Çok Kanallı Döngüleme Verilerini Kullanarak Lityum-İyon Pil Performansını Tahmin Etmek İçin Tekrarlanabilir Bir Derin Öğrenme İş Akışı

Yitong Qu; Dongliang Zhang

doi:10.3791/71903

Yöntem makalesi

Çok Kanallı Döngüleme Verilerini Kullanarak Lityum-İyon Pil Performansını Tahmin Etmek İçin Tekrarlanabilir Bir Derin Öğrenme İş Akışı

DOI:

10.3791/71903

⸱

14 Ağustos 2026

Yitong Qu¹ , Dongliang Zhang²

¹Faculty of Science, Department of Physics, Southern University of Science and Technology, ²Homerton College, University of Cambridge

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokol, lityum iyon pilin sağlık durumunu, kalan faydalı ömrünü ve enerji depolama performansını tahmin etmek için çok kanallı döngü verileri ve mühendislik özellikleri kullanan, tekrarlanabilir bir derin öğrenme iş akışı sunmaktadır.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokol, çok kanallı döngüleme verilerini kullanarak lityum iyon pil performansını tahmin etmek için tekrarlanabilir bir derin öğrenme iş akışı sunmaktadır. Mevcut veri odaklı modellerin çok kaynaklı bilgi entegrasyonu ve özellik temsili ile ilgili sınırlamalarını gidermek için yöntem, kamuya açık beş pil veri setinden yararlanmaktadır. Girdiler; voltaj, akım, kapasite, sıcaklık, iç direnç ile kulonbik ve enerji verimliliği gibi ham operasyonel sinyallerin yanı sıra artımlı kapasite, diferansiyel voltaj ve enerji çıktısı gibi mühendislik ürünü özellikleri içermektedir. Protokol, birden fazla gözlem penceresi boyunca pil düzeyinde zamansal tensörler oluşturmak için standartlaştırılmış ön işleme prosedürlerini detaylandırmaktadır. Tekrarlanabilirliği artırmak için iş akışı; derin sinir ağları, evrişimsel sinir ağları (CNN'ler), uzun kısa süreli bellek (LSTM) ağları, CNN–LSTM ve transformer tabanlı modeller dahil olmak üzere aday sinir ağı mimarilerini sabit rastgele tohumlar, tekrarlanan değerlendirme çalıştırmaları ve ortam takibi kullanarak değerlendirmektedir. Temsili sonuçlar, entegre çok kanallı veriler ve mühendislik ürünü özelliklere sahip CNN–LSTM mimarisinin, değerlendirilen modeller arasında başarılı bir tahmin performansı sergilediğini göstermiştir. Seçilen konfigürasyon, sağlık durumu tahmini için 0,024'lük bir ortalama mutlak hata ve 0,955'lik bir R² değeri elde ederken, kalan faydalı ömür ve boşaltılabilir enerji tahmini için yüksek tahmin performansı korumuştur. Ablasyon ve sağlamlık analizleri, çok kanallı özellik entegrasyonunun katkısını ve tekrarlanan değerlendirmeler boyunca tekrarlanabilirlik odaklı iş akışının kararlılığını daha ayrıntılı olarak ortaya koymuştur. Bu standartlaştırılmış metodoloji, farklı çalışma koşulları altında pil yaşam döngüsü yönetimi ve tahminleyici modelleme için tekrarlanabilir bir çerçeve sağlamaktadır.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lityum-iyon piller; taşınabilir elektronikten şebeke ölçekli enerji depolama sistemlerine kadar uzanan uygulamalarda yüksek enerji yoğunlukları, uzatılmış döngü ömürleri ve düşük kendi kendine boşalma oranları nedeniyle küresel yenilenebilir enerjiye geçişin merkezinde yer almaktadır. Ancak, uzun süreli çalışma kaçınılmaz olarak kademeli kapasite kaybına ve artan iç dirence yol açar¹. Bu performans düşüşü sadece ekonomik fizibiliteyi azaltmakla kalmaz, aynı zamanda termal kaçak dahil olmak üzere ciddi güvenlik riskleri oluşturur. Büyük ölçekli enerji depolama sistemlerinin kurulumu hızlanmaya devam ederken, pil yaşam döngüsü yönetimi giderek daha karmaşık hale gelmiştir². Geleneksel eşik tabanlı izleme ve manuel muayene protokolleri, dinamik çalışma ortamları için yetersizdir³. Ayrıca, değişken şarj-deşarj oranları, ortam sıcaklıkları ve deşarj voltajı varyasyonları altında pilin sağlık durumunu (SOH) veya kalan faydalı ömrünü (RUL) doğru şekilde tahmin etmek için tek bir parametreye güvenmek yetersizdir⁴. Mevcut iş akışı öncelikle laboratuvar kontrollü döngü veri kümeleri kullanılarak doğrulanmış olsa da, çok kanallı mimari ve zamansal modelleme çerçevesi, gelecekte elektrikli araç uygulamalarında ve değişken çevresel ortamlarda karşılaşılan dinamik çalışma koşullarına uyarlamayı destekleyebilir.

Batarya bozulması; katı elektrolit ara faz büyümesi, aktif lityum kaybı ve elektrot malzemelerinin yapısal bozulmasıyla tetiklenen oldukça karmaşık, doğrusal olmayan bir elektrokimyasal süreçtir. Tarihsel olarak durum tahmini, eşdeğer devre modellerine veya elektrokimyasal-fiziksel kısmi diferansiyel denklemlere (PDE'lere) dayanmıştır⁵. Bu fiziksel modeller değerli mekanistik içgörüler sağlasa da, çok kanallı kuplajlı sinyalleri işlerken önemli hesaplama yükleri ve parametre tanımlama zorlukları yaşatırlar. Sonuç olarak, yüksek deşarj hızı koşulları altındaki karmaşık difüzyon kinetiği ve çevresel değişkenlik nedeniyle, bu modellerin gömülü batarya yönetim sistemlerinde (BMS'ler) gerçek zamanlı uygulamaları ciddi şekilde kısıtlanmaktadır⁶. Buna karşılık, önerilen derin öğrenme (DL) iş akışı, hesaplama talebinin çoğunu çevrimdışı eğitim aşamasında yoğunlaştırırken, eğitilmiş model uygulama sırasında nispeten hızlı çıkarım gerçekleştirir. Bu nedenle, söz konusu çerçeve, kaynak kısıtlı BMS'lerde ve uç hesaplama ortamlarında gelecekteki uygulamaları destekleyebilir.

Son zamanlarda, veri güdümlü DL yaklaşımları, olağanüstü doğrusal olmayan uydurma yetenekleri nedeniyle güçlü araçlar olarak ortaya çıkmıştır. Buna rağmen, mevcut DL metodolojileri iki temel kısıtlılık sergilemektedir. İlk olarak, birçok yaklaşım, voltaj, akım ve sıcaklık gibi çok kanallı döngüleme yanıtları arasındaki doğal uzamsal-zamansal korelasyonları ihmal ederek, öncelikle tek kapasite azalma eğrilerine veya belirli deşarj-voltaj eşiklerine dayanmaktadır. Bu kısıtlılık, çoklu koşul çalışma senaryoları altında modelin dayanıklılığını azaltmaktadır⁷. Önceki çalışmalar, karmaşık operasyonlar sırasında termal durumların ihmal edilmesinin öngörü hatalarının birikimini hızlandırabileceğini göstermiştir⁸^,⁹. İkinci olarak, uygulamalı makine öğreniminde (ML) kalıcı bir tekrarlanabilirlik sorunu mevcuttur. Deneysel koşullardaki varyasyonlar, yetersiz tanımlanmış ön işleme hatları ve keyfi olarak seçilen sinir ağı hiperparametreleri, normalde dayanıklı olan modellerin veri seti arası doğrulama sırasında sıklıkla başarısız olmasına neden olmaktadır¹⁰. Ön işleme ve erken döngü öngörüleri sırasında bilgi sızıntısı riskini azaltmak için, önerilen iş akışı; normalizasyon ölçeklendirme faktörlerini ve mühendislik ürünü özellik referanslarını, dış doğrulama ve veri seti arası değerlendirme öncesinde yalnızca eğitim veri setlerinden türetmektedir.

Bu kritik boşlukları gidermek amacıyla, bu protokolün genel hedefi, çok kanallı döngüleme verilerini kullanarak lityum iyon pil enerji depolama performansını tahmin etmek için otomatik ve yüksek düzeyde tekrarlanabilir bir DL iş akışı sunmaktır. Bu yöntemin temel mantığı, yüksek boyutlu bir sinir ağı mimarisi içinde çapraz modal zaman serisi verilerini entegre ederek, pil bozulmasıyla ilişkili karmaşık uzun vadeli bağımlılıkları açıkça yakalamaktır. Bu protokolün mevcut fizik tabanlı ve DL yaklaşımlarına göre temel avantajı, ham sinyal ön işlemeden özellik mühendisliğine, model eğitiminden belirsizlik değerlendirmesine kadar uzanan eksiksiz bir boru hattı oluşturan bütünsel standardizasyonudur. Hibrit sinir ağı mimarileri daha önce araştırılmış olsa da, mevcut iş akışı, elektrokimyasal döngüleme değişkenlerini tekrarlanabilirlik odaklı bir eğitim çerçevesi içinde tasarlanmış bozulma özellikleriyle hizalayarak standardize edilmiş çok kanallı entegrasyona vurgu yapmaktadır. Daha önce rapor edilen birçok iş akışının aksine, bu protokol, heterojen pil veri setleri ve laboratuvar ortamları genelinde tekrarlanabilirliği artırmak için standardize edilmiş parametre konfigürasyonlarını, sabit rastgele tohumları, tekrarlanan değerlendirme çalışmalarını ve kapsamlı ortam takibini içermektedir. Ek olarak iş akışı, farklı giriş konfigürasyonları genelinde tahmin kararlılığını ve performansını değerlendirmek için birden fazla sinir ağı mimarisini sistematik olarak karşılaştırmaktadır. Değerlendirilen veri setleri ve deneysel ortamlar dahilinde, evrişimli sinir ağı–uzun kısa süreli bellek (CNN–LSTM) mimarisi, yerel özellik çıkarımını uzun vadeli zamansal dizi modellemesiyle birleştirirken orta düzeyde hesaplama karmaşıklığını koruyarak, değerlendirilen bağımsız CNN ve transformer tabanlı modellere kıyasla daha iyi bir tahmin performansı göstermiştir. Bu protokol, pil yaşam döngüsü yönetimi için tekrarlanabilir ve ortama uyumlu tahmin modelleri geliştirmek isteyen araştırmacılar ve mühendisler için oldukça uygundur.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu araştırma yalnızca kamuya açık lityum iyon pil çevrim veri setlerini kullandığı ve insan katılımcıları, hayvan denekleri veya biyolojik örnekleri içermediği için kurumsal etik onay gerektirmemiştir.

1. Veri Toplama ve Organizasyon

Çok kanallı çevrim veri setlerini edinin
1. Şarj-deşarj çevrim kayıtları içeren, halka açık batarya depolarından lityum-iyon batarya çevrim veri setlerini indirin. Veri seti versiyon tutarlılığını korumak için CALCE, SANYO, PANASONIC, KOKAM ve GOTION veri setlerini doğrudan ilgili kurumsal açık erişim depolarından veya dijital nesne tanımlayıcı (DOI) bağlantılarından edinin.
2. Tam çevrim sayıları, kapasite ölçümleri ve en az bir sürekli şarj-deşarj eğrisi içeren batarya örneklerini seçin. Tek bir çevrim içinde iki saati aşan herhangi bir kesinti olmadığını ve hem sabit akım hem de sabit voltaj fazlarının tam olarak kaydedildiğini doğrulayarak sürekliliği teyit edin.
Ham çevrim kayıtlarını filtreleyin
1. Sıcaklık, iç direnç, kulon verimliliği ve enerji verimliliği ölçümleri içeren örnekleri tutmak için ham çevrim kayıtlarını filtreleyin. Sonraki çok kanallı öznitelik füzyonu tam bir fiziksel giriş değişkenleri seti gerektirdiğinden, bu zorunlu durum kanallarından yoksun olan batarya hücrelerini analiz iş akışından çıkarın.
2. Eksik kayıtlar, tutarsız zaman damgaları, tanımlanmamış test prosedürleri veya belirsiz şarj-deşarj sonlandırma koşulları içeren çevrimleri kaldırın. Ardışık çevrimler arasında %5'i aşan ani kapasite düşüşleri sergileyen, kimyaya özgü çalışma aralığının dışındaki voltaj ölçümlerine sahip olan veya monoton olmayan zaman damgası aralıkları gösteren çevrimleri anormal olarak tanımlayın.
Zamansal bir batarya veri tabanı oluşturun
1. Batarya düzeyinde bir zaman serisi veri tabanı oluşturmak için tutulan çevrim kayıtlarını kronolojik olarak düzenleyin.
2. İşlenmiş veri setlerini Hiyerarşik Veri Formatı versiyon 5 (HDF5) kullanarak saklayın. Veri seti kaynağına, kimyasal sisteme ve bireysel batarya hücresi tanımlayıcısına göre organize edilmiş standart bir dizin yapısı sürdürün.
3. Veri seti bölümlendirmeden önce bireysel batarya hücrelerine benzersiz tanımlayıcılar atayın. Tek bir fiziksel bataryadan gelen tüm ardışık çevrimlerin yalnızca tek bir veri seti alt kümesi içinde kalmasını sağlamak için eğitim-test ayrımı sırasında batarya hücresi tanımlayıcısına dayalı gruplandırma uygulayın.
  NOT: Ön işleme, normalizasyon, yeniden örnekleme veya öznitelik mühendisliği işlemlerinden önce orijinal ham veri setlerini ayrı olarak saklayın.
Gözlem pencerelerini tanımlayın
1. İlk 50 çevrimi, ilk 100 çevrimi ve toplam batarya yaşam döngüsünün ilk %20'sini kullanarak çok kanallı gözlem pencereleri oluşturun. %20'lik yaşam döngüsü eşiğini, kullanım ömrü sonu kapasite bozulmasından önceki toplam çevrim ömrünü 0.2 ile çarparak hesaplayın.
2. Tenzor oluşturma işleminden önce, her gözlem penceresi içindeki voltaj, akım, kapasite, sıcaklık, iç direnç ve verimlilik ölçümlerini hizalayın.
3. Nihai giriş yapısını; gözlem penceresi uzunluğu, 128 standartlaştırılmış çevrim içi örnekleme noktası ve sıralı çok kanallı öznitelik setinden oluşan üç boyutlu bir tenzor olarak formatlayın.

2. Veri Ön İşleme ve Öznitelik Mühendisliği

Ham döngü verilerini ön işlemeden geçirin
1. Tüm batarya kaynaklarında veri kalitesini standartlaştırmak için ham döngü veri setleri üzerinde tekdüze ön işleme gerçekleştirin. Tüm ön işleme, senkronizasyon ve standartlaştırma prosedürlerini; zaman serisi manipülasyonu için Pandas kütüphanesi ve sayısal interpolasyon için SciPy ile birlikte Python 3.10 kullanarak yürütün.
2. Aşağı akış analizinden önce aykırı değerleri kaldırın, eksik değerleri tespit edin, zaman damgalarını kalibre edin, şarj-deşarj evrelerini belirleyin ve örnekleme frekanslarını normalize edin. Anomali tespiti için 3.0'dan büyük bir reddetme kriterine sahip modifiye edilmiş bir Z-skoru eşikleme yöntemi uygulayın.
3. Tüm sayısal dizilerde NaN bayrağı tanımlaması kullanarak eksik değerleri otomatik olarak tespit edin. Pozitif akım değerlerini şarj döngülerine ve negatif akım değerlerini deşarj döngülerine atayarak, akım polaritesine göre şarj ve deşarj evrelerini ayırt edin.
4. Evre geçiş hizalaması sırasında elektrokimyasal zamansal dinamikleri korumak için eksik sinyal segmentlerini parçalı kübik Hermite interpolasyon polinomlarını kullanarak yeniden oluşturun.
Döngü eğrilerini yeniden örnekleyin
1. Veri setleri arasında örnekleme yoğunluğunda varyasyonlar veya sinyal kayması tespit edildiğinde döngü eğrilerini yeniden örnekleyin. Ardışık ölçümler arasındaki aralık, ilgili döngü evresinin medyan örnekleme frekansına göre %10'dan fazla saptığında otomatik yeniden örneklemeyi tetikleyin.
2. Platforma özgü kayıt varyasyonlarını azaltmak için her döngüdeki örnekleme noktası sayısını standartlaştırın. Tüm zamansal dizileri, tek boyutlu doğrusal interpolasyon kullanarak sabit bir uzaysal ızgara üzerine eşleyin.
3. Tenzor oluşturmadan önce her şarj-deşarj profilini tam olarak 128 eşit aralıklı örnekleme noktasına sıkıştırın veya genişletin.
Sürekli değişkenleri normalize edin
1. Ağ yakınsamasını stabilize etmek ve ölçekle ilgili yanlılığı azaltmak için model eğitiminden önce tüm sürekli değişkenleri normalize edin. Tüm sürekli değişkenleri 0 ile 1 arasında bir sayısal aralığa dönüştürmek için Min-Max ölçeklendirmesi uygulayın.
2. Tüm normalizasyon parametrelerini yalnızca eğitim veri setinden hesaplayın. Erken döngü tahmini sırasında ileriye dönük zamansal veri sızıntısı riskini azaltmak için dondurulmuş ölçeklendirme parametrelerini doğrulama ve test veri setlerine uygulayın.
Çok kanallı giriş tenzorları oluşturun
1. Her batarya için sürekli döngü kayıtlarını sabit uzunlukta zamansal segmentlere ayırın. Zamansal segmentleri; ilk 50 döngüye, ilk 100 döngüye veya batarya yaşam döngüsünün ilk %20'sine karşılık gelen önceden tanımlanmış gözlem pencerelerine göre yapılandırın.
2. Tenzor oluşturmadan önce her zamansal segment içindeki voltaj, akım, kapasite, sıcaklık, iç direnç ve verimlilik ölçümlerini hizalayın.
3. Hizalanmış özellik matrislerini; N'nin gözlem penceresi uzunluğunu, 128'in standartlaştırılmış döngü içi örnekleme noktalarını ve C'nin toplam fiziksel ve mühendislik özellik kanalı sayısını temsil ettiği (N × 128 × C) formatında üç boyutlu bir tenzor şeklinde birleştirin.
Mühendislik özelliklerini çıkarın
1. Degradasyon deseni tanımlamasını iyileştirmek için ham döngü sinyallerinden mühendislik tabanlı elektrokimyasal özellikleri çıkarın. Standartlaştırılmış örnekleme ızgarası boyunca dQ/dV ve dV/dQ değerlerini hesaplayarak artımlı kapasite ve diferansiyel voltaj özelliklerini belirleyin.
2. Yumuşatılmış artımlı kapasite ve diferansiyel voltaj eğrileri oluşturmak için Savitzky–Golay filtrelemesi uygulayın.
3. Filtrelenmiş elektrokimyasal özelliklerden; pik voltaj kaymaları, evre geçiş voltaj farkları ve döngüler arası enerji geçiş varyasyonlarını içeren degradasyon göstergelerini çıkarın.

3. Derin Öğrenme Modelinin Kurulumu ve Eğitimi

Aday tahmin modellerini oluşturun
1. Şekil 1A'da gösterilen tüm tahmin modelleri için standartlaştırılmış bir eğitim ve değerlendirme çerçevesi oluşturun. DL iş akışını PyTorch sürüm 2.0 veya üzeri kullanarak uygulayın.
2. Veri yükleme, model başlatma, optimizasyon ve değerlendirme için modüler Python betiklerini kullanarak eğitim iş akışını yürütün.
3. Lineer regresyon, rastgele orman (random forest) ve gradyan artırmalı karar ağacı (gradient-boosted decision-tree) modellerini içeren geleneksel ML temel modellerini hazırlayın. Rastgele orman modelini 100 ağaç ve 10 maksimum derinlik ile yapılandırın.
4. Gradyan artırmalı karar ağacı çerçevesini, Scikit-learn kütüphanesi aracılığıyla 0,1 öğrenme hızı ve 5 maksimum ağaç derinliği kullanarak yapılandırın.
5. Çok katmanlı perseptron, tek boyutlu CNN, LSTM ağı, CNN–LSTM ve transformer tabanlı modelleri içeren DL aday mimarilerini hazırlayın.
6. AdamW optimizasyonu, Gaussian error linear unit aktivasyon fonksiyonları, 128 gizli boyut ve 0,2 dropout oranı uygulayarak tüm DL mimarilerinde temel hiperparametreleri standartlaştırın.
CNN–LSTM mimarisini yapılandırın
1. CNN–LSTM mimarisini, giriş tensörlerinden gelen çok kanallı döngü bilgilerini birleştirecek şekilde yapılandırın (Şekil 1B). Konvolüsyonel özellik çıkarıcıyı, her biri 128 gizli birim içeren iki üst üste binmiş tekrarlayan katmana ekleyerek hibrit mimariyi oluşturun.
2. SOH, RUL ve boşaltılabilir enerjinin eşzamanlı tahmini için üç paralel tam bağlantılı regresyon başlığı kullanarak mimariyi sonlandırın.
3. Çok ölçekli lokalize özellikleri çıkarmak için çok kanallı giriş tensörlerini 3, 5 ve 7 çekirdek boyutlarına sahip üç ardışık tek boyutlu konvolüsyonel katmandan geçirin.
4. Optimizasyon sırasında gradyan stabilitesini artırmak için her konvolüsyonel katmandan sonra toplu normalizasyon (batch normalization) uygulayın.
5. Sekans modellemeden önce konvolüsyonel özellik haritalarını sürekli zamansal dizilere yeniden şekillendirin.
6. Önceden tanımlanmış gözlem pencereleri boyunca uzun vadeli bozulma bağımlılıklarını yakalamak için kodlanmış zamansal dizileri üst üste binmiş tekrarlayan katmanlara besleyin.
Model eğitimi için veri kümelerini bölüştürün
1. İşlenmiş batarya hücresi veri kümelerini 70:15:15 oranında eğitim, doğrulama ve test alt kümelerine ayırın. Veri kümesi bölme işlemini 42 sabit rastgele tohum değeri kullanarak gerçekleştirin.
2. Tüm veri kümesi alt kümelerinde dengeli bozulma dağılımlarını korumak için batarya kimyasına göre tabakalı örnekleme uygulayın.
3. Ardışık bozulma yörüngelerini korumak için veri kümesi bölme işlemini tekil döngüleri rastgele seçmek yerine kesin olarak batarya hücresi düzeyinde gerçekleştirin.
4. Veri kümeleri arasında bilgi sızıntısını önlemek için bölme sırasında her bir batarya hücresini bölünemez bir birim olarak tutun.
5. Eğitim, doğrulama ve test alt kümeleri arasındaki batarya hücresi tanımlayıcılarının kesişimini hesaplayarak ve herhangi bir örtüşme olmadığını onaylayarak veri kümesi izolasyonunu programatik olarak doğrulayın.
6. Dağılım dışı değerlendirme ve veri kümeleri arası genelleme değerlendirmesi için eksiksiz GOTION lityum demir fosfat (LFP) veri kümesini kullanarak harici bir test veri kümesi derleyin.
7. Metodolojik şeffaflığı ve tekrarlanabilirliği desteklemek için kaynak kodunu, ortam yapılandırma dosyalarını ve işlenmiş veri kümesi bölümlerini özel bir GitHub deposu üzerinden halka açık hale getirin.
Model eğitimini başlatın
1. Eğitimden önce regresyon kayıp fonksiyonunu ortalama kare hata olarak ayarlayın. Her bir tahmin hedefinden gelen kayıp değerlerini eşit ağırlıkla toplayarak genel eğitim hedefini hesaplayın.
2. Başlangıç öğrenme hızını 1 × 10⁻³ olarak belirleyin ve veri kümesi boyutuna göre 32 veya 64'lük bir toplu işlem (batch) boyutu seçin.
3. Donanım kullanımını artırmak için 5.000'den fazla döngü içeren veri kümeleri için 64'lük toplu işlem boyutu kullanın. Optimizasyon stabilitesini artırmak için daha küçük veri kümeleri için 32'lik toplu işlem boyutu kullanın.
  NOT: Farklı gözlem pencereleri boyunca yakınsama hızı ve gradyan stabilitesini dengelemek için bu hiperparametreleri öncül ızgara araması (grid-search) değerlendirmesi yoluyla seçin.
Eğitim kontrollerini uygulayın
1. Doğrulama kaybı değişikliklerine dayalı dinamik bir öğrenme hızı planlayıcısı uygulayın. Doğrulama kaybı 5 ardışık epoch boyunca iyileşmezse öğrenme hızını 0,5 faktöründe azaltın.
2. Optimizasyon sırasında 1 × 10⁻⁵ minimum öğrenme hızı eşiğini koruyun.
3. Aşırı öğrenmeyi (overfitting) azaltmak için model eğitimini maksimum 100 epoch sonra durdurun.
4. Doğrulama kaybı 15 ardışık epoch boyunca azalmazsa erken durdurma uygulayın. En iyi performans gösteren doğrulama iterasyonuna karşılık gelen model ağırlıklarını geri yükleyin.
Tekrarlanabilirlik kayıtlarını tutun
1. Model başlatma ve eğitimden önce 42 sabit rastgele tohum değeri belirleyin.
2. Belirlenmiş rastgele tohumu Python random modülü, NumPy ve PyTorch arka planında tutarlı bir şekilde uygularken deterministik olmayan CUDA işlemlerini devre dışı bırakın.
3. Her bir deneysel çalıştırma için yazılım ortamını, bağımlılık sürümlerini, parametre ayarlarını, veri bölümlerini ve eğitim çıktılarını kaydedin.
4. Tüm DL iş akışlarını, NVIDIA RTX 3090 grafik işlem birimi veya eşdeğer donanıma sahip bir iş istasyonunda CUDA 11.8 hızlandırmalı Ubuntu 22.04 kullanarak yürütün.

figure-protocol-1
Şekil 1. Çok kanallı lityum-iyon pil performans tahmini için tekrarlanabilir derin öğrenme (DL) iş akışı. (A) Çok kanallı veri toplama, standartlaştırılmış ön işleme, tensör oluşturma, model eğitimi ve pil performans göstergelerinin tahminini gösteren uçtan uca tekrarlanabilir iş akışı. Tekrarlanabilirlik kontrolleri arasında sabit rastgele tohumlar, tekrarlanan eğitim çalışmaları, parametre takibi ve ortam günlüğü tutma yer almaktadır. (B) Çok kanallı özellik çıkarımı, zamansal dizi modelleme, özellik füzyonu ile sağlık durumu (SOH), kalan faydalı ömür (RUL) ve boşaltılabilir enerji tahminleri için kullanılan CNN–LSTM hibrit mimarisi. (C) Aday model taraması, dayanıklılık değerlendirmesi, hiperparametre optimizasyonu ve nihai model seçimini gösteren değerlendirme ve dağıtım hattı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

4. Model Değerlendirmesi ve Hedef Tahmini

Model tahminlerini oluşturun
1. Hedef test-batarya veri setlerini her bir eğitilmiş model üzerinden işleyin. Çıkarım öncesinde ön işlemesi yapılmış test veri setlerini serileştirilmiş PyTorch tensörleri olarak yükleyin.
2. Değerlendirme sırasında istenmeyen parametre güncellemelerini önlemek için gradyanları devre dışı bırakan bir bağlam yöneticisi (context manager) kullanarak ileri çıkarım (forward inference) adımını gerçekleştirin.
3. Eğitilmiş regresyon başlıklarını kullanarak her bir performans göstergesi için eş zamanlı tahminler üretin.
4. SOH, RUL ve boşaltılabilir enerji tahmini için yapılandırılmış üç paralel regresyon başlığından eş zamanlı çıktıları çıkarın.
Tahmin hedeflerini hesaplayın
1. Mevcut kullanılabilir kapasiteyi başlangıç batarya kapasitesi ile karşılaştırarak SOH değerini hesaplayın.
2. Başlangıç batarya kapasitesini, ilk üç stabilizasyon döngüsü sırasında kaydedilen maksimum boşalma kapasitesi olarak tanımlayın.
3. SOH değerini, mevcut döngü kapasitesinin belirlenen başlangıç kapasitesi temel hattına oranı olarak hesaplayın.
4. Stabil batarya kapasitesinin sona erdiği operasyonel eşiği belirleyerek RUL değerini tahmin edin.
5. Ömür sonunu (end of life), batarya kapasitesinin nominal nominal kapasitenin %80'inin altına geri döndürülemez şekilde düştüğü döngü sayısı olarak tanımlayın.
6. RUL değerini, mevcut gözlem noktasından tanımlanmış ömür sonu eşiğine kadar kalan döngü sayısı olarak hesaplayın.
7. Kaydedilen boşalma koşullarından boşaltılabilir enerjiyi öngörün.
8. Trapezoid entegrasyon yöntemini kullanarak, boşalma aralığı boyunca boşalma voltajı ve boşalma akımının çarpımını sayısal olarak entegre ederek gerçek değer (ground-truth) boşaltılabilir enerjiyi hesaplayın.
Tahmin performansını değerlendirin
1. Her bir tahmin hedefi için ortalama mutlak hata (MAE), karekök ortalama kare hata (RMSE), ortalama mutlak yüzde hata (MAPE) ve belirleme katsayısını (R²) hesaplayın.
2. Tüm değerlendirme metriklerini, standartlaştırılmış istatistiksel formülasyonlarla Scikit-learn metrics modülünü kullanarak hesaplayın.
3. Değerlendirme tutarlılığını sağlamak için tüm modeller, veri setleri ve giriş yapılandırmaları genelinde aynı metrik hesaplamalarını uygulayın.
4. Genel model genellemesini değerlendirmek için bağımsız test veri seti içindeki havuzlanmış batarya örnekleri genelindeki tüm performans metriklerini birleştirin.
Tabakalı performansı raporlayın
1. Tekrarlanan deneysel çalışmalar boyunca her bir değerlendirme metriği için ortalama ve standart sapmayı hesaplayın.
2. Raporlanan istatistiksel ölçümleri beş bağımsız model başlatmasından türetin.
3. Tahmin belirsizliğini nicelleştirmek için ortalama performans metrikleriyle birlikte %95 güven aralıklarını raporlayın.
4. Model performansını farklı gözlem penceresi uzunlukları ve giriş kanalı yapılandırmaları arasında karşılaştırın.
5. Karşılaştırmalı analizi 50 döngü, 100 döngü ve 200 döngüye karşılık gelen gözlem pencerelerini kullanarak tabakalara ayırın.
6. Yalnızca kapasite girdilerinden tam çok kanallı tensör entegrasyonuna kadar uzanan birden fazla giriş yapılandırması genelinde tahmin performansını değerlendirin. Değerlendirme, sağlamlık tarama ve dağıtım seçim iş akışı için Şekil 1C'ye bakın.

5. Tekrarlanabilirlik, Sağlamlık ve Hassasiyet Analizi

Tekrarlanabilirliği ve sağlamlığı doğrulayın
1. Şekil 2A'da gösterilen tüm tekrarlanabilirlik değerlendirmeleri boyunca aynı veri bölümlerini, ön işleme iş akışlarını ve deneysel prosedürleri koruyun.
2. Tekrarlanabilirlik tutarlılığını değerlendirmek için tekrarlanan denemeler genelindeki temel değerlendirme metriklerinin varyasyon katsayısını hesaplayın.
3. Tüm değerlendirme prosedürlerini aynı standartlaştırılmış eğitim ve test iş akışını kullanarak tekrarlayın.
4. Aynı deterministik veri yükleme ve karıştırma prosedürlerini korurken, her tekrarlanan değerlendirmeyi randomize ağ ağırlıklarıyla başlatın.
Tekrarlanan eğitim deneyleri gerçekleştirin
1. Tekrarlanabilir ağırlık başlatmayı sağlamak için önceden tanımlanmış sabit rastgele tohum değerlerini kullanarak, tahmin modellerini özdeş deneysel koşullar altında defalarca eğitin.
2. Veriye dayalı değişkenliği azaltmak için özdeş veri seti bölümlerini kullanarak beş bağımsız eğitim yürütümü gerçekleştirin.
3. Beş tekrarlanan eğitim yürütümünden elde edilen değerlendirme metriklerinin ortalamasını alarak nihai performans metriklerini hesaplayın.
4. Ham tahmin tensörlerini birleştirmek yerine, ortalama değerlendirme skorlarını kullanarak nihai sağlamlık metriklerini birleştirin.
Hiperparametre hassasiyetini değerlendirin
1. Hassasiyet analizi sırasında öğrenme oranını, grup boyutunu, gizli katman boyutunu ve dropout oranını tek tek değiştirin.
2. 1 × 10⁻⁴ ile 1 × 10⁻² arasında değişen öğrenme oranlarını, 32 ile 128 arasında değişen grup boyutlarını, 32 ile 256 arasında değişen gizli boyutları ve 0,1 ile 0,5 arasında değişen dropout oranlarını değerlendirin.
3. Her hiperparametre ayarından sonra tahmin doğruluğundaki ilgili değişiklikleri kaydedin.
4. Tahmin performansı varyasyonunu RMSE ve R² kullanarak nicelendirin.
Öznitelik eksiltme analizi gerçekleştirin
1. Sıcaklık, iç direnç ve mühendislik ürünü öznitelik vektörleri dahil seçili giriş kanallarını çok kanallı giriş akışından çıkarın.
2. Kalan çok kanallı giriş yapısını korurken, her seferinde bir öznitelik grubunu çıkararak "birini dışarıda bırakma" (leave-one-out) stratejisiyle öznitelik eksiltme gerçekleştirin.
3. Bireysel öznitelik gruplarının model stabilitesine ve doğruluğuna katkısını değerlendirmek için her öznitelik çıkarma deneyinden sonra ortaya çıkan tahmin performansını karşılaştırın.
4. Tam entegre çok kanallı temel modele kıyasla ortalama mutlak hatadaki yüzde artışı hesaplayarak her öznitelik grubunun göreceli katkısını nicelendirin. Sağlamlık değerlendirme ve hassasiyet analizi iş akışı için Şekil 2B'ye bakın.

figure-protocol-2
Şekil 2. Standardize edilmiş ön işleme, dayanıklılık değerlendirmesi ve duyarlılık analizi iş akışı. (A) Ham döngü sinyali işleme, zaman damgası kalibrasyonu, aykırı değerlerin temizlenmesi, yeniden örnekleme, normalizasyon, kanal hizalama ve tensör oluşturmayı gösteren standardize edilmiş çok kanallı ön işleme iş akışı. Giriş temsil stratejileri; tek kanallı girişleri, çok kanallı ham girişleri ve mühendislik ürünü özelliklerle birleştirilmiş çok kanallı girişleri karşılaştırır. (B) Sistematik hiperparametre pertürbasyonunu, tekrarlanan çalışma değerlendirmesini, özellik ablasyon analizini, çapraz doğrulamayı ve CNN–LSTM iş akışının dış doğrulamasını gösteren dayanıklılık ve duyarlılık analizi hattı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Çok Kanallı Döngü Sinyalleri ve Veri Dağılımı

Lityum-iyon pillerin çevrim tepki davranışlarını karakterize etmek için temsilci çok kanallı çevrim sinyalleri ve performans dağılımları analiz edilmiştir. Çalışmada, lityum kobalt oksit (LCO), nikel kobalt alüminyum oksit (NCA), nikel mangan kobalt oksit (NMC) ve LFP dahil olmak üzere birden fazla kimyasal sistemi temsil eden beş lityum-iyon pil veri seti kullanılmıştır (Table 1). Gerilim, akım, kapasite, sıcaklık, iç direnç ve coulombik veya enerji verimliliği gibi temel çevrim değişkenleri, çok kanallı bir karakterizasyon çerçevesi oluşturmak için artımlı kapasite ve diferansiyel gerilim karakteristikleri gibi mühendislik özellikleriyle entegre edilmiştir. CALCE veri seti için kapasite-gerilim profilleri ve SOH dağılımları (Figure 3A), SANYO veri seti için ortalama gerilim profilleri ve SOH dağılımları (Figure 3B), PANASONIC veri seti için yaşlanma yörüngeleri (Figure 3C), KOKAM veri seti için gerilim-evrim ısı haritaları (Figure 3D) ve GOTION veri seti için gerilim-dağılım profilleri (Figure 3E), değerlendirilen pil kimyaları genelinde belirgin bozunma davranışları sergilemiştir. Örneğin, GOTION IFP20100140A veri seti, genellikle LFP sistemleriyle ilişkilendirilen basamak benzeri gerilim özellikleri gösterirken, PANASONIC NCR18650BD veri seti, uzun süreli çevrim sırasında gerilim profili kaymalarıyla birlikte seyreden aşamalı kapasite bozunması sergilemiştir.

Veri Kümesi Kimliği	Pil Tipi / Modeli	Kimya	Biçim	Hücre Sayısı	Analiz Edilen Toplam Döngü Sayısı	Kullanılan Erken Döngü Pencereleri	Döngü Başına Örnekleme Noktaları	Temel Döngü Kanalları	Ek Durum Kanalları	Türetilmiş Özellikler	Tahmin Hedefleri
Veri Seti #1	CALCE LCO bataryası	LCO	Kese	38	4,216	İlk 50, ilk 100, ilk %20 ömür	128	Gerilim, akım, zaman, kapasite	Sıcaklık, iç direnç	dQ/dV, dV/dQ, şarj süresi, deşarj enerjisi	SOH, RUL, boşaltılabilir enerji
Veri Seti #2	SANYO UR18650E	NCA	Silindirik 18650	24	2,487	İlk 50, ilk 100, ilk %20 ömür	128	Voltaj, akım, zaman, kapasite	Sıcaklık, kulombik verimlilik	dQ/dV, voltaj platosu eğimi, enerji verimliliği	SOH, RUL, boşaltılabilir enerji
Veri Seti #3	PANASONIC NCR18650BD	NCA	Silindirik 18650	42	5,134	İlk 50, ilk 100, ilk %20 ömür	128	Gerilim, akım, zaman, kapasite	Sıcaklık, iç direnç, kulonbik verimlilik	dQ/dV, dV/dQ, şarj süresi, enerji geçirgenliği	SOH, RUL, boşaltılabilir enerji
Veri Kümesi #4	KOKAM SLPB533459H4	NMC	Kese	19	1,968	İlk 50, ilk 100, ilk %20 ömür	128	Voltaj, akım, zaman, kapasite	Sıcaklık, iç direnç	dQ/dV, deşarj süresi, voltaj eğimi	SOH, RUL, boşaltılabilir enerji
Veri Seti #5	GOTION IFP20100140A	LFP	Prizmatik	57	6,482	İlk 50, ilk 100, ilk %20 ömür	128	Gerilim, akım, zaman, kapasite	Sıcaklık, iç direnç, enerji verimliliği	dQ/dV, plato süresi, şarj/deşarj enerjisi	SOH, RUL, boşaltılabilir enerji

Tablo 1: Yeniden üretilebilir DL iş akışında kullanılan lityum-iyon pil veri setlerinin özellikleri, çok kanallı döngü değişkenleri, mühendislik ürünü özellikler ve tahmin hedefleri. Tablo; pil kimyası, hücre formatı, hücre sayısı, analiz edilen toplam döngü sayısı, gözlem pencereleri, örnekleme yoğunluğu, çok kanallı döngü değişkenleri, mühendislik ürünü elektrokimyasal özellikler ve model geliştirme ile değerlendirme için kullanılan tahmin hedefleri dahil olmak üzere bu çalışmaya dahil edilen lityum-iyon pil veri setlerini özetlemektedir. Kısaltmalar: SOH = sağlık durumu; RUL = kalan faydalı ömür; LCO = lityum kobalt oksit; NCA = nikel kobalt alüminyum oksit; NMC = nikel mangan kobalt oksit; LFP = lityum demir fosfat.

figure-results-1
Şekil 3. Lityum-iyon batarya veri setleri genelindeki temsilci çok kanallı döngü profilleri ve batarya sağlık dağılımları. (A) CALCE lityum kobalt oksit veri seti için kapasite-gerilim profilleri ve SOH dağılımları. (B) SANYO nikel kobalt alüminyum oksit veri seti için ortalama gerilim profilleri ve SOH dağılımları. (C) PANASONIC nikel kobalt alüminyum oksit veri seti için yaşlanma yörüngeleri ve kümülatif SOH dağılımları. (D) KOKAM nikel manganez kobalt oksit veri seti için gerilim evrimi ısı haritaları ve SOH örnek dağılımları. (E) GOTION lityum demir fosfat veri seti için gerilim dağılım profilleri ve SOH ile iç direnç ilişkileri. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Enerji Depolama İçin Genel Öngörücü Performans

Önerilen iş akışı, tüm değerlendirme görevleri boyunca düşük tahmin hataları ve tutarlı öngörü performansı göstermiştir (Tablo 2). SOH tahmini için model, doğrulama veri setinde 0,021 ve test veri setinde 0,024 MAE değerlerine ulaşmış; bunlara karşılık gelen R² değerleri ise 0,962 ve 0,955 olarak belirlenmiştir. Bu sonuçlar, değerlendirilen koşullar altında sürekli batarya sağlığı tahmini için istikrarlı bir öngörü performansına işaret etmektedir. İş akışı ayrıca, RUL ve boşaltılabilir enerji tahmini için de güvenilir bir öngörü kapasitesi sergileyerek test veri setinde sırasıyla 0,927 ve 0,941 R² değerlerine ulaşmıştır. Tahmin stabilitesini daha ayrıntılı değerlendirmek amacıyla, tüm performans metrikleri, özdeş veri seti bölümleri kullanılarak beş bağımsız model başlatması üzerinden hesaplanmıştır. Tekrarlanan değerlendirmeler sonucunda elde edilen standart sapma ve varyasyon katsayısı değerlerinin düşük kalması, stokastik başlatmaya karşı sınırlı bir hassasiyet olduğunu ve tekrarlanan eğitim koşulları altında istikrarlı bir öngörü davranışı sergilendiğini göstermiştir. Ek olarak, %95 güven aralıkları tekrarlanan çalıştırmalar boyunca dar bir değişkenlik göstermiş, bu da önerilen çok kanallı iş akışının sağlamlığını ve tekrarlanabilirliğini desteklemiştir.

Öngörü Görevi	Veri Kümesi Bölme	Ortalama Mutlak Hata	Kök Ortalama Kare Hata	MAPE (%)	R²
SOH tahmini	Doğrulama	0.021	0.029	2.47	0.962
SOH tahmini	Test	0.024	0.033	2.83	0.955
Kalan Faydalı Ömür (RUL) tahmini	Doğrulama	18.6	25.9	8.74	0.938
Kalan Faydalı Ömür (RUL) tahmini	Test	21.4	29.7	9.63	0.927
Deşarj edilebilir enerji tahmini	Validasyon	0.087	0.121	3.18	0.948
Deşarj edilebilir enerji tahmini	Test	0.094	0.129	3.56	0.941

Tablo 2: Doğrulanmış ve test veri kümeleri genelinde lityum-iyon pil performans tahmini için tekrarlanabilir DL iş akışının tahmin performansı.Tablo, önerilen iş akışının SOH tahmini, RUL tahmini ve boşaltılabilir enerji tahmini için doğrulama ve test veri kümelerini kullanarak sergilediği tahmin performansını özetlemektedir. Performans metrikleri arasında ortalama mutlak hata (MAE), kare kök ortalama kare hata (RMSE), ortalama mutlak yüzde hata (MAPE) ve belirleme katsayısı (R²) yer almaktadır. Kısaltmalar: SOH = sağlık durumu; RUL = kalan faydalı ömür; MAE = ortalama mutlak hata; RMSE = kare kök ortalama kare hata; MAPE = ortalama mutlak yüzde hata.

DL Mimarileri Arasındaki Performans Karşılaştırması

Farklı ağ mimarileri ve giriş konfigürasyonları genelindeki değerlendirmeler, öngörücü performansta önemli varyasyonlar olduğunu göstermiştir (Tablo 3). Tekrarlanabilirlik tabanlı mimari seçiminden önceki ve sonraki RMSE dağılımları Şekil 4A'da gösterilmiştir. Derin sinir ağı mimarisi, sekans tabanlı ve hibrit mimarilere kıyasla nispeten daha yüksek MAE ve RMSE değerleri üretmiştir. Farklı çok kanallı giriş konfigürasyonları arasındaki karşılaştırmalar Şekil 4B'de özetlenmiştir. Hem yerel özellik çıkarımını hem de döngüler arası zamansal modellemeyi içeren modeller, değerlendirilen koşullar altında gelişmiş öngörücü doğruluk göstermiştir. Daha düşük öngörü değişkenliği sergileyen modeller, genel olarak daha düşük standart sapmalarla daha yüksek ortalama performans skorlarında kümelenmiştir (Şekil 4C). Değerlendirilen giriş konfigürasyonları genelindeki ortalama performans ve standart sapma ilişkileri Şekil 4D'de örneklendirilmiştir. Test edilen konfigürasyonlar arasında, CNN–LSTM mimarisi değerlendirilen veri setleri ve deneysel düzenekler dahilinde en düşük MAE (0.024) ve en yüksek R² değerine (0.955) ulaşmıştır. Ek olarak, mühendislik ürünü özelliklerin tam çok kanallı girişlerle entegre edilmesi MAE değerini 0.961'lik bir R² değeri ile 0.022'ye düşürürken, yalnızca kapasiteye dayalı girişler azalmış öngörücü performans sergilemiştir.

Kategori	Model / Giriş Konfigürasyonu	MAE	RMSE	MAPE (%)	R²
Derin öğrenme mimarisi	DNN	0.031	0.042	3.58	0.928
	CNN	0.027	0.037	3.14	0.941
	LSTM	0.026	0.036	3.05	0.944
	CNN–LSTM	0.024	0.033	2.81	0.955
	Transformer	0.025	0.034	2.89	0.951
Giriş konfigürasyonu	Yalnızca kapasite	0.034	0.046	3.92	0.916
	Voltaj + akım	0.029	0.039	3.29	0.936
	Tam çok kanallı giriş	0.024	0.033	2.83	0.955
	Çok kanallı + türetilmiş özellikler	0.022	0.031	2.61	0.961

Tablo 3: Farklı DL mimarileri ve giriş konfigürasyonları arasında tahmin performansının karşılaştırılması. Tablo, tekrarlanabilir çok kanallı iş akışında kullanılan farklı DL mimarilerinin ve giriş konfigürasyonlarının tahmin performansını karşılaştırmaktadır. Performans metrikleri arasında ortalama mutlak hata (MAE), karekök ortalama kare hata (RMSE), ortalama mutlak yüzde hata (MAPE) ve belirleme katsayısı (R²) yer almaktadır. Kısaltmalar: DNN = derin sinir ağı; CNN = evrişimli sinir ağı; LSTM = uzun kısa süreli bellek; MAE = ortalama mutlak hata; RMSE = karekök ortalama kare hata; MAPE = ortalama mutlak yüzde hata.

figure-results-2
Şekil 4. Model mimarilerinin ve giriş konfigürasyonlarının tekrarlanabilirlik odaklı karşılaştırması. (A) Tekrarlanabilirlik tabanlı mimari seçiminden önce ve sonraki ortalama karekök hata dağılımları. (B) Kararlı model seçiminden önce ve sonra farklı giriş konfigürasyonlarındaki ortalama karekök hata dağılımları. (C) Aday model mimarilerinin ortalama performans ile standart sapma karşılaştırması; renkler ortalama karekök hatayı, açık daireler ise seçilen kararlı modelleri belirtmektedir. (D) Giriş konfigürasyonlarının ortalama performans ile standart sapma karşılaştırması; renkler ortalama karekök hatayı, açık daireler ise seçilen optimal konfigürasyonları belirtmektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Hata Dağılımı ve Tutarlılık Değerlendirmesi

Geleneksel ML baz çizgileri ve DL mimarileri genelindeki tahmin kararlılığını değerlendirmek için mutlak hata dağılımları analiz edilmiştir. Geleneksel ML baz çizgileri, daha geniş hata dağılımları ve uzamış yüksek hata kuyrukları sergilemiş; bu durum karmaşık bozulma deseni tahmin görevleri için azalmış kararlılığa işaret etmiştir. Değerlendirilen DL modelleri arasında, CNN–LSTM mimarisi karşılaştırıldığında daha dar hata dağılımları ve daha kısa yüksek hata kuyrukları göstermiş; bu da yerel özellik çıkarımı ile zamansal dizi modellemesinin daha iyi entegre edildiğini ortaya koymuştur (Şekil 5). Sıcaklık, iç direnç ve verimlilikle ilgili değişkenlerin dahil edilmesi, değerlendirilen veri setlerinde tahmin hatası dağılımında kademeli azalmalarla ilişkilendirilmiştir.

figure-results-3
Şekil 5. Geleneksel makine öğrenimi (ML) temel modelleri ve çok kanallı DL modelleri için mutlak hata dağılımları. Geleneksel ML temel modelleri, DL mimarileri ve çok kanallı giriş konfigürasyonları arasındaki mutlak tahmin hatalarının dağılımını karşılaştıran keman grafikleri. Siyah çizgiler ortalama mutlak hatayı, renkli çizgiler ise ortalama ± standart sapmayı göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Doğrulama Senaryoları Arasında Tekrarlanabilirlik ve Dayanıklılık

İş akışı, tekrarlanan eğitim çalışmaları ve birden fazla doğrulama stratejisi boyunca tutarlı bir öngörü performansı sergilemiştir (Tablo 4). Sabit veri bölümleri ve sabit rastgele tohum başlangıci kullanılarak gerçekleştirilen tekrarlı çalışmalar, R² değerlerinin sürekli olarak 0,95'in üzerinde kaldığı ve MAE'de düşük standart sapmaların olduğu stabil performans metrikleri üretmiştir. Beş katlı çapraz doğrulama ve harici doğrulama veri setleri kullanılarak yapılan ek değerlendirmeler, tekrarlanan deneysel koşullar arasında sınırlı performans varyasyonu olduğunu göstermiştir. Harici doğrulama aşamasında, model eğitimi ve hiperparametre optimizasyon prosedürlerinden tamamen hariç tutulan GOTION veri seti özel olarak kullanılmıştır. Bu veri seti farklı bir LFP kimyasını ve prizmatik hücre konfigürasyonunu temsil ettiğinden, harici değerlendirme, heterojen elektrokimyasal ve yapısal koşullar altında veri setleri arası genelleme yeteneğinin titiz bir değerlendirmesini sağlamıştır. Ek olarak, varyasyon katsayısı analizleri ve tekrarlı çalışma değerlendirmeleri, bağımsız deneyler arasında düşük öngörü dağılımı olduğunu göstererek önerilen çok kanallı iş akışının sağlamlığını ve tekrarlanabilirliğini desteklemiştir.

Doğrulama Ayarı	Performans Metriği	Ortalama	SD	Minimum	Maksimum	Varyasyon Katsayısı (%)
Sabit veri ayrımıyla tekrarlanan çalışmalar (n = 5)	Ortalama Mutlak Hata	0.023	0.0021	0.021	0.026	9.13
	Kök Ortalama Kare Hatası	0.032	0.0028	0.029	0.036	8.75
	MAPE (%)	2.76	0.24	2.48	3.11	8.7
	R²	0.957	0.006	0.949	0.964	0.63
Farklı rastgele başlangıç değerleri (seed) ile tekrarlanan çalışmalar (n = 5)	MAE	0.024	0.0024	0.021	0.027	10
	Kök Ortalama Kare Hata (RMSE)	0.033	0.0031	0.029	0.037	9.39
	MAPE (%)	2.84	0.27	2.52	3.19	9.51
	R²	0.954	0.007	0.946	0.962	0.73
Beş katlı çapraz doğrulama	MAE	0.025	0.003	0.022	0.029	12
	Kök Ortalama Kare Hata	0.034	0.0034	0.03	0.039	10
	MAPE (%)	2.95	0.31	2.57	3.41	10.51
	R²	0.951	0.009	0.94	0.961	0.95
Dış doğrulama	MAE	0.027	0.0032	0.023	0.031	11.85
	Kök Ortalama Kare Hata (RMSE)	0.037	0.0038	0.032	0.042	10.27
	MAPE (%)	3.18	0.35	2.76	3.67	11.01
	R²	0.944	0.011	0.931	0.956	1.17

Tablo 4: Önerilen çok kanallı DL iş akışının tekrarlanan eğitim çalışmaları ve doğrulama stratejileri genelinde tekrarlanabilirlik ve dayanıklılık analizi.Tablo, önerilen iş akışının sabit veri bölümleriyle tekrarlanan çalışmalar, farklı rastgele tohumlarla tekrarlanan çalışmalar, beş katlı çapraz doğrulama ve harici doğrulama altındaki tekrarlanabilirlik ve dayanıklılık performansını özetlemektedir. Performans metrikleri arasında ortalama mutlak hata (MAE), kare ortalama karekök hatası (RMSE), ortalama mutlak yüzde hata (MAPE), belirleme katsayısı (R²), standart sapma (SD) ve varyasyon katsayısı yer almaktadır. Kısaltmalar: MAE = ortalama mutlak hata; RMSE = kare ortalama karekök hatası; MAPE = ortalama mutlak yüzde hata; SD = standart sapma.

Hiperparametre Duyarlılığı ve Özellik Ablasyonu

Hiperparametre duyarlılık analizi; tahmin performansının gözlem penceresi boyutlarına, aktivasyon fonksiyonlarına, gizli boyut büyüklüklerine ve sekans modeli derinliklerine göre farklılık gösterdiğini ortaya koymuştur. Gözlem penceresi boyutunun tahmin hatası dağılımları üzerindeki etkisi Şekil 6A'da gösterilmiştir. Değerlendirilen koşullar altında, 100 ile 200 döngü arasındaki gözlem pencereleri daha düşük tahmin hatalarıyla ilişkilendirilirken, daha uzun gözlem pencereleri tahmin doğruluğunda azalan iyileşmeler sergilemiştir. Aktivasyon fonksiyonuna bağlı tahmin değişkenliği Şekil 6B'de özetlenmiştir. Değerlendirilen koşullar altında, Doğrultulmuş Doğrusal Birim (ReLU) ve Gauss Hata Doğrusal Birimi (GELU) aktivasyon fonksiyonları, alternatif aktivasyon fonksiyonlarına kıyasla daha düşük tahmin hataları göstermiştir. Tahmin performansının gizli boyut büyüklüğüne ve sekans modeli derinliğine olan duyarlılığı Şekil 6C'de gösterilmiştir. 128'lik gizli boyutlar ve iki ila üç sekans modelleme katmanı iyileşmiş tahmin performansı ile ilişkilendirilirken, sığ mimariler ve azaltılmış gizli boyutlar artan tahmin hatası ile ilişkilendirilmiştir. Özellik ablation analizi, mühendislik ürünü özelliklerin veya verimlilikle ilgili değişkenlerin çıkarılmasının, tam çok kanallı konfigürasyona kıyasla MAE değerini artırdığını (Tablo 5) göstermiştir; bu durum, birleştirilmiş çok kanallı girişlerin ve mühendislik ürünü elektrokimyasal özelliklerin iyileşmiş tahmin performansına katkıda bulunduğunu göstermektedir.

figure-results-4
Şekil 6. Tahmin performansının hiperparametre varyasyonuna duyarlılığı. (A) Giriş penceresi boyutunun tahmin hatası dağılımı üzerindeki etkisi. (B) Aktivasyon fonksiyonu seçiminin tahmin hatası dağılımı üzerindeki etkisi. (C) Tahmin duyarlılığını gizli boyut büyüklüğüne ve sekans modeli katman sayısına göre gösteren ısı haritası. Siyah çizgiler ortalama mutlak hatayı, renkli çizgiler ise uygun olan yerlerde ortalama ± standart sapmayı belirtir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Kategori	Ayarlar	MAE	RMSE	MAPE (%)	R²
Giriş penceresi boyutu	20 döngü	0.031	0.043	3.74	0.927
	50 döngü	0.026	0.036	3.08	0.944
	100 döngü	0.023	0.032	2.71	0.957
	150 döngü	0.022	0.031	2.63	0.96
	200 döngü	0.022	0.031	2.59	0.961
	250 döngü	0.023	0.032	2.67	0.958
	300 döngü	0.024	0.033	2.79	0.955
Aktivasyon fonksiyonu	ReLU	0.023	0.032	2.74	0.957
	GELU	0.022	0.031	2.61	0.961
	Tanh	0.026	0.036	3.05	0.946
	Sigmoid	0.034	0.047	3.96	0.918
Gizli Boyut / Katman başına Kanallar	32	0.028	0.039	3.22	0.939
	64	0.024	0.033	2.81	0.954
	128	0.022	0.031	2.58	0.961
	256	0.023	0.032	2.69	0.958
Dizi Modelleme Katman Sayısı	1	0.027	0.038	3.14	0.942
	2	0.023	0.032	2.73	0.956
	3	0.022	0.031	2.6	0.961
	4	0.024	0.034	2.86	0.952
Öznitelik ablasyonu	Tam çok kanallı + mühendislik ürünü öznitelikler	0.022	0.031	2.61	0.961
	Mühendislik ürünü öznitelikler olmadan	0.024	0.033	2.84	0.955
	Sıcaklık olmadan	0.025	0.034	2.93	0.951
	İç direnç olmadan	0.026	0.035	3.01	0.949
	Verimlilikle ilgili değişkenler olmadan	0.025	0.034	2.95	0.95
	Sadece voltaj + akım	0.029	0.039	3.29	0.936
	Sadece kapasite	0.034	0.046	3.92	0.916

Tablo 5: Farklı hiperparametre ayarları ve özellik-ablasyon konfigürasyonları altında model performansının hassasiyet analizi.Tablo; giriş penceresi boyutu, aktivasyon fonksiyonu, gizli boyut büyüklüğü, sekans-model derinliği ve özellik-ablasyon stratejilerinin, önerilen çok kanallı DL iş akışı içerisindeki tahmin performansı üzerindeki etkilerini özetlemektedir. Performans metrikleri arasında ortalama mutlak hata (MAE), karekök ortalama kare hata (RMSE), ortalama mutlak yüzde hata (MAPE) ve belirleme katsayısı (R²) yer almaktadır. Kısaltmalar: MAE = ortalama mutlak hata; RMSE = karekök ortalama kare hata; MAPE = ortalama mutlak yüzde hata; ReLU = doğrultulmuş doğrusal birim; GELU = Gauss hatası doğrusal birimi.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokolde açıklanan tekrarlanabilir DL iş akışı, çok kanallı döngü verilerini kullanarak lityum iyon pil performansının doğru tahminini göstermiştir. İş akışı, değerlendirilen deneysel koşullar altında SOH tahmini için 0,024 test MAE ve 0,955 R² değerine ulaşarak, pil yaşam döngüsü yönetimi ve enerji depolama izleme uygulamaları için potansiyel faydasını desteklemiştir¹¹^,¹²^,¹³.

Bu protokolün temel bir avantajı, geleneksel elektrokimyasal-fiziksel PDE modellerine kıyasla hesaplama karmaşıklığının azalmış olmasıdır⁵. Fizik tabanlı yaklaşımlar batarya bozulmasına ilişkin mekanistik içgörüler sağlasa da, yüksek hızda deşarj koşulları ve çok kanallı çalışma ortamlarında genellikle parametre tanımlama zorluklarıyla karşılaşırlar. Buna karşın, mevcut veri güdümlü iş akışı, hücre kimyasının açık fizik tabanlı parametrelendirilmesine gerek duymadan, döngü verilerinden doğrudan doğrusal olmayan bozulma davranışını modeller¹⁴. Değerlendirilen veri kümeleri ve deneysel düzenekler dahilinde, CNN–LSTM mimarisi; değerlendirilen bağımsız CNN, LSTM ve transformer tabanlı modellerle kıyaslandığında geliştirilmiş bir öngörü performansı sergilemiştir. Güncel çalışmalar, transformer mimarilerinin belirsizlik tahmini ile bozulma öngörüsündeki etkinliğinin¹⁵ yanı sıra CNN'lerin heterojen şarj verilerini kullanarak gizliliği koruyan batarya hatası öngörü yeteneğini¹⁶ ortaya koymuştur. Bununla birlikte, mevcut iş akışında CNN–LSTM mimarisine öncelik verilmiştir; çünkü bu mimari, değerlendirilen laboratuvar koşulları altında öngörü doğruluğu, hesaplama verimliliği ve eğitim kararlılığının dengeli bir kombinasyonunu sunmuştur. Konvolüsyonel katmanlar, döngü eğrilerinden yerelleştirilmiş morfolojik özellikleri çıkarırken, LSTM katmanları tekrarlanan döngü modelleri boyunca uzun vadeli zamansal bağımlılıkları modellemiştir¹⁷^,¹⁸. Hibrit mimari, tek ağ yapılı yapılara kıyasla model karmaşıklığını artırsa da, hesaplama gereksinimleri değerlendirilen deneysel koşullar altında pratik batarya yönetim sistemi dağıtım senaryolarıyla uyumlu kalmıştır. Hesaplama maliyetinin büyük çoğunluğu çevrimdışı model eğitimi sırasında oluştuğu için, çıkarım aşaması nispeten hafif kalmakta; bu da bulut tabanlı hesaplamalara sürekli bağımlılık olmaksızın gerçek zamanlı araç üstü öngörü ve kenar düzeyinde batarya durumu izlemeninin fizibilitesini desteklemektedir.

Bu protokolün performansı, birkaç kritik ön işleme ve giriş yapılandırma adımına güçlü bir şekilde bağlıdır. İlk olarak, çok kanallı döngüleme sinyalleri arasındaki zamansal ilişkilerin korunması için titiz sekans hizalama ve yeniden örnekleme prosedürleri (Adım 2.2) gereklidir. Ön değerlendirmeler sırasında, yanlış hizalanmış çok kanallı sekansların, azalmış öngörücü stabilite ve artmış model hatası ile ilişkili olduğu görülmüştür. İkinci olarak, diferansiyel voltaj özellikleri gibi mühendislik ürünü elektrokimyasal özelliklerin ham döngüleme sinyalleriyle entegrasyonu, öngörücü performansın iyileşmesine katkıda bulunmuştur. Özellik eksiltme (ablation) analizi, mühendislik ürünü özelliklerin sıcaklık ve iç direnç değişkenleriyle birlikte korunduğunda daha düşük ortalama mutlak hata değerleri ortaya koymuştur¹⁹. Ayrıca, mühendislik ürünü elektrokimyasal tanımlayıcıların çok kanallı zamansal özelliklerle birleştirilmesi, modelin farklı çalışma koşulları altındaki karmaşık bozunma modellerini yakalama yeteneğini geliştirmiştir²⁰^,²¹^,²². Bu çalışmada uygulanan kritik bir metodolojik önlem, normalizasyon ölçeklendirme faktörlerinin ve özellik mühendisliği referans noktalarının kesin izolasyonu olmuştur. Tüm istatistiksel normalizasyon parametreleri ve mühendislik ürünü özellik hesaplamaları, doğrulama ve test veri setlerine uygulanmadan önce yalnızca eğitim veri setinden türetilmiştir. Bu prosedür, erken döngü tahminleri ve veri setleri arası değerlendirmeler sırasında bilgi sızıntısı riskini azaltarak, öngörücü iş akışının güvenilirliğini ve tekrarlanabilirliğini artırmıştır.

Bu protokol uygulanırken veya modifiye edilirken, CNN–LSTM optimizasyonu sırasında eğitim instabilitesi veya gradyanla ilgili sorunlar meydana gelebilir. Yakınsamayan veya NaN değerleri üreten kayıp fonksiyonları, yinelemeli dizi modelleme katmanlarında gradyan patlamasına işaret edebilir. Bu durumlarda, gradyan kırpma (gradient clipping), başlangıç öğrenme hızının 1 × 10⁻³ değerinden 1 × 10⁻⁴ değerine düşürülmesi veya parti boyutunun (batch size) makul ölçüde artırılması, gradyan güncellemelerini yumuşatarak eğitim stabilitesini iyileştirebilir. Ayrıca, derin zamansal dizi modelleme sırasında ReLU ve GELU aktivasyon fonksiyonlarının, sigmoid veya hiperbolik tanjant aktivasyon fonksiyonlarına kıyasla daha iyi gradyan yayılımı sağladığı görülmüştür. Bu nedenle, bu çalışmada sunulan hiperparametre duyarlılık analizleri, araştırmacıların farklı eğitim koşulları altında iş akışı stabilitesini ve öngörü performansını optimize etmelerine yardımcı olabilir²³.

Değerlendirilen koşullar altında elde edilen öngörücü performansa rağmen, bu protokolün çeşitli sınırlamaları bulunmaktadır. Mevcut iş akışı, öncelikle laboratuvar kontrollü sabit akım/sabit voltaj döngüsü veri setleri kullanılarak doğrulanmıştır. Pratik elektrikli araç uygulamalarında bataryalar, bozunma özelliklerini değiştirebilen stokastik şarj-deşarj davranışlarına, değişken kullanıcı işletim modellerine ve dalgalanan çevresel koşullara maruz kalır. Bu tür dinamik çalışma koşulları altında, veri odaklı batarya modelleri, daha önce gözlemlenmemiş bozunma yollarının veya çevresel koşulların öngörücü güvenilirliği azalttığı dağılım dışı senaryolarla karşılaşabilir. Pratik uygulama ortamlarında dayanıklılığı artırmak için, bu iş akışının gelecekteki uygulamaları, batarya durumu öngörülerinin yanı sıra kalibre edilmiş güven sınırları sağlamak amacıyla kanıtsal DL veya kuantil regresyon çerçeveleri gibi belirsizlik nicelendirme stratejilerini içerebilir. Ek olarak, etki alanı adaptasyonu ve transfer öğrenme yaklaşımları, laboratuvarda oluşturulan bozunma yolları ile gerçek dünyadaki döngü davranışı arasındaki dağılım farkını kapatmaya yardımcı olabilir²⁴. Federatif öğrenme veya dinamik olarak ağırlıklandırılmış transfer öğrenme stratejileri, kullanıcı veri gizliliğini korurken, büyük laboratuvar veri setleri kullanılarak yapılan model ön eğitiminin ardından sınırlı gerçek dünya operasyonel verileriyle ince ayar yapılmasını daha fazla destekleyebilir²⁵. Mevcut çerçeve, kontrollü laboratuvar koşulları altında kararlı bir öngörücü performans sergilemiş olsa da, elektrikli araçlardaki pratik BMS'lerin oldukça dinamik yük profilleri ve dalgalanan çevresel sıcaklıklar altında çalışması gerekir. Bu nedenle, bu iş akışının gelecekteki adaptasyonları, gerçek dünya uygulamaları sırasında öngörücü güvenilirliği artırmak için gerçekçi sürüş döngüsü verilerinin ve çevrimiçi model güncelleme stratejilerinin dahil edilmesinden fayda sağlayabilir.

Veri bölümlendirme, ön işleme, özellik çıkarımı ve rastgele tohum başlangıç prosedürlerini standartlaştırarak, bu protokol uygulamalı batarya ML iş akışlarındaki tekrarlanabilirliği artırmaktadır²⁶. Burada sunulan çok kanallı özellik entegrasyon stratejisi ve tekrarlanabilirlik odaklı eğitim çerçevesi; yenilenebilir enerji depolama, elektrikli araç izleme ve uzun vadeli batarya yaşam döngüsü değerlendirmesi için gelecekteki öngörücü BMS'lerin geliştirilmesini desteklayabilir.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, herhangi bir finansal çıkar çatışması veya çıkar çatışması beyan etmemektedir.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu araştırma için gerekli olan akademik ortamı ve hesaplama kaynaklarını sağlayan Southern University of Science and Technology Fizik Bölümü ve University of Cambridge, Homerton College tarafından sağlanan kurumsal desteği kabul ederler. Yazarlar ayrıca, CALCE, SANYO, PANASONIC, KOKAM ve GOTION dahil olmak üzere açık erişimli lityum-iyon pil veri setlerini kamuya açarak bu kapsamlı çok kanallı analizi mümkün kılan araştırma kurumlarına ve katkıda bulunanlara teşekkür ederler.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
Ad	Şirket	Katalog numarası	Yorumlar
CALCE batarya veri seti	Center for Advanced Life Cycle Engineering (CALCE), Maryland Üniversitesi	https://calce.umd.edu/battery-data	Model eğitimi ve doğrulaması için çok kanallı lityum-ion batarya döngüleme verilerinin kaynağı
CUDA Toolkit	NVIDIA	Sürüm 11.8	DL model eğitimi için GPU hızlandırma
GOTION IFP20100140A veri seti	Mendeley Data	https://doi.org/10.17632/vpw4t7ytbx.2	Harici doğrulama ve çok kanallı batarya bozunma analizi
KOKAM SLPB533459H4 veri seti	Mendeley Data	https://doi.org/10.17632/7w4y4fzzbb.1	Çok kanallı batarya bozunma modellemesi ve doğrulaması
Matplotlib	Matplotlib Geliştirme Ekibi	Sürüm 3.7.1	Model performansının, duyarlılık analizinin ve tekrarlanabilirlik sonuçlarının görselleştirilmesi
NumPy	NumPy Geliştiricileri	Sürüm 1.24.3	Sayısal hesaplama ve tensör oluşturma
PANASONIC NCR18650BD veri seti	Mendeley Data	https://doi.org/10.17632/wykht8y7tg.1	Çok kanallı döngüleme verilerinin ve mühendislik özellik çıkarımının kaynağı
Pandas	Pandas Geliştiricileri	Sürüm 2.0.3	Veri organizasyonu, ön işleme ve tablo tipi veri yönetimi
PyTorch	PyTorch Vakfı	Sürüm 2.0.1	CNN–LSTM modeli dahil olmak üzere derin öğrenme mimarilerinin oluşturulması ve eğitimi
Python	Python Yazılım Vakfı	Sürüm 3.10.12	Veri ön işleme, özellik mühendisliği, model eğitimi ve değerlendirme
SANYO UR18650E veri seti	NASA Prognostics Veri Deposu	https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/	Tekrarlanabilirlik değerlendirmesi ve model doğrulaması için çok kanallı döngüleme verilerinin kaynağı
Scikit-learn	Scikit-learn Geliştiricileri	Sürüm 1.2.2	Temel model uygulaması, veri seti bölümlendirme ve performans metriği hesaplama

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lu J, Xiong R, Tian J. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun. 2023;14:2760.
Zhang H, Li Y, Zheng S. Battery lifetime prediction across diverse ageing conditions with inter-cell deep learning. Nat Mach Intell. 2025;7:270–7.
Zhang Y, et al. State-of-health estimation for lithium-ion batteries via incremental energy analysis and hybrid deep learning model. Batteries. 2025;11(6):217.
Liu C, et al. Deep learning for state of health estimation of lithium-ion batteries in electric vehicles: A systematic review. Energies. 2025;18(6):1463.
Chen C, Wei J, Li Z. Remaining useful life prediction for lithium-ion batteries based on a hybrid deep learning model. Processes. 2023;11(8):2333.
Chen B, et al. Lithium-ion battery state of health estimation based on feature reconstruction and Transformer-GRU parallel architecture. Energies. 2025;18(5):1236.
Zhao W, Ding W, Zhang S, Zhang Z. Enhancing lithium-ion battery lifespan early prediction using a multi-branch vision transformer model. Energy. 2024;302:131816.
Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
Li Y, et al. State-of-health prediction of lithium-ion batteries using feature fusion and a hybrid neural network model. Energy. 2025;319:135163.
Zhou J, et al. Deep learning estimation of state of health for lithium-ion batteries using multi-level fusion features of discharge curves. J Power Sources. 2025;653:237781.
Wang Y, et al. A comprehensive review of machine learning-based state of health estimation for lithium-ion batteries: Data, features, algorithms, and future challenges. Renew Sustain Energy Rev. 2025;224:116125.
Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
Yang H, et al. Privacy-preserving collaborative battery fault warning for massive electric vehicles by heterogeneous data from charging stations. Nat Commun. 2026;17:974.
Liu Y, et al. A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments. Appl Energy. 2024;358:122555.
Bockrath S, Lorentz V, Pruckner M. State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles. Appl Energy. 2023;329:120307.
Zhang Z, et al. Multi-cycle charging information guided state of health estimation for lithium-ion batteries based on pre-trained large language model. Energy. 2024;313:133993.
Li Z, Zhang X, Gao W. State of health estimation of lithium-ion battery during fast charging process based on BiLSTM-Transformer. Energy. 2024;311:133418.
Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
Han T, et al. Source-free dynamic weighted federated transfer learning for state-of-health estimation of lithium-ion batteries with data privacy. IEEE Trans Power Electron. 2024;39(11):15085–100.
Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Pil Performans Tahmini Sinir A Modelleri znitelik M hendisli i Sa l k Durumu Kalan Faydal m r Pil Ya am D ng s Y netimi ng r c Modelleme

Çok Kanallı Döngüleme Verilerini Kullanarak Lityum-İyon Pil Performansını Tahmin Etmek İçin Tekrarlanabilir Bir Derin Öğrenme İş Akışı

Bu makalede

Özet

Özet

Giriş

Protokol

Sonuçlar

Tartışma

Açıklamalar

Teşekkürler

Malzemeler

Kaynaklar

Yeniden basım ve izinler

Etiketler

İlgili makaleler