshatish mumkin; ammo litiy-ion batareyadagi energiya miqdorini faqat kuchlanishni o‘lchash orqali aniq aniqlab bo‘lmaydi.

Batareyaning o‘lchangan kuchlanishi va toki quyidagi omillarga qarab o‘zgarishi mumkin:

• Batareyaning joriy zaryadlash yoki razryad toki,
• Hujayralar va batareya paketining harorati,
• Tezlanish va regenerativ tormozlash kabi keskin yuk o‘zgarishlari,
• Batareyaning ichki qarshiligi,
• Hujayra kimyosi va ishlab chiqarish farqlari,
• Qarish va sig‘im yo‘qotilishi,
• Oldingi zaryadlash va razryad tarixi,
• Sensor shovqini va kalibrlash xatolari.

Shu sabab batareyani boshqarish tizimi bevosita o‘lchanmaydigan zaryad holatini o‘lchanadigan elektr va termik signallardan uzluksiz hisoblashga harakat qiladi.

Zaryad holatini noto‘g‘ri baholash nega muhim?

Zaryad holatini haqiqiyidan yuqori baholash haydovchiga aslida mavjud bo‘lmagan yurish masofasini ko‘rsatishi mumkin. Haqiqiyidan past baholash esa foydalanish mumkin bo‘lgan batareya sig‘imini keraksiz ravishda cheklashga olib kelishi mumkin.

To‘g‘ri baholash quyidagi funksiyalarni qo‘llab-quvvatlaydi:

• Qolgan yurish masofasini ishonchliroq hisoblash,
• Zaryadlash va razryad chegaralarini xavfsiz boshqarish,
• Batareyani ortiqcha zaryad yoki chuqur razryaddan himoya qilish,
• Regenerativ tormozlash energiyasini aniqroq rejalashtirish,
• Quvvat va energiyani boshqarish algoritmlarini yaxshilash,
• Batareya umrini uzaytirish,
• Haydovchining masofa bo‘yicha xavotirini kamaytirish.

An’anaviy baholash usullarining cheklovlari nimalar?

Zaryad holatini baholashda qo‘llanadigan asosiy yondashuvlardan biri Coulomb sanashidir. Bu usulda batareyaga kiradigan va undan chiqadigan tok vaqt bo‘yicha yig‘iladi. Boshlang‘ich zaryad holati aniq ma’lum bo‘lsa, usul foydali bo‘lishi mumkin; ammo tok sensoridagi kichik xatolar vaqt o‘tishi bilan yig‘ilib, bahoning siljishiga olib kelishi mumkin.

Ochiq zanjir kuchlanishiga asoslangan usullar batareya ma’lum muddat dam olgandan keyin o‘lchangan kuchlanishni zaryad holati bilan bog‘laydi. Biroq harakatdagi elektr transport vositasida batareyani uzoq vaqt yuksiz qoldirish ko‘pincha mumkin emas.

Kalman filtri va shunga o‘xshash modelga asoslangan usullar fizik batareya modellarini sensor ma’lumotlari bilan birlashtiradi. Bu usullarning muvaffaqiyati ekvivalent zanjir parametrlarining, ichki qarshilikning va harorat xatti-harakatining to‘g‘ri modellashtirilishiga bog‘liq. Batareya qarigan sari model parametrlari o‘zgarishi mumkin.

Ma’lumotlarga asoslangan usullar esa kuchlanish, tok, harorat va zaryad holati orasidagi munosabatni bevosita ma’lumotlardan o‘rganishga harakat qiladi. Bu yondashuv murakkab nolinear bog‘liqliklarni tutib olishi mumkin; ammo ishonchliligi o‘qitish ma’lumotlarining qamrovi, ma’lumotlarni bo‘lish tartibi va modelning ilgari ko‘rmagan sharoitlarda sinovdan o‘tkazilishiga bog‘liq.

Tadqiqotning asosiy savoli nima?

Tadqiqotning asosiy savolini quyidagicha umumlashtirish mumkin:

Kuchlanish, tok va haroratdan tashkil topgan oldingi o‘lchov ketma-ketliklaridan foydalanib, haqiqiy haydash sharoitidagi elektr transport vositasi batareyasining zaryad holatini birlashtirilgan chuqur o‘rganish modeli bilan aniq baholash mumkinmi?

Mualliflar buning uchun uch xil o‘rganish qobiliyatini bitta modelda birlashtirgan:

1. Turli vaqt masshtablaridagi qisqa muddatli signal naqshlarini ajratib olish,
2. Uzoq muddatli vaqt bog‘liqliklarini o‘rganish,
3. Foydali xususiyat kanallariga boshqalariga qaraganda kuchliroq og‘irlik berish.

DResCNN–BiGRU–SE nomi nimani anglatadi?

Model nomi uchta asosiy komponentdan tuzilgan:

• DResCNN: Kengaytirilgan konvolyutsiyadan foydalanadigan, qoldiq ulanishli bir o‘lchamli konvolyutsion neyron tarmoq.
• BiGRU: Ma’lumotni oldinga va orqaga yo‘nalishda qayta ishlaydigan ikki yo‘nalishli darvozali takrorlanuvchi birlik.
• SE: Xususiyat kanallariga ahamiyat og‘irliklarini beruvchi Squeeze-and-Excitation diqqat mexanizmi.

Tadqiqotning 4-sahifasidagi 1-rasm butun arxitekturani yetti bosqichda ko‘rsatadi: ma’lumotlarni tayyorlash, ko‘p masshtabli konvolyutsiya, qoldiq bloklar, BiGRU, kanal diqqati, regressiya boshi va modelni o‘qitish.

Birinchi bosqich: O‘lchovlarni vaqt qatorlariga aylantirish

Har bir vaqt qadamidagi kirish vektori kuchlanish, tok va haroratdan iborat:

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

• \(V_t\): t vaqtdagi batareya kuchlanishi.
• \(I_t\): t vaqtdagi batareya toki.
• \(T_t\): t vaqtdagi batareya harorati.

Modelning bitta kirish namunasi ketma-ket o‘lchovlardan tashkil topgan vaqt oynasidir:

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

Tadqiqotda oyna uzunligi \(L=40\) vaqt qadami qilib belgilangan. Shu sabab model faqat ayni paytdagi uch o‘lchovga qaramaydi, balki avvalgi 40 ta o‘lchovdan iborat qisqa tarixni birgalikda baholaydi.

O‘lchovlar qaysi namuna olish chastotasida yozib olingani va 40 qadam soniya hisobida qancha tarixga teng kelishi tadqiqotda aniq ko‘rsatilmagan. Bu yetishmovchilik modelning fizik vaqt masshtabini talqin qilishni qiyinlashtiradi.

Ikkinchi bosqich: Ko‘p masshtabli konvolyutsion xususiyat ajratish

Modelning birinchi o‘rganish qismida ayni kirish ketma-ketligiga ikkita parallel bir o‘lchamli konvolyutsiya qo‘llanadi. Arxitektura sxemasida birinchi tarmoq uchun yadro o‘lchami 3 va kengaytirish darajasi 1, ikkinchi tarmoq uchun yadro o‘lchami 5 va kengaytirish darajasi 2 ko‘rsatilgan.

Birinchi tarmoq qisqaroq muddatli mahalliy o‘zgarishlarni, ikkinchi tarmoq esa kengroq vaqt oralig‘idagi naqshlarni tutib olishni maqsad qiladi. Ikki tarmoqdan olingan xususiyatlar keyinchalik birlashtiriladi.

Kengaytirilgan konvolyutsiya filtr koeffitsiyentlari orasiga bo‘shliqlar qo‘yib, qatlamlar sonini yoki filtr o‘lchamini haddan tashqari oshirmasdan kengroq sohaga qarash imkonini beradi. Batareya ilovasida bu yondashuv qisqa muddatli tok impulslarini sekinroq kuchlanish va harorat o‘zgarishlari bilan bitta modelda ifodalashga qaratilgan.

Biroq maqolaning asosiy matnida “Step 2” sarlavhasi mavjud bo‘lsa-da, ushbu bosqich batafsil tushuntirilmasdan to‘g‘ridan-to‘g‘ri uchinchi bosqichga o‘tiladi. Filtrlar soni, konvolyutsiya chiqishlarining to‘liq o‘lchamlari va ushbu qismga mos kelishi kerak bo‘lgan uchinchi tenglama ham matnda yo‘q.

Uchinchi bosqich: Qoldiq ulanishlar

Ko‘p masshtabli xususiyatlar konvolyutsiya, batch normalization va ReLU faollashtirishini o‘z ichiga olgan qoldiq bloklarga uzatiladi. Qoldiq ulanishning asosiy munosabati quyidagicha:

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

• \(X\): Blokning kirish xususiyatlari.
• \(\mathcal{F}(X)\): Konvolyutsiya qatlamlari o‘rgangan transformatsiya.
• \(Y\): O‘rganilgan transformatsiya va kirish yig‘indisi.

Bu tuzilma chuqur tarmoqlarda gradientning osonroq oqishiga yordam berishi mumkin. Qatlamlar butun transformatsiyani noldan o‘rganish o‘rniga kirishga kiritilishi kerak bo‘lgan tuzatishni o‘rganadi.

Maqoladagi arxitektura sxemasi qoldiq blok \(N\) marta takrorlanishini ko‘rsatadi; ammo \(N\) ning qiymati nechaga teng ekani ko‘rsatilmagan. Har bir qatlamdagi filtrlar soni va model parametrlarining umumiy soni ham xabar qilinmagan. Shu sabab arxitekturani aynan qayta qurish uchun zarur ma’lumotlar yetishmaydi.

To‘rtinchi bosqich: BiGRU bilan vaqt bog‘liqliklarini o‘rganish

Konvolyutsion qatlamlar mahalliy signal naqshlarini ajratib olsa, batareyaning zaryad holatiga uzoqroq tarix ham ta’sir qilishi mumkin. Shu sabab birlashtirilgan xususiyatlar ikki yo‘nalishli GRU qatlamiga beriladi.

Oldinga yo‘nalishdagi yashirin holat quyidagicha ko‘rsatilishi mumkin:

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

Orqaga yo‘nalishdagi yashirin holat esa:

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

Ikki yo‘nalish chiqishi birlashtiriladi:

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

Ikki yo‘nalishli qayta ishlash 40 qadamlik oynaning boshi va oxiridagi ma’lumotlarni birgalikda baholash imkonini beradi. Orqaga yo‘nalishdagi qayta ishlash kelajakdagi haqiqiy transport vositasi ma’lumotiga qarashi shart emas; agar oyna butunlay hozirgi vaqtgacha bo‘lgan o‘lchovlardan tuzilgan bo‘lsa, ayni tarix oynasi teskari yo‘nalishda qayta ishlanishi mumkin. Biroq tadqiqotda maqsad vaqtining oynaga nisbatan aniq joyi ochiq ko‘rsatilmagani sabab real vaqtli sababiylik tuzilmasi to‘liq tasdiqlanmaydi.

Beshinchi bosqich: Squeeze-and-Excitation diqqati

Model ajratib olgan barcha xususiyat kanallari zaryad holatini baholashda bir xil darajada foydali bo‘lmasligi mumkin. SE mexanizmi har bir kanalni umumlashtirib, kanallarga 0 bilan 1 orasida o‘rganiladigan ahamiyat og‘irliklarini beradi.

Avval har bir xususiyat kanalining vaqt bo‘yicha o‘rtachasi olinadi:

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

• \(z_c\): c kanalning umumlashtirilgan qiymati.
• \(T\): Vaqt qatorining uzunligi.
• \(X_c(t)\): c kanalning t vaqtdagi qiymati.

Kanal og‘irliklari ikkita to‘liq bog‘langan transformatsiya bilan hisoblanadi:

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

• \(W_1,W_2\): O‘rganiladigan og‘irlik matritsalari.
• \(\delta\): ReLU faollashtirishi.
• \(\sigma\): Sigmoid faollashtirishi.

Yakuniy xususiyatlar kanal og‘irliklari bilan qayta masshtablanadi:

\[ Y=X\odot A \]

Bu jarayon modelga ma’lum haydash sharoitlarida ko‘proq foydali bo‘ladigan xususiyatlarni kuchaytirish va kamroq foydali xususiyatlarni bostirish imkonini berishga qaratilgan.

SE bo‘limining oraliq qatlam kengligi yoki qisqartirish koeffitsiyenti matnda ko‘rsatilmagan. Bu qayta ishlab chiqarishni cheklaydigan yana bir arxitektura yetishmovchiligidir.

Oltinchi bosqich: Uzluksiz zaryad holati chiqishi

Diqqat mexanizmidan chiqqan xususiyatlar global o‘rtacha pooling qatlami bilan umumlashtiriladi va quyidagi to‘liq bog‘langan qatlamlardan o‘tkaziladi:

• 256 neyronli qatlam va 0,30 dropout,
• 128 neyronli qatlam va 0,20 dropout,
• 64 neyronli qatlam,
• Bitta neyronli chiziqli chiqish qatlami.

Chiziqli chiqish zaryad holatini uzluksiz foiz qiymati sifatida baholash imkonini beradi:

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

Bu yerda \(g\) poolingdan keyin hosil bo‘lgan umumlashtirilgan xususiyat vektorini, \(f\) esa to‘liq bog‘langan qatlamlar o‘rgangan transformatsiyani ifodalaydi.

Yettinchi bosqich: Modelni o‘qitish

Model Adam optimallashtiruvchisi bilan o‘qitilgan va boshlang‘ich o‘rganish tezligi 0,0003 qilib belgilangan. Gradient normasi 1,0 bilan cheklangan, batch o‘lchami 128 va maksimal o‘qitish davomiyligi 100 epoch qilib tanlangan.

O‘qitish yo‘qotishi sifatida Huber yo‘qotishi ishlatilgan:

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

• \(y\): Ma’lumot zaryad holati.
• \(\hat{y}\): Model bahosi.
• \(\delta\): Kvadratik va chiziqli xato sohalarini ajratuvchi chegara.

Huber yo‘qotishi kichik xatolarda kvadrat xato kabi tutadi, katta xatolarda esa chiziqli o‘sadi. Shu tariqa model kichik farqlarga sezgir qoladi, ayni paytda oz sonli katta og‘ishlarning o‘qitishga haddan tashqari ta’siri kamaytirilishi mumkin.

Tadqiqotda erta to‘xtatish va moslashuvchan o‘rganish tezligi rejalashtirishidan foydalanilgani aytiladi. Biroq erta to‘xtatish sabri, o‘rganish tezligini kamaytirish sharti va tanlangan eng yaxshi epoch kabi tafsilotlar berilmagan.

BMW i3 ma’lumotlar to‘plami nimani o‘z ichiga oladi?

Model ishlab chiqarish turidagi BMW i3 elektr avtomobilidan haqiqiy foydalanish vaqtida yozib olingan ochiq ma’lumotlar to‘plami bilan baholangan. Transport vositasida 60 Ah sig‘imli litiy-ion batareya paketi mavjud.

Ma’lumotlar to‘plamida batareya kuchlanishi, toki va haroratidan tashqari atrof-muhit harorati, transport vositasi tezligi, safar masofasi va davomiyligi kabi boshqa o‘zgaruvchilar ham mavjud. Taklif etilgan model ulardan faqat kuchlanish, tok va batareya haroratini ishlatgan.

Tadqiqotning 9-sahifasidagi 2-rasm safarlarning masofa va davomiylik jihatidan sezilarli farq qilishini ko‘rsatadi. Safarlarning ko‘pchiligi taxminan 10–20 kilometr oralig‘ida to‘plangan, 50–60 kilometrga yaqinlashadigan oz sonli uzunroq haydashlar ham mavjud.

Kuchlanish, tok va harorat zaryad holati bilan qanday bog‘liq?

Tadqiqotning 11-sahifasidagi korrelyatsiya matritsasi zaryad holati bilan eng kuchli chiziqli bog‘liqlik batareya kuchlanishida ekanini ko‘rsatadi:

Tokning SOC bilan joriy chiziqli korrelyatsiyasi 0,03 bo‘lishi tok foydasiz degani emas. Tokning ta’siri asosan vaqt davomida yig‘ilib namoyon bo‘ladi. Ayni tok qiymati batareyaning avvalgi yuk tarixiga qarab turli ma’noga ega bo‘lishi mumkin. Shu sabab vaqt qatori modeli bitta korrelyatsiyadan murakkabroq munosabatlarni o‘rganishga harakat qiladi.

Batareya harorati bilan atrof-muhit harorati orasidagi korrelyatsiya 0,87. Model faqat batareya haroratidan foydalangani sabab atrof-muhit sharoitlariga oid ma’lumotlarning bir qismi batareya harorati orqali bilvosita modelga kirishi mumkin.

Ma’lumotlar qanday masshtablangan?

Asosiy matnga ko‘ra kirish o‘zgaruvchilari va maqsad SOC qiymatlari RobustScaler bilan masshtablangan:

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

• \(\operatorname{Median}(x)\): O‘zgaruvchining median qiymati.
• \(Q_1\): Birinchi kvartil.
• \(Q_3\): Uchinchi kvartil.
• \(Q_3-Q_1\): Kvartillar oralig‘i.

Bu masshtablash o‘rtacha va standart og‘ishga asoslangan usullarga qaraganda chekka qiymatlardan kamroq ta’sirlanishi mumkin.

Biroq 1-rasmda oldindan qayta ishlash bosqichi “Min–Max Normalization” sifatida ko‘rsatilgan. Min–Max normallashtirish va RobustScaler bir xil usul emas. Matn davomida RobustScaler batafsilroq tushuntirilgani sabab asosiy usul sifatida shu yondashuv qabul qilinishi mumkin, ammo rasm bilan usul tavsifi o‘rtasida aniq nomuvofiqlik mavjud.

Bundan tashqari, masshtablagich faqat o‘qitish safarlarida moslashtirilib, keyin tekshirish va test safarlariga qo‘llanganmi, bu tushuntirilmagan. Agar masshtablash parametrlari butun ma’lumotlar to‘plamidan hisoblangan bo‘lsa, test taqsimoti haqida cheklangan bo‘lsa-da, ma’lumot sizib chiqishi yuz berishi mumkin. Tadqiqot bergan ma’lumotlar bu ehtimolni baholash uchun yetarli emas.

Ma’lumotlar o‘qitish, tekshirish va test uchun qanday bo‘lingan?

Usul bo‘limida safarlar bo‘yicha quyidagi taqsimot xabar qilingan:

Safarlar bo‘yicha bo‘lish ayni safardan hosil qilingan ustma-ust vaqt oynalarining ham o‘qitish, ham test to‘plamiga tushishini oldini olish nuqtai nazaridan muhim.

Bunga qarshi, tadqiqotning 3-sahifasidagi taqqoslash jadvali ushbu tadqiqotdagi ma’lumot bo‘linishini “namunalarning %70 qismi o‘qitish, %15 qismi tekshirish va %15 qismi test” tarzida ta’riflaydi. Safar bo‘yicha bo‘lish bilan namuna bo‘yicha bo‘lish bir xil emas. Metodologiya bo‘limidagi batafsil 50–10–10 izohi ishonchliroq ko‘rinsa-da, bu ikki bayonot orasidagi nomuvofiqlik bartaraf etilmagan.

Qaysi 10 safar tekshirish va qaysi 10 safar test uchun ishlatilgani ham ro‘yxat qilinmagan. Bitta tasodifiy urug‘ qiymati 42 deb berilgan; turli bo‘linishlar yoki turli urug‘lar bilan takrorlangan tajribalar xabar qilinmagan.

O‘qitish va tekshirish egri chiziqlari nimani ko‘rsatadi?

Tadqiqotning 14 va 15-sahifalaridagi grafiklarda o‘qitish va tekshirish yo‘qotishlari dastlabki epochlarda tez pasayadi, keyin sekinroq yaxshilanadi. O‘qitish egri chizig‘i muntazam kamayishda davom etgan bo‘lsa, tekshirish egri chizig‘i taxminan 17–18-epochdan keyin tebranib, kichik ko‘tarilish ko‘rsatadi.

Mualliflar o‘qitish va tekshirish egri chiziqlari orasida jiddiy ajralish yo‘qligini va model aniq ortiqcha o‘rganish ko‘rsatmaganini aytadi. Grafiklarda nazoratsiz og‘ish ko‘rinmasa-da, o‘qitish oxirida o‘qitish yo‘qotishi bilan tekshirish yo‘qotishi orasida ko‘rinadigan farq mavjud. Bu yengil darajadagi ortiqcha o‘rganish ehtimolini butunlay istisno qilib bo‘lmasligini ko‘rsatadi.

Modelning asosiy test natijalari qanday?

%1,7253 MAE o‘rtacha namunada baho bilan ma’lumot qiymati orasida taxminan 1,73 foiz punkt farq borligini ko‘rsatadi. Masalan, ma’lumot qiymati %60 bo‘lsa, o‘rtacha xato kattaligi taxminan 1,73 punkt darajasida; biroq bu har bir baho shu chegara ichida degani emas.

%23,2645 darajasidagi eng katta xato ayniqsa muhim. O‘rtacha ishlash kuchli ko‘rinsa-da, ma’lum bir o‘tish lahzasida baho bilan ma’lumot orasida 23 foiz punktdan ortiq farq yuzaga kelgan. Xavfsizlik uchun muhim batareya boshqaruv dasturida faqat o‘rtacha xato emas, eng yomon holatdagi xatti-harakat ham baholanishi kerak.

Haqiqiy va baholangan SOC egri chiziqlari nimani ko‘rsatadi?

Tadqiqotning 16-sahifasidagi 7 va 8-rasmlarda baholash egri chiziqlari ko‘p nuqtalarda ma’lumot qiymatlariga yaqin boradi. Kattalashtirilgan qismda ayniqsa o‘rta va yuqori SOC oralig‘ida kuchli moslik ko‘rinadi. Keskin pasayishlarda baholash egri chizig‘i ayrim cho‘qqi va chuqurliklarni silliqlagan yoki o‘tkazib yuborgan nuqtalar mavjud.

Grafikda ketma-ket namunalar orasida SOC qiymatining tez-tez %80 darajasidan %30–40 oralig‘iga tushib, yana ko‘tarilgani ko‘rinadi. Bitta fizik safarda batareyaning bunchalik tez zaryadlanib va razryadlanishi kutilmagani sabab grafik ehtimol turli test oynalari yoki turli safarlarni birlashtirgan. Biroq namunalarning tartiblash usuli tushuntirilmagani sabab grafikni uzluksiz real vaqtli haydash profili sifatida talqin qilmaslik kerak.

Test natijalari har bir safar uchun alohida berilmagan. Shu sabab model barcha test safarlarida o‘xshash muvaffaqiyat ko‘rsatganmi, ma’lum harorat yoki masofa sharoitlarida xato oshganmi, ko‘rib bo‘lmaydi.

Xato taqsimoti haqiqatan tarafsizmi?

Tadqiqotning 18-sahifasidagi 9-rasm qoldiq grafigi, histogramma, quti grafigi va violin grafigini birgalikda ko‘rsatadi. Xatolarning katta qismi nolga yaqin hududda to‘plangan. Biroq quti grafigida ham salbiy, ham ijobiy yo‘nalishda ko‘plab chekka qiymatlar mavjud.

Qoldiq grafigi to‘liq tasodifiy bulut ko‘rinishida emas. Baholangan SOC past bo‘lganda qoldiqlar ko‘proq salbiy hududda, yuqoriroq SOC qiymatlarida esa nol atrofida yoki ijobiy hududda to‘plangani SOC darajasiga bog‘liq tizimli naqsh bo‘lishi mumkinligini ko‘rsatadi.

Shu sabab “modelda aniq ortiqcha yoki kam baholash moyilligi yo‘q” degan xulosa umumiy o‘rtacha nuqtai nazaridan maqbul bo‘lsa-da, barcha SOC oralig‘ida teng darajada tarafsiz ekani aniq ko‘rsatilmagan.

R² qiymati nimani ko‘rsatadi, nimani ko‘rsatmaydi?

0,9754 darajasidagi R² test ma’lumotlaridagi ma’lumot SOC o‘zgaruvchanligining taxminan %97,5 qismi model baholari bilan statistik jihatdan izohlanishi mumkinligini ko‘rsatadi.

Bu qiymat quyidagilarni o‘zi isbotlamaydi:

• Har bir baholash lahzasida xato past ekanini,
• Model turli transport vositalarida ayni natijani berishini,
• Ma’lumot SOC qiymatlari xatosiz ekanini,
• Batareya qariganda ishlash saqlanib qolishini,
• Model real vaqtli boshqaruv qurilmasida ishlay olishini,
• Eng yomon holat xatolari xavfsizlik chegaralari ichida ekanini.

Oldingi tadqiqotlar bilan taqqoslash qanchalik ishonchli?

Maqoladagi asosiy taqqoslash jadvaliga ko‘ra taklif etilgan model ayni BMW i3 ma’lumotlar to‘plamidan foydalangan oldingi tadqiqotlardan pastroq RMSE va MAE hosil qilgan:

Bu taqqoslashlarning ma’lumot bo‘linishlari, oldindan qayta ishlash bosqichlari, test safarlari va amalga oshirish tafsilotlari bir xil emas. Modelning boshqa test to‘plamidagi past xatosi uning boshqa modeldan qat’iy ustun ekanini isbotlamaydi. Haqiqiy bevosita taqqoslash uchun barcha modellar ayni o‘qitish, tekshirish va test safarlarida qayta ishlatilishi kerak.

Tadqiqotning 20-sahifasidagi 11-rasm ham taqqoslash jadvaliga mos kelmaydi. Grafikda FFNN uchun taxminan 7,20, LSTM uchun 6,10, GRU uchun 5,80, BiLSTM uchun 5,50, ResCNN–BiGRU uchun 4,80 va DResCNN–BiGRU–CA uchun taxminan 3,96 RMSE ko‘rsatilgan. Bu nomlar va qiymatlar asosiy taqqoslash jadvalidagi modellarga mos emas; taklif etilgan SE modelining 2,3522 RMSE qiymati grafikda ko‘rsatilmagan.

Ablatsiya tadqiqoti arxitektura komponentlarini tasdiqlaydimi?

Ablatsiya tadqiqotining maqsadi arxitektura komponentlari birma-bir qo‘shilganda xato qanday o‘zgarishini ko‘rsatishdir. 12-rasmda CNNdan boshlab BiGRU, qoldiq ulanish, kengaytirilgan konvolyutsiya va diqqat mexanizmi qo‘shilgan sari RMSE bosqichma-bosqich kamaygani ko‘rinadi.

Biroq bu bo‘limda jiddiy hisobot muammolari mavjud:

• Matn natijalar “Table V”da berilganini aytsa-da, sonli ablatsiya jadvali yo‘q.
• Table V bundan oldin asosiy ishlash ko‘rsatkichlari uchun ishlatilgan.
• Grafikdagi yakuniy model nomi DResCNN–BiGRU–CA; asosiy model esa DResCNN–BiGRU–SE deb ataladi.
• Grafikdagi yakuniy nuqtaning RMSE qiymati taxminan 3,96 ko‘rinadi; asosiy test natijasi 2,3522.
• Ablatsiya modellari ayni test to‘plami, ayni tasodifiy boshlang‘ich va ayni o‘qitish sozlamalari bilan ishlatilganmi, bu aytilmagan.
• Natijalar bir necha o‘qitish takrori va standart og‘ish bilan xabar qilinmagan.

Shu sabab grafik arxitektura rivojlangan sari ishlash yaxshilanadi degan sifatli naqshni ko‘rsatsa-da, har bir komponent hissasini ishonchli va sonli tarzda tasdiqlovchi to‘liq ablatsiya tajribasi sifatida qabul qilib bo‘lmaydi.

Tadqiqotning eng muhim kuchli tomonlari

• Nazorat qilinadigan laboratoriya sikllari o‘rniga haqiqiy haydashlardan iborat ochiq ma’lumotlar to‘plami ishlatilgan.
• Taxminan bir million o‘lchov modelga keng namuna bazasini bergan.
• Kirish sifatida ko‘p batareya boshqaruv tizimlarida mavjud bo‘lgan kuchlanish, tok va harorat tanlangan.
• Mahalliy naqsh, uzoq muddatli vaqt munosabati va kanal diqqati bitta arxitekturada birlashtirilgan.
• Tekshirish va test uchun alohida safarlar ishlatilgani aytilgan.
• RMSE va MAEdan tashqari R², MAPE, eng katta xato va xato standart og‘ishi xabar qilingan.
• Xato taqsimoti bir nechta grafik bilan o‘rganilgan.
• Tadqiqot o‘z cheklovlarini va o‘rnatilgan tizimda tasdiqlash zaruratini tan oladi.

Tadqiqotning asosiy cheklovlari

• Model faqat bitta transport vositasi modeli va bitta batareya paketida baholangan.
• Turli hujayra kimyolari va batareya sig‘imlari sinovdan o‘tkazilmagan.
• Batareya qarishining ta’siri baholanmagan.
• Ma’lumot SOC mustaqil laboratoriya o‘lchovi emas, transport vositasi ishlab chiqaruvchisi taqdim etgan qiymatdir.
• Masshtablagich faqat o‘qitish ma’lumotida o‘rgatilganmi, tushuntirilmagan.
• Ma’lumot bo‘linishi namuna bo‘yicha va safar bo‘yicha ikki xil tarzda ta’riflangan.
• Sxema Min–Max, matn RobustScaler normallashtirishini xabar qiladi.
• Konvolyutsiya filtrlari soni va qoldiq bloklar soni ko‘rsatilmagan.
• SE qisqartirish koeffitsiyenti va umumiy model parametrlari soni berilmagan.
• Ishlash vaqti, inferensiya kechikishi, xotira talabi va energiya sarfi o‘lchanmagan.
• Test natijalari safar bo‘yicha alohida xabar qilinmagan.
• Turli tasodifiy urug‘lar bilan takrorlangan tajriba va ishonch oralig‘i yo‘q.
• Taqqoslash grafigi asosiy taqqoslash jadvaliga mos emas.
• Ablatsiya grafigidagi model nomi va natija asosiy model natijasi bilan mos emas.
• Manba kodi, o‘qitishda ishlatilgan safar identifikatorlari va to‘liq qayta ishlab chiqarish paketi berilmagan.

Tadqiqot nimani qo‘llab-quvvatlaydi?

• Kuchlanish, tok va harorat ketma-ketliklari SOC baholash uchun yuqori axborotga ega bo‘lishi mumkinligini,
• Konvolyutsion va takrorlanuvchi qatlamlarni birga ishlatish haqiqiy haydash ma’lumotlarida umidli ekanini,
• Kanal diqqatidan o‘rganilgan xususiyatlarni tanlab qayta og‘irlashtirish uchun foydalanish mumkinligini,
• Ko‘rsatilgan test to‘plamida past o‘rtacha xatoga erishilganini,
• Safar bo‘yicha ma’lumot ajratish qo‘llash mumkin bo‘lgan baholash yondashuvi ekanini qo‘llab-quvvatlaydi.

Tadqiqot nimani isbotlamaydi?

• Model barcha elektr transport vositalarida %2,35 RMSE hosil qilishini isbotlamaydi.
• Taklif etilgan arxitektura barcha oldingi usullardan qat’iy ustun ekanini ko‘rsatmaydi.
• Model qarigan batareyalarda ayni aniqlikni saqlab qolishini ko‘rsatmaydi.
• Eng katta %23,26 xato xavfsizlik nuqtai nazaridan maqbul ekanini isbotlamaydi.
• Model avtomobil darajasidagi batareya boshqaruv qurilmasida real vaqtda ishlay olishini ko‘rsatmaydi.
• Baholar turli harorat, iqlim va haydash madaniyatlarida ayni muvaffaqiyatni ko‘rsatishini isbotlamaydi.
• Ma’lumot SOC qiymatlari fizik haqiqiy SOC bilan xatosiz mos kelishini ko‘rsatmaydi.
• Ablatsiya grafigidagi yaxshilanishlar statistik ahamiyatli ekanini isbotlamaydi.

Bu Turkiyadagi elektr transport vositalari ekotizimi uchun nimani anglatadi?

Turkiyada elektr transport vositalaridan foydalanish, zaryadlash infratuzilmasi va mahalliy avtomobil texnologiyalari rivojlangan sari batareya boshqaruv dasturlarining ahamiyati ham oshmoqda. Zaryad holatini baholash faqat asboblar panelidagi foiz qiymatiga emas, balki masofani rejalashtirish, tez zaryadlashni boshqarish, batareya kafolati va ikkilamchi batareya baholash kabi sohalarga ham ta’sir qilishi mumkin.

Tadqiqot yondashuvi Turkiyada ishlab chiqiladigan batareya boshqaruv tizimlari uchun quyidagi tadqiqot yo‘nalishlarini qo‘llab-quvvatlaydi:

• Turkiyaning turli iqlim hududlarida haqiqiy haydash ma’lumotlarini to‘plash,
• Yozgi issiqlik va qishki sovuqning SOC baholashga ta’sirini o‘rganish,
• Turli transport vositalari va batareya kimyolarini umumiy ma’lumotlar bazasida sinash,
• Yangi va qarigan batareyalarni birgalikda baholash,
• Modelning avtomobil darajasidagi mikrokontrollerlarda kechikish va energiya sarfini o‘lchash,
• Eng yomon holat xatolarini xavfsizlik chegaralari bilan birga xabar qilish,
• Fizik batareya modellari bilan chuqur o‘rganishni birlashtirish.

Biroq tadqiqotdagi sonli natijalarni Turkiyadagi transport vositalariga bevosita ko‘chirish mumkin emas. Mahalliy foydalanish sharoitlari, transport vositasi apparatlari, batareya kimyosi, sensor sifati va harorat oralig‘i farq qilishi mumkin. Haqiqiy qo‘llash uchun Turkiyada to‘plangan mustaqil ma’lumotlar bilan qayta o‘qitish va tasdiqlash zarur.

Tadqiqot usuli va topilmalari

Texnik usul xulosasi

Asosiy ishlash topilmalari

Arxitektura komponentlarining maqsadlari

Matndagi muhim nomuvofiqliklar

Natijalar ishonchliligini oshiradigan qo‘shimcha tajribalar

• Ayni test safarlarida barcha taqqoslash modellarini qayta o‘qitish,
• Har bir test safari uchun alohida RMSE, MAE va eng katta xatoni berish,
• Turli tasodifiy urug‘lar bilan kamida bir necha mustaqil o‘qitish takrori o‘tkazish,
• O‘rtacha natijalar bilan birga standart og‘ish yoki ishonch oralig‘ini xabar qilish,
• Turli BMW i3 haydash quyi to‘plamlarida safarlararo tekshirish o‘tkazish,
• Boshqa transport vositalari va batareya kimyolari bilan tashqi tasdiqlash,
• Yangi va qarigan batareyalarni alohida baholash,
• Masshtablagichni faqat o‘qitish to‘plamiga moslashtirish va buni ochiq ko‘rsatish,
• Arxitektura parametrlarini va manba kodini e’lon qilish,
• O‘rnatilgan qurilmada kechikish, xotira va energiya sarfini o‘lchash,
• Eng katta xato yuzaga kelgan haydash sharoitlarini alohida tahlil qilish,
• SOC baholariga noaniqlik oralig‘ini qo‘shish.

Manba va usul eslatmasi

• Tadqiqotning asl nomi: DResCNN–BiGRU–SE: A Deep Learning Framework for Accurate State-of-Charge Estimation of Lithium-Ion Batteries in Electric Vehicles
• Mualliflar: Sushil Kumar; Yaduvir Singh
• Mualliflar tartibi: Sushil Kumar birinchi, Yaduvir Singh ikkinchi muallif.
• Muallif ma’lumoti ogohlantirishi: Yuklangan tadqiqot matnining birinchi sahifasida muallif va muassasa qatori yo‘q. Mualliflar SSRN rasmiy yozuvidan tasdiqlangan.
• Teng birinchi muallif: Teng hissa yoki teng birinchi mualliflik bayonoti yo‘q.
• Aloqa muallifi: SSRN yozuvida Sushil Kumar aloqa muallifi sifatida ko‘rsatilgan.
• Muassasa: Harcourt Butler Technical University, Kanpur, Hindiston
• Yaduvir Singh bo‘limi: Universitetning rasmiy yozuvida Department of Electrical Engineering
• Sushil Kumar bo‘limi: Ko‘rib chiqilgan tadqiqotning sarlavha sahifasida va mavjud SSRN qisqa ma’lumotida bo‘lim nomi aniq ko‘rsatilmagan.
• Tadqiqot yili: 2026
• Aniq kun va oy: Yuklangan matnda ochiq ko‘rsatilmagan; shu sabab aniq sana berilmagan.
• Manba turi: Peer review’dan o‘tmagan preprint tadqiqot matni
• Nashr platformasi: SSRN
• Platforma operatori: Elsevier
• Preprint DOI: 10.2139/ssrn.7196249
• Rasmiy yozuv:SSRN rasmiy tadqiqot sahifasi
• Doimiy DOI havolasi:10.2139/ssrn.7196249
• Jurnal: Peer-reviewed jurnalda nashr qilingani tasdiqlanmagan.
• Peer-review holati: Yuklangan matnning har bir sahifasida tadqiqot peer review’dan o‘tmagani ko‘rsatilgan.
• Ma’lumot manbai: BMW i3 Battery and Heating Data in Real Driving Cycles, IEEE DataPort
• Ma’lumotlar to‘plami DOI: 10.21227/6JR9-5235
• Manfaatlar to‘qnashuvi: Ko‘rib chiqilgan matnda alohida manfaatlar to‘qnashuvi bayonoti yo‘q.
• Moliyalashtirish: Ko‘rib chiqilgan matnda moliyalashtirish ma’lumoti yo‘q.
• Kod va model og‘irliklari: Ochiq manba havolasi berilmagan.

Ushbu Verianla maqolasining ilmiy mazmuni faqat yuklangan tadqiqot matni, tenglamalar, jadvallar, arxitektura sxemasi, ishlash grafiklari va xato tahlillari ko‘rib chiqilib tayyorlangan. Tashqi manbalar faqat mualliflar shaxsi, muassasa aloqasi, DOI, platforma va peer-review holatini bibliografik tarzda tasdiqlash uchun ishlatilgan. Tashqi manbalardan yangi ilmiy natija qo‘shilmagan.

Tadqiqotning asosiy natijasi bo‘lgan %2,3522 RMSE, %1,7253 MAE va 0,9754 R² qiymatlari tadqiqotchilar xabar qilgan test natijalaridir. Xom test baholari, manba kodi va o‘qitish yozuvlari ulashilmagani sabab bu qiymatlar mustaqil ravishda qayta hisoblanmagan.

Matnda ma’lumot bo‘linishi, normallashtirish usuli, model taqqoslash grafigi va ablatsiya natijasi orasida muhim nomuvofiqliklar mavjud. Bu nomuvofiqliklar sukut bilan tuzatilmagan; natijalarning ilmiy og‘irligi baholanishida ochiq ko‘rsatilgan.

Tadqiqot peer review’dan o‘tmagan. Natijalar bitta transport vositasi platformasi va bitta batareya konfiguratsiyasi bilan cheklangan. Model avtomobil darajasidagi o‘rnatilgan batareya boshqaruv tizimida real vaqtda sinovdan o‘tkazilmagan va turli batareya kimyolari bilan tashqi tasdiqlashdan o‘tmagan.