پایداری | متن کامل رایگان | بهینه سازی عملکرد باتری لیتیوم یون: ادغام یادگیری ماشین و هوش مصنوعی قابل توضیح برای مدیریت انرژی پیشرفته - شهرساز | سایت تخصصی شهرسازی با هوش مصنوعی | شهرساز

بهترین آموزش های کاربردی در شهرسازی

بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید

…

ادامه ...

خرید درب شیشه ای سکوریت با بهترین قیمت از تتراگلس

ادامه ...

Saturday, 29 June , 2024
امروز : شنبه, ۹ تیر , ۱۴۰۳

آخرین اخبار »

شناسه خبر : 19315

ارسال

پرینتخانه » مقالات تاریخ انتشار : 03 ژوئن 2024 - 3:30 | 11 بازدید | ارسال توسط : riazat

پایداری | متن کامل رایگان | بهینه سازی عملکرد باتری لیتیوم یون: ادغام یادگیری ماشین و هوش مصنوعی قابل توضیح برای مدیریت انرژی پیشرفته

۱٫ معرفی باتری‌های لیتیوم یون (LiBs) منابع انرژی حیاتی برای وسایل نقلیه الکتریکی (EVs) هستند که مزایایی مانند چگالی انرژی بالا، سبک وزن، نرخ‌های خود تخلیه پایین، قابلیت‌های شارژ سریع و حداقل نیازهای تعمیر و نگهداری را ارائه می‌دهند. این ویژگی ها LiB ها را به عنوان گزینه برق ترجیحی برای خودروهای برقی در کاربردهای […]

۱٫ معرفی

باتری‌های لیتیوم یون (LiBs) منابع انرژی حیاتی برای وسایل نقلیه الکتریکی (EVs) هستند که مزایایی مانند چگالی انرژی بالا، سبک وزن، نرخ‌های خود تخلیه پایین، قابلیت‌های شارژ سریع و حداقل نیازهای تعمیر و نگهداری را ارائه می‌دهند. این ویژگی ها LiB ها را به عنوان گزینه برق ترجیحی برای خودروهای برقی در کاربردهای مختلف معرفی کرده است. تغییر به سمت الکتریکی سازی جذابیت LiBs را به عنوان جایگزین های سازگار با محیط زیست، انتشار گازهای گلخانه ای کمتر نسبت به وسایل نقلیه سنتی سوخت فسیلی و کاهش ردپای کربن کلی بیشتر تاکید کرده است. [۱].

علیرغم استفاده و مزایای گسترده آنها، LiBها با چالش‌های مربوط به کاهش تدریجی عملکرد ناشی از عوامل شیمیایی و فیزیکی روبرو هستند. این امر مستلزم توسعه سیستم های مدیریت باتری کارآمد برای پرداختن به هزینه های بالا و فرصت های تعمیر محدود است. پیش‌بینی دقیق شاخص‌های سلامت باتری برای مدیریت مؤثر عملکرد و اطمینان از قابلیت اطمینان طولانی‌مدت بسیار مهم است. [۲].

معیار وضعیت سلامت (SoH) در ارزیابی عملکرد LiB بسیار مهم است و به عنوان یک پارامتر حیاتی برای کاربردهای مختلف، از جمله الکترونیک قابل حمل، EVs، و ذخیره انرژی در مقیاس شبکه عمل می‌کند. SoH وضعیت و ظرفیت فعلی باتری را نسبت به حالت اولیه آن منعکس می کند و پیش بینی های عمر مفید باقی مانده و عملکرد کلی را هدایت می کند. [۳,۴,۵,۶]. این شامل جنبه‌های حیاتی مانند کاهش ظرفیت، تغییرات مقاومت داخلی، عمر چرخه و ملاحظات ایمنی است که نقشی اساسی در افزایش ایمنی، پایداری و مقرون‌به‌صرفه بودن در صنایع ایفا می‌کند. [۷,۸,۹].

ارزیابی SoH برای حفظ قابلیت پیش بینی برد، راندمان شارژ و عملکرد کلی خودرو ضروری است. برای کاربردهای در مقیاس شبکه مانند یکپارچه سازی انرژی های تجدیدپذیر و تراشیدن اوج، درک SoH باتری استفاده از انرژی را به حداکثر می رساند، سرمایه گذاری ها را بهینه می کند و خطرات عملیاتی را کاهش می دهد. [۱۰].

پیشرفت‌ها در روش‌های ارزیابی SoH، از جمله الگوریتم‌های یادگیری ماشین و فناوری‌های تشخیصی، باعث توسعه سیستم‌های مدیریت باتری هوشمندتر می‌شوند که قادر به نظارت در زمان واقعی، نگهداری پیش‌بینی‌کننده و استراتژی‌های کنترل تطبیقی هستند. این رویکرد فعال نه تنها طول عمر باتری را افزایش می دهد، بلکه با به حداقل رساندن جایگزینی های زودهنگام و بهینه سازی استفاده از منابع و تلاش های بازیافت، شیوه های پایدار را ترویج می کند. [۱۱,۱۲]. به عبارت دیگر، تکنیک‌های پیشرفته مختلفی برای پیش‌بینی عملکرد باتری‌های لیتیوم یون، از جمله شبیه‌سازی دینامیک مولکولی و نظریه تابعی چگالی (DFT) در دسترس هستند. شبیه‌سازی‌های دینامیک مولکولی بینش‌هایی را در مورد فعل و انفعالات اتمی و مولکولی درون باتری ارائه می‌کنند و به ما کمک می‌کنند تا رفتار مواد را در شرایط مختلف درک کنیم. از سوی دیگر، DFT امکان محاسبه خواص الکترونیکی را فراهم می کند و می تواند پیش بینی کند که چگونه تغییرات در سطح اتمی بر عملکرد کلی باتری تأثیر می گذارد. این تکنیک‌ها، همراه با تکنیک‌های دیگری مانند مدل‌های یادگیری ماشین و مدل‌سازی الکتروشیمیایی، ابزارهای جامعی را در اختیار محققان برای کشف و بهبود مواد و طراحی باتری قرار می‌دهند. با استفاده از این روش‌ها، می‌توان پیشرفت‌های قابل توجهی در بهینه‌سازی عملکرد باتری، طول عمر و ایمنی ایجاد کرد و به توسعه سیستم‌های ذخیره‌سازی انرژی کارآمدتر و مطمئن‌تر کمک کرد. [۱۳,۱۴]. اهمیت SoH در باتری‌های لیتیوم یون فراتر از معیارهای عملکرد است، که نشان‌دهنده یک ضرورت استراتژیک برای نوآوری، پایداری و قابلیت اطمینان در فناوری‌های ذخیره‌سازی انرژی است.

اجرای تکنیک‌های هوش مصنوعی قابل توضیح (XAI) در باتری‌های لیتیوم یونی بسیار مهم است زیرا شفافیت و قابلیت تفسیر مدل‌های پیش‌بینی را افزایش می‌دهد و امکان درک و مدیریت بهتر عملکرد و سلامت باتری را فراهم می‌کند. تازگی اصلی این کار، ادغام تکنیک‌های XAI به عنوان جایگزینی برای روش‌های سنتی مورد استفاده در ارزیابی SoH LiBs است. سیستم های مدیریت باتری فعلی هنوز برای تشخیص فرآیندهای تخریب و پیری که عملکرد باتری را به سرعت تحت تأثیر قرار می دهند، کافی نیستند. رویکرد مبتنی بر XAI پیشنهادی، مدل‌های یادگیری ماشین و هوش مصنوعی را توصیف می‌کند که مانند یک جعبه بسته برای پیش‌بینی دقیق‌تر شاخص‌های سلامت باتری کار می‌کنند. بنابراین، ویژگی‌های مؤثر بر مدل‌ها پتانسیل افزایش طول عمر و به حداقل رساندن هزینه‌های نگهداری را دارند. علاوه بر این، هدف این روش کاهش اثرات زیست محیطی و پایدارتر کردن استفاده از منابع با بهینه سازی زمان تعویض باتری است. بنابراین، در محدوده مطالعه، یک نوآوری استراتژیک از نظر پایداری و قابلیت اطمینان در زمینه فناوری های باتری، به ویژه با استفاده از XAI ارائه شده است.

عمر مفید باقیمانده (RUL) و معیارهای SoH به عنوان تعیین کننده های کلیدی عملکرد باتری، دوام و قابلیت اطمینان در طیف گسترده ای از برنامه ها عمل می کنند. درک تعامل بین LiBs، RUL و SoH برای بهینه‌سازی سیستم‌های ذخیره‌سازی انرژی، افزایش کارایی عملیاتی و اطمینان از شیوه‌های پایدار در چشم‌انداز فناوری باتری در حال تکامل ضروری است. برای تحقق آن، از هوش مصنوعی قابل توضیح برای تخمین SoH یک باتری لیتیوم یونی استفاده می شود. تا آنجا که می دانیم، این مقاله اولین بار است که به چنین روش تخمینی می پردازد. ادغام تکنیک‌های هوش مصنوعی قابل توضیح (XAI) به عنوان یک جنبه حیاتی در ارزیابی معیارهای RUL و SoH برای Li-ion در کاربردهای مختلف ظاهر شده است. از آنجایی که صنایع به طور فزاینده ای بر سیستم های پیچیده و رویکردهای مبتنی بر داده تکیه می کنند، نیاز به مدل های هوش مصنوعی شفاف و قابل تفسیر برای پیش بینی RUL و نظارت بر SoH بسیار مهم شده است. [۱۵].

در مطالعه خود، ما از تکنیک‌های مختلف یادگیری ماشین، از جمله تجزیه و تحلیل مؤلفه‌های اصلی (PCA)، رگرسیون خطی، رگرسیون پشته، k-نزدیک‌ترین همسایه (k-NN)، جنگل تصادفی، رگرسیون چند جمله‌ای و تقویت گرادیان برای پیش‌بینی SoH استفاده کردیم. باتری های لیتیوم یون. ما عملکرد این مدل‌ها را از نظر دقت، کارایی محاسباتی و تفسیرپذیری مقایسه کردیم. به طور خاص، ما با استفاده از تکنیک‌هایی مانند مقادیر SHAP (توضیحات افزودنی Shapley)، که بینش‌هایی را در مورد سهم هر ویژگی در پیش‌بینی‌های مدل ارائه می‌دهد، بر توضیح‌پذیری هر مدل تمرکز کردیم. نتایج ما نشان می‌دهد که در حالی که مدل‌های پیچیده مانند جنگل تصادفی و تقویت گرادیان دقت بالاتری ارائه می‌دهند، مدل‌های ساده‌تر مانند رگرسیون خطی و k-NN، همراه با تکنیک‌های هوش مصنوعی قابل توضیح، درک شفاف‌تری از عوامل مؤثر بر تخریب باتری ارائه می‌دهند. همچنین، ما معتقدیم که این مدل ها نه تنها برای باتری های Li-ion بلکه برای باتری های Na-ion نیز قابل استفاده هستند. [۱۳,۱۴,۱۶,۱۷]. این مطالعه بر پیش‌بینی ظرفیت تخلیه باتری‌های لیتیوم یون، ادغام تکنیک‌های یادگیری ماشین (ML) و XAI در این حوزه تمرکز دارد. در بخش دوم، مواد و روش مورد استفاده به تفصیل توضیح داده شده است، در حالی که در بخش سوم، نتایج تجربی و یافته های به دست آمده از تحلیل های SHAP (توضیحات افزودنی شپلی) ارائه شده است. بخش چهارم نتایج به‌دست‌آمده را مورد بحث قرار می‌دهد و در بخش پنجم و پایانی، نتیجه‌گیری پژوهش به همراه روندها و توصیه‌های آتی خلاصه می‌شود.

۲٫ مواد و روشها

ساختار مطالعه، مجموعه داده های مورد استفاده، و روش های یادگیری ماشین و هوش مصنوعی به کار گرفته شده در این بخش ارائه شده است. برای اطمینان از تکرارپذیری مطالعه و افزایش شفافیت روش، هر روش و پارامترهای مورد استفاده به طور گسترده توضیح داده شده است. توجیهات علمی برای انتخاب هر ماده و روش به طور کامل مورد بحث قرار گرفت. فلوچارتی که به صورت گام به گام نشان می دهد که چگونه یک مدل با استفاده از الگوریتم های یادگیری ماشینی مانند تقویت تطبیقی (AdaBoost)، تقویت گرادیان، تقویت گرادیان شدید (XGBoost)، دستگاه تقویت گرادیان نور (LightGBM) و تقویت دسته (CatBoost) ایجاد شده است. ) شاغل در مطالعه ارائه شده است شکل ۱.

فلوچارت به تصویر کشیده شده در شکل ۱ جزئیات بیشتری در مورد مراحل آموزش و آزمون کار ارائه شده می دهد. این فلوچارت به وضوح عملیات انجام شده در هر مرحله از فرآیند توسعه مدل را نشان می دهد و شفافیت و تکرارپذیری را تضمین می کند. مجموعه داده‌های آموزش و آزمون پس از اعمال مراحل پیش‌پردازش لازم بر روی داده‌های خام روی مدل‌ها اعمال شد. در مرحله آخر مدل مورد ارزیابی قرار گرفت.

۲٫۱٫ تعریف مجموعه داده

مجموعه داده مورد استفاده در این مطالعه شامل ۴۵۶۹۹ رکورد حاوی ویژگی های چرخه تخلیه باتری است. مجموعه داده به ۸۰ درصد برای آموزش و ۲۰ درصد برای آزمایش تقسیم شد. در مجموع از ۳۸۸۴۵ نقطه داده برای آموزش استفاده شد، در حالی که ۶۸۵۴ نقطه داده برای آزمایش استفاده شد. ویژگی‌هایی مانند «دما»، «جریان (A)»، «ولتاژ (V)»، «شاخص چرخه» و «ظرفیت تخلیه (Ah)» برای توصیف عملکرد الکتریکی باتری‌های موجود در مجموعه داده ضروری بود. مجموعه داده مورد استفاده در این مطالعه از یک پایگاه داده جامع حاوی ویژگی های چرخه تخلیه باتری به دست آمده است. پارامترهای مختلف اندازه گیری شده در طول فرآیند تخلیه باتری در هر چرخه ثبت شد [۲].

این مطالعه شامل نمونه های LIB است که برای ۷۵۰ سیکل آزمایش شده است. تمام آزمایش‌های شارژ/دشارژ در محدوده ولتاژ ۳٫۰ تا ۴٫۴ ولت، با استفاده از نرخ‌ها و دماهای مختلف C انجام شد. هر شرایط آزمایش شامل ۸ سلول، در مجموع ۱۹۲ سلول (میز ۱). برای هر شرایط، ۸ سلول تحت چهار دمای مختلف (۱۰، ۲۵، ۴۵، و ۶۰)، سه نرخ تخلیه متفاوت C (0.7 C، ۱ C، و ۲ C)، و دو C قطع بار متفاوت قرار گرفتند. – نرخ (C/5 و C/40) با استفاده از پروتکل ولتاژ ثابت جریان ثابت (CCCV). همه آزمایش‌ها از داده‌های دسترسی باز ارائه شده توسط مایکل پچت در مرکز مهندسی چرخه زندگی پیشرفته (CALCE)، دانشگاه مریلند تهیه شده‌اند. آزمایش ها با استفاده از سلول های LiCoO2 (کاتد) – گرافیت (آند) انجام شد [۱۸]. مجموعه داده‌های شارژ و تخلیه به‌دست‌آمده از این آزمایش‌ها متعاقباً برای آموزش مدل‌های یادگیری ماشین استفاده شد. ۳۰۰ چرخه اول در مجموعه داده برای آموزش در مرحله پیش پردازش استفاده شد. در این راستا، ۴۵۰ چرخه بین ۳۰۱ تا ۷۵۰ از مجموعه داده های آموزش و آزمون حذف شد. مجموعه داده تحت مراحل مختلف پیش پردازش قرار گرفت تا برای استفاده مستقیم مناسب تر شود. در میان این فرآیندها، مدیریت داده های از دست رفته انجام شد و مشاهده شد که هیچ مقدار گمشده ای در مجموعه داده وجود ندارد. تشخیص و تصحیح نقاط پرت تضمین شد. این فرآیند برای ارائه یک رویکرد متعادل در مراحل آموزش و ارزیابی مدل انجام شد. ۳۰۰ چرخه اول مجموعه داده برای اهداف آموزشی و آزمایشی استفاده شد.

۲٫۲٫ انتخاب مدل

این مطالعه الگوریتم های یادگیری ماشینی مانند AdaBoost، تقویت گرادیان، XGBoost، LightGBM و CatBoost را برای آموزش مدل ارزیابی و مقایسه کرد. انتخاب این الگوریتم ها بر اساس ویژگی ها و مزایای منحصر به فرد آنها بود. هر الگوریتم بسته به ویژگی های مجموعه داده و نتایج مورد نظر، نقاط قوت و ضعف خود را دارد. مقایسه و ارزیابی این الگوریتم ها برای تعیین مناسب ترین الگوریتم برای یک مجموعه داده خاص ضروری است. متدهای Ensemble مانند AdaBoost، gradient boosting، XGBoost، LightGBM و CatBoost از جمله این الگوریتم ها بودند. هر الگوریتم تحت آموزش زیرمجموعه آموزشی مجموعه داده قرار گرفت و سپس برای عملکرد در زیر مجموعه آزمایشی مورد ارزیابی قرار گرفت. علاوه بر این، یک نمای کلی از SHAP، یکی از روش‌های XAI، برای ارائه و تفسیر داده‌های نتایج و مدل LightGBM معرفی شد.

AdaBoost، تقویت گرادیان، XGBoost، LightGBM و CatBoost الگوریتم‌های مبتنی بر درخت تقویت شده هستند که به طور گسترده در یادگیری ماشین استفاده می‌شوند. [۱۹]. AdaBoost با ایجاد یک سری طبقه‌بندی‌کننده ضعیف که خطاهای طبقه‌بندی را تصحیح می‌کنند، عملکرد را بهبود می‌بخشد. AdaBoost عمدتاً به دلیل حساسیت به داده های پر سر و صدا و نقاط پرت شناخته شده است. با این حال، در حالی که در مجموعه داده های کوچک و نسبتا ساده عملکرد خوبی دارد، خطر بیش از حد برازش در ساختارهای داده پیچیده افزایش می یابد. [۲۰].

تقویت گرادیان با بهینه سازی یادگیرندگان ضعیف متوالی، مدلی بر اساس تصحیح خطا می سازد. هر درخت جدید برای کاهش خطاهای درخت قبلی ساخته شده است. افزایش گرادیان با درجه بالای سفارشی سازی مزیتی را ایجاد می کند. با این حال، بهینه سازی پارامترهای تنظیم مدل می تواند یک فرآیند زمان بر باشد [۱۹]. XGBoost برای بهبود روش تقویت گرادیان از نظر مقیاس پذیری و سرعت طراحی شده است. این به دلیل عملکرد سریع خود در مجموعه داده های بزرگ و ویژگی های منظم سازی که عملکرد مدل را افزایش می دهد متمایز است. XGBoost می تواند داده های از دست رفته را مدیریت کند و پشتیبانی داخلی برای اعتبارسنجی متقابل ارائه می دهد [۲۱].

LightGBM الگوریتمی است که قادر به پردازش مجموعه داده های بزرگ و مصرف حافظه کمتر است. با افزایش اندازه و تعداد ویژگی های مجموعه داده، مزایای LightGBM آشکارتر می شود. این الگوریتم از یک الگوریتم برگ عاقلانه استفاده می کند که مجموعه داده ها را به شیوه ای برگ رشد می کند. این ساختار مبتنی بر برگ، مدل را قادر می‌سازد تا سریع‌تر یاد بگیرد [۱۹]. CatBoost به صراحت برای پردازش متغیرهای طبقه‌بندی بهینه شده است. این الگوریتم ممکن است به طور خودکار ویژگی های طبقه بندی را تبدیل کند، بنابراین نیاز به مهندسی ویژگی را کاهش می دهد. CatBoost به طور کلی دارای یک ساختار قوی است که برای کاهش خطر بیش از حد مناسب طراحی شده است. با این حال، تنظیم پارامتر تکراری ممکن است برای عملکرد بهینه همچنان مورد نیاز باشد [۲۲].

مقیاس بزرگ و ویژگی های متنوع مجموعه داده ما به طور قابل توجهی بر انتخاب این الگوریتم ها تأثیر گذاشت. هر الگوریتم بر اساس ظرفیت آن برای انطباق با پیچیدگی و اندازه مجموعه داده ارزیابی شد. توانایی الگوریتم‌های XGBoost و LightGBM برای مدیریت مؤثر مجموعه‌های داده بزرگ و قابلیت CatBoost برای پردازش داده‌های طبقه‌بندی دلایلی هستند که آنها به طور خاص برای مجموعه داده ترجیح داده می‌شوند. روش SHAP برای افزایش تفسیرپذیری و شفافیت مدل به کار گرفته شد [۲۳]. SHAP به ما امکان می دهد بفهمیم کدام ویژگی ها و تا چه حد بر پیش بینی های مدل تأثیر می گذارند. به‌ویژه در کاربردهای حیاتی مانند پیش‌بینی چرخه حیات LiBها، فرآیندهای تصمیم‌گیری را تقویت می‌کند و نحوه بهبود مدل را راهنمایی می‌کند. بنابراین، ادغام الگوریتم‌های مبتنی بر درخت تقویت‌شده و روش SHAP مورد استفاده در این مطالعه، عملکرد مدل را افزایش می‌دهد و ارزش علمی قابل‌توجهی را با روشن کردن پویایی تصمیم‌گیری‌های مدل می‌افزاید.

۳٫ نتایج تجربی

ارزیابی‌های عملکرد الگوریتم‌های بررسی‌شده، تحلیل‌های مقایسه‌ای و موفقیت پیش‌بینی هر مدل بر روی SoH از LiBs در این بخش در زیر بخش‌های مختلف توسعه و مورد بحث قرار گرفته‌اند. علاوه بر این، اثرات روش SHAP بر درک پیش‌بینی‌های مدل و تعیین تصمیم‌ها سپس ارزیابی می‌شوند.

۳٫۱٫ معیارهای ارزیابی مدل

عملکرد مدل ها با استفاده از معیارهای رگرسیون استاندارد مانند MSE (میانگین مربعات خطا)، MAE (میانگین خطای مطلق) و R ارزیابی شد.^۲ (R-squared). این معیارها اندازه گیری می کنند که پیش بینی های مدل ها چقدر با مقادیر واقعی مطابقت دارد و مدل ها چقدر کار را با دقت بالا تعمیم می دهند. [۲۴].

مقادیر MSE اندازه گیری می کند که پیش بینی های هر مدل چقدر از مقادیر واقعی فاصله دارد. MSE پایین تر نشان دهنده عملکرد بهتر مدل است.

$م اس E = \frac{۱}{ن} \sum_{من}^{ن} {(y_{من} - y_{پ r ه د من ج تی})}^{۲}$

(۱)

آر^۲ (R-squared): R² مقادیر اندازه گیری می کنند که مدل چقدر واریانس متغیر وابسته و متغیرهای مستقل را توضیح می دهد. یک آر^۲ مقدار نزدیک به ۱ نشان می دهد که مدل بیشتر مجموعه داده را توضیح می دهد و تناسب خوبی را ارائه می دهد.

${آر}^{۲} = ۱ - \sum_{من}^{ن} \frac{{(y_{پ r ه د من ج تی (من)} - y_{من})}^{۲}}{\sum_{من}^{ن} {(y_{متر ه آ n} - y_{من})}^{۲}}$

(۲)

مقادیر MAE اندازه گیری می کند که پیش بینی های هر مدل چقدر از مقادیر واقعی فاصله دارد. MAE پایین تر نشان دهنده عملکرد بهتر مدل است:

$م آ E = \frac{۱}{n} \sum_{من = ۱}^{n} |y_{من} - y_{پ r ه د من ج تی}|$

(۳)

۳٫۲٫ آموزش مدل

پنج الگوریتم یادگیری برای آموزش مدل استفاده شد: AdaBoost، تقویت گرادیان، XGBoost، LightGBM، و CatBoost. هدف این الگوریتم ها ایجاد یک مدل قوی با ترکیب چند یادگیرنده ضعیف با استفاده از روش های یادگیری گروهی است. [۲۵]. این روش‌ها شامل ترکیب پیش‌بینی‌ها از چندین مدل منفرد ایجاد شده با استفاده از الگوریتم‌های مختلف یا پیکربندی‌های یک الگوریتم برای ایجاد یک مدل قوی‌تر است. [۲۶]. یادگیری گروهی با متعادل کردن نقاط ضعف یک مدل واحد، عملکرد پیش‌بینی را بهبود می‌بخشد. این رویکرد به طور قابل توجهی دقت پیش‌بینی‌های مدل را با استفاده از نقاط قوت مدل‌های متعدد و جبران نقاط ضعف آنها افزایش می‌دهد. با این حال، اثربخشی این روش ممکن است متفاوت باشد، و ارزیابی عملکرد آنها در مجموعه داده‌های خاص برای تعیین مناسب بودن آنها برای یک کار خاص بسیار مهم است. مجموعه داده مورد استفاده در این مطالعه و اهمیت مدل‌سازی یادگیری گروهی ما را قادر می‌سازد تا به دقت و قابلیت اطمینان پیش‌بینی دست یابیم، به‌ویژه در پیش‌بینی SoH از LiBها، که مدل‌های فردی ممکن است به تنهایی به آن دست پیدا نکنند. این به ارائه نتایج موثرتر و قابل اعتمادتر مدل در برنامه های کاربردی دنیای واقعی کمک می کند. فراپارامترهای مدل‌های مورد استفاده در مطالعه به تفصیل آمده است جدول ۲.

هایپرپارامترهای مدل در جدول ۲ برای مدل‌های AdaBoost، تقویت گرادیان، XGBoost، LightGBM و CatBoost تعیین شدند. برای هر مدل، تعداد تکرارها (“n_estimators”) روی ۱۰۰ تنظیم شد، در حالی که نرخ های یادگیری و سایر پارامترهای خاص برای بهینه سازی تناسب مدل با داده ها و سرعت فرآیند یادگیری انتخاب شدند. به طور خاص، تابع “از دست دادن” در AdaBoost روی “خطی”، معیارهای انشعاب در تقویت گرادیان، معیارهای نمونه برداری و تقسیم در XGBoost، و تنظیمات “random_state” در LightGBM و CatBoost برای اطمینان از تکرارپذیری تنظیم شد. این پارامترها با تعیین میزان یادگیری عمیق مدل ها بر روی داده ها در طول آموزش و سرعت انطباق آنها، نقش تعیین کننده ای در عملکرد مدل ایفا می کنند. در نهایت، مدل CatBoost با یک “حالت_تصادفی” به ۴۲ و یک سطح “کلام” روی ۰ پیکربندی شد. این هایپرپارامترها مستقیماً بر میزان عمیق یادگیری هر مدل در طول فرآیند آموزش، سرعت تطبیق آن، و میزان خوب تأثیر می‌گذارند. برازش داده ها، بنابراین نقش تعیین کننده ای در عملکرد کلی مدل ایفا می کند.

۳٫۳٫ نتایج مقایسه مدل

معیارهای عملکرد به‌دست‌آمده از روش‌های مختلف یادگیری گروه تقویت‌کننده (AdaBoost، تقویت گرادیان، XGBoost، LightGBM، CatBoost) در مجموعه داده ما نشان داده می‌شوند. جدول ۳. هر متریک برای اندازه گیری دقت پیش بینی های مدل استفاده می شود.

جدول ۳ عملکرد شش مدل مختلف را در پیش‌بینی SoH LiBها نشان می‌دهد. در بین این مدل ها، مدل LightGBM با ۰٫۱۰۳ MAE، ۰٫۰۱۹ MSE و ۰٫۸۸۷ R-squared بالاترین عملکرد را نشان داد. شکل ۲ مقایسه ای از پیش بینی های مدل های مختلف یادگیری ماشین با نتایج واقعی ارائه می دهد.

که در شکل ۲دقت پیش‌بینی‌های انجام‌شده توسط مدل‌های مختلف یادگیری ماشین بر روی ظرفیت‌های تخلیه LiB به صورت بصری ارائه و مقایسه می‌شود. نمایش گرافیکی مقادیر ظرفیت تخلیه واقعی (Ah) را در محور افقی و مقادیر ظرفیت تخلیه پیش بینی شده (Ah) را در محور عمودی نشان می دهد. در یک سناریوی ایده‌آل، تمام نقاط روی خط سیاه چین (y = x) کشیده شده روی نمودار قرار می‌گیرند. همانطور که از نمودارهای داخل نشان داده شده است شکل ۲نتایج مدل AdaBoost توزیع گسترده ای را نشان می دهد که نشان دهنده دقت پایین در پیش بینی های آن است. از سوی دیگر، مدل LightGBM عملکردی نزدیک‌تر به داده‌های واقعی نشان می‌دهد، با اکثر پیش‌بینی‌های آن بسیار نزدیک به مقادیر واقعی است. به طور مشابه، CatBoost نیز پیش بینی هایی را با دقت بالا تولید کرده است.

LightGBM یک الگوریتم تقویتی است که برای عملکرد و کارایی بهینه شده است. رویکردهای نوآورانه ای مانند یادگیری مبتنی بر هیستوگرام و رشد درخت مبتنی بر برگ، آن را قادر می سازد تا به سرعت و به طور موثر بر روی مجموعه داده های بزرگ و با ابعاد بالا کار کند. این ویژگی ها LightGBM را به یک الگوریتم انتخابی، به ویژه در پروژه های یادگیری ماشینی در مقیاس بزرگ تبدیل می کند. در حالی که رشد درخت در سایر الگوریتم‌های تقویت‌کننده (به عنوان مثال XGBoost) به صورت سطحی اتفاق می‌افتد، رشد برگ در LightGBM استفاده می‌شود. رشد برحسب برگ درختان را عمیق تر می کند و از برگ با بالاترین میزان خطا شروع می شود. به این ترتیب، مرزهای تصمیم گیری پیچیده تر با ظرفیت تعمیم بهتر در مقایسه با درختان با عمق یکسان ایجاد می شود.

۳٫۴٫ نتایج مدل یادگیری گروه

به عنوان بخشی از این مطالعه، یک مدل رگرسیون مبتنی بر رأی به نام VotingRegressor توسعه داده شد. VotingRegressor پیش‌بینی‌های مدل‌های رگرسیون مختلف را برای ایجاد یک مدل مجموعه ترکیب می‌کند. در این تنظیمات، مدل شامل پیش‌بینی‌کننده‌هایی از پنج الگوریتم رگرسیون است: تقویت گرادیان، XGBoost، AdaBoost، LightGBM و CatBoost.

در مدل گروهی، هر مدل فرعی باید از قبل آموزش دیده باشد و بتواند پیش بینی کند. VotingRegressor خروجی های هر یک از این پیش بینی ها را جمع می کند و با میانگین گیری آنها پیش بینی نهایی را ایجاد می کند. [۲۷]. این روش ممکن است عملکرد کلی پیش‌بینی را با استفاده از نقاط قوت مدل‌های مختلف و متعادل کردن نقاط ضعف مدل‌های فردی افزایش دهد. مدل مجموعه توسعه یافته در محدوده مطالعه عملکرد ثابتی را در بین مدل‌ها با ۰٫۱۰۵ MAE، ۰٫۰۲۰ MSE و ۰٫۸۸۴ R-squared نشان داد. شکل ۳ مقایسه نتایج پیش‌بینی مدل یادگیری گروهی با نتایج واقعی ارائه می‌کند. نمودار در شکل ۳ نشان می‌دهد که بسیاری از پیش‌بینی‌ها در اطراف خط جمع می‌شوند، و نشان می‌دهد که مدل ممکن است در اکثر موارد پیش‌بینی‌هایی نزدیک به مقادیر واقعی انجام دهد. با این حال، انحرافات قابل توجهی در مقادیر کم و ظرفیت بالا وجود دارد. می توان گفت که دقت مدل در این محدوده های خاص ممکن است کمتر باشد. علاوه بر این، خوشه‌بندی پیش‌بینی‌ها در حدود ۱٫۵ Ah و ۲٫۵ Ah نشان می‌دهد که مدل در این محدوده‌های مقادیر بهتر عمل می‌کند.

علیرغم اینکه مدل گروهی نتایج خوبی به همراه داشت، مدل LightGBM عملکرد بهتری را در مقایسه با مدل گروهی نشان داد. از جمله دلایل این امر، توانایی LightGBM برای تطبیق به‌خوبی با ویژگی‌های مجموعه داده و اثربخشی آن در مدیریت کارآمدتر پیچیدگی‌ها در مجموعه داده با روش رشد مبتنی بر برگ است. از سوی دیگر، در مدل مجموعه، ترکیب پیش‌بینی‌های مدل‌های مختلف با میانگین ساده ممکن است همیشه به اندازه کافی ویژگی‌ها و نقاط قوت مدل‌های فردی را منعکس نکند. با در نظر گرفتن این عوامل، عملکرد برتر LightGBM در مقایسه با سایر مدل ها، اهمیت پیش پردازش مناسب داده ها و پارامترسازی مدل را برجسته می کند.

۳٫۵٫ تجزیه و تحلیل توضیح پذیری مدل های هوش مصنوعی

در این مطالعه، مدل LightGBM که بهترین عملکرد را در بین مدل‌های توسعه‌یافته برای پیش‌بینی ظرفیت‌های تخلیه LiBs نشان داد، با استفاده از SHAP مورد تجزیه و تحلیل توضیح‌پذیری قرار گرفت. [۲۸]. SHAP امکان ارزیابی کمی اثرات ویژگی‌هایی را فراهم می‌کند که در پیش‌بینی‌های یک مدل از طریق مقادیر Shapley حاصل از تئوری بازی‌ها نقش دارند. این تجزیه و تحلیل برای آشکار کردن قوی‌ترین و ضعیف‌ترین تأثیرات روی پیش‌بینی‌ها انجام شد، بنابراین درک عمیق‌تری از نحوه عملکرد مدل و قابل درک کردن پویایی پیش‌بینی‌ها ارائه کرد. این تجزیه و تحلیل به صورت بصری و قابل درک نشان می‌دهد که مدل به کدام ویژگی‌ها وزن بیشتری اختصاص می‌دهد و اثرات این ویژگی‌ها بر نتایج پیش‌بینی [۲۹]. که در شکل ۴تاثیر چهار ویژگی اصلی مورد استفاده در پیش بینی ظرفیت تخلیه LiB توسط مدل LightGBM با استفاده از مدل SHAP توضیح داده شده است. پس از انجام تمام ویژگی‌های مجموعه داده و پیش‌بینی‌ها، تصمیمات اتخاذ شده توسط الگوریتم LightGBM که موفق‌ترین نتایج و عملکرد را ارائه می‌دهد، با تکنیک SHAP تفسیر می‌شوند. هنگام تفسیر با تکنیک SHAP، نسبت‌های تاثیر ویژگی ورودی «دما»، «جریان (A)»، «ولتاژ (V)» و «شاخص چرخه» که نام ویژگی‌ها هستند، در تعیین ویژگی خروجی «تخلیه» ظرفیت» ارزیابی می شوند.

که در شکل ۴ویژگی‌های «دما» و «جریان (A)» با مقادیر مثبت SHAP نشان داده می‌شوند که نشان می‌دهد این ویژگی‌ها پیش‌بینی‌های مدل را افزایش می‌دهند. به ویژه، “دما” بالاترین تأثیر مثبت (۰٫۱۷) را دارد، که نشان می دهد افزایش دما به طور قابل توجهی پیش بینی ظرفیت تخلیه را افزایش می دهد. «جریان (A)» تأثیر مثبت کمتری (۰٫۱+) روی پیش‌بینی‌ها دارد. از سوی دیگر، ویژگی‌های «Cycle_Index» و «Voltage(V)» با مقادیر منفی SHAP نشان داده می‌شوند که نشان می‌دهد این دو ویژگی پیش‌بینی‌های مدل را کاهش می‌دهند. “شاخص_چرخه” (-۰٫۰۷) مهم ترین عامل کاهش دهنده پیش بینی های مدل است، در حالی که اثر “ولتاژ (V)” نسبتاً کوچکتر است (-۰٫۰۱). با E[f(X)] مقدار تعیین شده به عنوان ۲٫۸۷۳، اضافه کردن مقادیر SHAP منجر به پیش‌بینی مدل نهایی f(X) به ۳٫۰۶۳ می‌شود. این به وضوح نشان می دهد که چگونه اثر کلی ویژگی ها به تغییرات در پیش بینی های مدل کمک می کند. شکل ۵ نمودار میانگین مقادیر مطلق SHAP را ارائه می دهد.

با توجه به داده های ارائه شده در شکل ۵ویژگی «دما» بیشترین تأثیر را بر پیش‌بینی‌های «ظرفیت تخلیه (Ah)» دارد و مقادیر SHAP معمولاً بین ۱٫۵- و ۰٫۵ متغیر است. مقادیر SHAP برای ویژگی “Current” بین ۰٫۵- و ۰٫۳ است که بیشتر مقادیر در ناحیه مثبت قرار دارند. در حالی که مقادیر SHAP برای ویژگی “ولتاژ” بین -۰٫۵ و ۰٫۱ متفاوت است، مقادیر SHAP برای ویژگی “Cycle_Index” عمدتاً بین -۰٫۳ و -۰٫۱ است که عمدتاً اثرات منفی را نشان می دهد.

شکل ۶ سهم ویژگی ها را گام به گام برای یک نمونه پیش بینی معین به تصویر می کشد. مقادیر عددی به شرح زیر است: این ویژگی خروجی مدل را در حرکت به سمت راست در محور افزایش می دهد و حرکت به سمت چپ آن را کاهش می دهد. بزرگی مطلق مقادیر، قدرت اثر ویژگی را نشان می دهد. رنگ ها مقادیر بالا یا پایین ویژگی ها را نشان می دهند. قرمز نشان دهنده مقادیر بالا و آبی نشان دهنده مقادیر پایین است.

همانطور که در مدل LightGBM توضیح داده شده در شکل ۴ و شکل ۶، دما تأثیر بسزایی بر ظرفیت تخلیه دارد. مقادیر دمای پایین ظرفیت تخلیه را کاهش می دهد و مقادیر بالاتر بر ظرفیت تخلیه تأثیر مثبت می گذارد. مدل LightGBM به عنوان بهترین مدل در بین پنج مدل با کمترین MSE و MAE و بالاترین مقدار مربع R ظاهر می شود که نشان دهنده قوی ترین همبستگی بین پیش بینی ها و مقادیر واقعی است. تقویت گرادیان و XGBoost در سطوح عملکردی مشابهی قرار دارند و دقیقاً پس از LightGBM قرار دارند [۳۰]. عملکرد مدل مجموعه رقابتی است، که نشان می دهد ترکیب این مدل ها ممکن است به یک مدل کلی با عملکرد خوب منجر شود. SHAP میزان تأثیر یک مدل بر هر نمونه و تغییری که این تعامل ایجاد می کند را اندازه گیری می کند. این مقادیر سطوح اهمیت ویژگی هایی را نشان می دهد که به پیش بینی های مدل کمک می کند. هر مقدار نشان می دهد که تغییرات در برآوردها به دلیل یک ویژگی خاص چقدر قابل توجه است.

چرخه_شاخص اهمیت تأثیر شاخص چرخه بر پیش بینی ها را نشان می دهد. شاخص چرخه به عنوان یک مهر زمانی موقت در طول یک چرخه عمل می کند. به طور کلی، تعداد دفعات تکرار یک چرخه یا مدت زمان سپری شده در طول یک چرخه را نشان می دهد. یک مقدار SHAP بالا نشان می دهد که شاخص چرخه نقش مهمی در پیش بینی ها ایفا می کند.

درجه حرارت اغلب ممکن است یک عامل مهم در یک مدل یادگیری ماشین در چندین برنامه باشد. به عنوان مثال، دما نقش حیاتی در بازده انرژی، سرعت واکنش شیمیایی و بسیاری از فرآیندهای فیزیکی دیگر دارد. یک مقدار SHAP بالا نشان می دهد که دما به طور قابل توجهی بر پیش بینی تأثیر می گذارد.

ولتاژ (V) نشان دهنده سطح انرژی در یک سیستم الکتریکی است. ولتاژ یک عامل اساسی است که بر بازده انرژی و عملکرد سیستم تأثیر می گذارد. یک مقدار SHAP بالا نشان می دهد که ولتاژ برای پیش بینی ها ضروری است.

جریان (A) جریان انرژی را در یک واحد الکتریکی نشان می دهد. ارتفاع جریان نشان می دهد که یک مدار چقدر انرژی مصرف یا تولید می کند. یک مقدار SHAP بالا نشان می دهد که جریان به طور قابل توجهی بر پیش بینی ها تأثیر می گذارد. تفسیر این مقادیر برای درک اینکه کدام ویژگی های مدل در پیش بینی ها بیشترین اهمیت را دارند ضروری است. به عنوان مثال، ویژگی‌هایی با مقادیر SHAP بالا ممکن است در پیش‌بینی‌های مدل وزن بیشتری به خود اختصاص دهند، در حالی که ویژگی‌هایی با مقادیر پایین ممکن است تأثیر کمتری داشته باشند. این اطلاعات ممکن است برای تعیین اینکه چه ویژگی هایی باید برای بهبود عملکرد مدل کار شود، استفاده شود.

۴٫ بحث

تحقیقات اخیر پیشرفت قابل توجهی در پیش بینی مدیریت عملکرد LiB در EV با استفاده از تکنیک های ML داشته است.

چاندران [۳۱] و دینوا [۳۲] هر دو اثربخشی الگوریتم‌های ML، مانند شبکه‌های عصبی مصنوعی و مدل‌های درختی تقویت‌شده توسط گروه، را به ترتیب در تخمین وضعیت شارژ و ولتاژ پایانه LiB نشان دادند.
پو [۳۳] یک بررسی جامع از روش‌های ML برای تخمین حالت در کاربردهای EV ارائه کرد، و پتانسیل این تکنیک‌ها را در پرداختن به چالش‌های ویژگی‌های باتری متغیر با زمان و غیرخطی برجسته کرد.
لعنتی [۳۴] این زمینه را با ارائه روشی برای شبیه‌سازی عملکرد بسته‌های LiB در خودروهای الکتریکی، دستیابی به دقت بالا در پیش‌بینی ولتاژ و تخمین دمای بسته باتری، بیشتر کرد. این مطالعات در مجموع بر نقش امیدوارکننده ML در افزایش مدیریت عملکرد LiBs در خودروهای الکتریکی تاکید می‌کنند. در نظرسنجی، تقویت به صورت تکراری کار کرد و در هر تکرار یک مدل جدید اضافه کرد. آخرین مدل سعی در اصلاح اشتباهات مدل قبلی دارد. این فرآیند با گام برداشتن در امتداد گرادیان تابع ضرر انجام می شود. این برای یک برنامه خاص مانند گرادیان های تقویتی نیز صادق است، اما، به طور کلی، تکنیک تقویت شامل اصطلاحات منظم سازی که پیچیدگی مدل را کنترل می کند، نیست و به طور کلی با هدف کاهش خطاهای مدل است.

علاوه بر این، مطالعات مختلفی با هدف پیش‌بینی وضعیت LiBs با استفاده از روش‌های مختلف خلاصه شد. در مطالعه ای در [۳۱]، این روش شامل استفاده از شش الگوریتم یادگیری ماشین (ANN، SVM، LR، GPR، EBa، EBo) برای تخمین وضعیت شارژ LiBs در EVها، با مقایسه شاخص‌های عملکرد آنها بود. شرکت‌کنندگان مداخلات مربوط به مطالعه ویژگی‌های شارژ و دشارژ باتری در مدل‌های ML را دریافت کردند، مانند تجزیه و تحلیل انرژی سیگنال، تغییرات دما، منحنی‌های ولتاژ، و ویژگی‌های خاص رفتار باتری. عملکرد شش الگوریتم ML و معیارهای MSE، RMSE و MAE استفاده شد. ANN و GPR بهترین روش‌ها برای تخمین وضعیت شارژ بودند که عملکرد بهتری از سایر الگوریتم‌های یادگیری ماشین داشتند، با MAE 85٪. این مدل ها به طور دقیق وضعیت شارژ باتری را پیش بینی می کردند و به انتخاب باتری برای کاربردهای خاص کمک می کردند.

در مطالعات:

این روش شامل انجام آزمایش‌های تخلیه WLTP بر روی یک سلول NMC و استفاده از داده‌های تاریخی برای ساخت مدل‌های درختی تقویت‌شده برای پیش‌بینی ولتاژ بود. اندازه‌گیری‌های آزمایش‌های تخلیه WLTP در دماهای مختلف روی یک سلول NMC، همراه با ولتاژ پایانه، نرخ تخلیه و دما در چهار نقطه انجام شد. [۳۲]، و پیش بینی ولتاژ سلول به عنوان توالی نتیجه در آینده (پیش بینی SoC باتری). این مطالعه آزمایش‌های تخلیه WLTP را روی یک سلول NMC انجام داد و نشان داد که یک استراتژی پیش‌بینی مستقیم چند مرحله‌ای با تکنیک‌های یادگیری ماشین استاندارد در پیش‌بینی SoC باتری کارآمد و قابل استفاده است.
این روش شامل پیشنهاد یک مدل فرآیند گاوسی پیچیده (MCGP) چند خروجی برای تخمین ظرفیت سلول‌های LiB در خودروهای الکتریکی و اعتبارسنجی آن با داده‌های تجربی از سلول‌های باتری خاص بود. تخمین ظرفیت سلول‌های LiB، دقت تخمین SoC، و عمر مفید باقیمانده سلول باتری (RUL) در [۳۵]. این مطالعه یک مدل فرآیند گاوسی پیچیده (MCGP) چند خروجی را برای تخمین دقیق ظرفیت سلول‌های LiB در خودروهای الکتریکی معرفی کرد. مدل پیشنهادی می‌تواند دقت تخمین SoC را بهبود بخشد و به عنوان یک ابزار دقیق برای پیش‌بینی RUL سلول باتری عمل کند.
یک استراتژی مدیریت انرژی پیش‌بینی‌کننده پیری باتری و دما برای خودروهای هیبریدی موازی برای مدل‌سازی کنترل پیش‌بینی‌کننده (MPC) و بهینه‌سازی با اصل حداقل‌سازی Pontryagin (PMP) استفاده شد. [۳۶]. اینها استراتژی‌های مدیریت انرژی پیش‌بینی‌کننده کهنه‌شدن باتری و دما برای خودروهای هیبریدی موازی هستند. این مطالعه یک استراتژی مدیریت انرژی پیش‌بینی‌کننده پیری باتری و آگاهی از دما را با روش PMP برتر از برنامه‌نویسی پویا ایجاد کرد و نشان داد که یک استراتژی آگاه از دمای باتری می‌تواند مصرف کل انرژی را کاهش دهد.
تکنیک‌های هوش مصنوعی برای تخمین SoC باتری، با استفاده از مجموعه داده‌های Panasonic 18650PF، انجام پیش پردازش و استخراج ویژگی، و ارزیابی عملکرد مدل با معیارهای مختلف در [۳۱]. شرکت‌کنندگان هیچ مداخله‌ای دریافت نکردند زیرا این مطالعه بر روی کاربرد تکنیک‌های هوش مصنوعی برای تخمین وضعیت شارژ باتری (SoC) در LiBs متمرکز بود.
تخمین وضعیت شارژ باتری (SoC) با استفاده از تکنیک‌های هوش مصنوعی تمرکزی برای عملکرد مدل ANN است (R² ارزش ۰٫۹۹۲۵). مدل ANN از سایر تکنیک‌های هوش مصنوعی در تخمین وضعیت شارژ باتری (SoC) با R بالا بهتر عمل کرد.^۲ ارزش ۰٫۹۹۲۵، نشان دهنده توانایی آن در گرفتن الگوهای اساسی برای برآوردهای دقیق است.

بسیاری از مطالعات بر بهبود دقت پیش‌بینی ظرفیت‌های LiB متمرکز شده‌اند. با این حال، نمونه هایی از استفاده از روش های XAI در این زمینه به ندرت مشاهده می شود. بنابراین، مطالعه فعلی انجام شده با استفاده از SHAP به طور قابل توجهی به ادبیات کمک می کند. مقادیر SHAP برای درک اینکه کدام ویژگی و تا چه حد بر پیش‌بینی مدل تأثیر می‌گذارد استفاده می‌شود. به ویژه، متغیرهای مؤثر بر عملکرد باتری‌های لیتیوم یون و سهم آنها در پیش‌بینی‌ها به تفصیل تجزیه و تحلیل شده‌اند. مطالعه حاضر درک بهتری از مدل‌های مورد استفاده برای پیش‌بینی وضعیت و ظرفیت LiBs را امکان‌پذیر کرد و در نتیجه قابلیت اطمینان این پیش‌بینی‌ها را افزایش داد.

یافته‌های مورد بحث در فصل نتایج تجربی ما با روش‌های یادگیری ماشین موجود مورد استفاده در پیش‌بینی وضعیت و ظرفیت LiBs مقایسه می‌شوند. این مطالعه سهم قابل توجهی در ارائه بینش های استراتژیک برای بهینه سازی و توسعه سیستم های مدیریت باتری، به ویژه از طریق استفاده از روش های XAI مبتنی بر SHAP دارد. یافته‌های ما نشان می‌دهد که مقادیر SHAP نقش مهمی در درک اینکه کدام ویژگی‌ها بر پیش‌بینی‌های مدل تأثیر می‌گذارند و تا چه اندازه ایفا می‌کنند. این رویکرد کاربردهای خود را با تعمیق بخشیدن به مجموعه دانش در فن‌آوری‌های باتری گسترش می‌دهد. به طور خاص، توانایی مدل‌های ANN و GPR برای پیش‌بینی SoC با دقت بالاتر نسبت به سایر الگوریتم‌های یادگیری ماشین، ظرفیت این تکنیک‌ها را برای ثبت رفتار باتری برجسته می‌کند. در نتیجه، این مطالعه قابلیت اطمینان مدل‌های مورد استفاده برای پیش‌بینی عملکرد LiBs را بهبود می‌بخشد و توسعه سیستم‌های مدیریتی را قادر می‌سازد که استفاده از باتری را کارآمدتر کند.

علاوه بر این، از طریق این رویکرد، اطلاعات استراتژیک ممکن است برای بهینه‌سازی و توسعه سیستم‌های مدیریت باتری ارائه شود که امکان استفاده کارآمدتر از باتری را فراهم می‌کند. بنابراین، مطالعه XAI مبتنی بر SHAP دانش فن‌آوری‌های باتری را عمیق‌تر می‌کند و کاربردهای آنها را گسترش می‌دهد.

۵٫ نتیجه گیری و روندهای آینده

این مطالعه به طور خاص عملکرد مدل‌های مختلف یادگیری ماشین را در پیش‌بینی ظرفیت تخلیه LiBs با تمرکز بر AdaBoost، تقویت گرادیان، XGBoost، LightGBM، CatBoost و یک مدل یادگیری گروهی ارزیابی کرد. یافته‌ها نشان داد که LightGBM از مدل‌های دیگر با کمترین مقادیر MAE و MSE و بالاترین مقدار مربع R عملکرد بهتری داشت، که نشان‌دهنده همبستگی قوی بین مقادیر پیش‌بینی‌شده و واقعی است. هر دو افزایش گرادیان و XGBoost سطوح عملکرد مشابهی را نشان دادند اما کمی از LightGBM عقب ماندند.

مدل یادگیری گروهی عملکرد رقابتی را با تأکید بر اثربخشی ترکیب چند مدل برای به دست آوردن یک چارچوب پیش‌بینی قوی به نمایش گذاشت. استفاده از مقادیر SHAP برای توضیح موفق‌ترین مدل، LightGBM، اهمیت ویژگی‌های مختلف مانند دما، شاخص سیکل، ولتاژ و جریان را در پیش‌بینی‌های تأثیرگذار برجسته کرد. به ویژه، دما به عنوان یک عامل تعیین کننده مهم ظاهر شد. تجزیه و تحلیل‌های XAI نشان داد که دمای بالا بر ظرفیت تخلیه تأثیر منفی می‌گذارد و با انتظارات فیزیکی در مورد عملکرد باتری همسو می‌شود.

نتایج این مطالعه نشان می‌دهد که مدل‌های یادگیری ماشین از نظر تئوری برای پیش‌بینی شرایط و ظرفیت LiBs مؤثر هستند. با این حال، کاربرد این مدل‌ها در سناریوهای دنیای واقعی شامل چالش‌های عملی فراتر از کفایت الگوریتم، مانند پیچیدگی مدل، الزامات محاسباتی، و ظرفیت پردازش داده‌های بلادرنگ است که ممکن است ادغام مدل را در برنامه‌های صنعتی محدود کند. در سیستم‌های مدیریت باتری برای وسایل نقلیه الکتریکی، مدل‌های یادگیری ماشینی می‌توانند با تغذیه داده‌های بلادرنگ مانند شرایط ترافیک، سبک رانندگی و آب و هوا، عمر باتری را بهینه کرده و برد را به حداکثر برسانند. در شبکه‌های هوشمندی که انرژی‌های تجدیدپذیر را در خود جای داده‌اند، این مدل‌ها تقاضای انرژی، بهبود بهره‌وری انرژی و کاهش هزینه‌های عملیاتی را پیش‌بینی می‌کنند. در کارخانه‌ها، مدل‌های یادگیری ماشینی می‌توانند با تعیین برنامه‌های تعمیر و نگهداری تجهیزات با باتری، خرابی‌ها را پیش‌بینی کنند. چنین کاربردهای بلادرنگ ارزش عملی مدل و ادغام موثر آن در برنامه های صنعتی را نشان می دهد. پیاده‌سازی الگوریتم‌های پیچیده‌تر BMS که شامل یادگیری ماشینی و هوش مصنوعی است، سلامت باتری را بهتر نظارت و مدیریت می‌کند و از چرخه‌های شارژ و دشارژ بهینه برای افزایش عمر باتری اطمینان می‌دهد.

مطالعات آینده ممکن است روش‌های مجموعه پیچیده‌تری را با ادغام مدل‌های یادگیری ماشینی جدیدتر یا متنوع‌تر برای افزایش دقت پیش‌بینی بررسی کنند. ادغام این مدل‌ها در سیستم‌های مانیتورینگ بلادرنگ برای وسایل نقلیه الکتریکی می‌تواند پیش‌بینی‌های پویا قابل انطباق با شرایط متغیر را ارائه دهد، بنابراین مصرف باتری را بهینه کرده و عمر باتری را افزایش می‌دهد. تجزیه و تحلیل عمیق تر در مورد ویژگی های اضافی که ممکن است بر عملکرد باتری تأثیر بگذارد، مانند عوامل محیطی یا تخریب مواد، بینش جامع تری ارائه می دهد. گسترش مدل‌های مبتنی بر پیش‌بینی به سایر فناوری‌های باتری و ذخیره‌سازی می‌تواند کاربرد و تأثیر آن‌ها را در سیستم‌های مختلف انرژی گسترش دهد.

تمرکز مداوم بر مدل‌های XAI، به‌ویژه در کاربردهای حساس مانند وسایل نقلیه الکتریکی که درک پیش‌بینی‌های مدل ممکن است به‌طور قابل‌توجهی بر تصمیم‌گیری‌های طراحی و عملیاتی تأثیر بگذارد، بسیار مهم خواهد بود. همانطور که مدل‌های یادگیری ماشین در کاربردهای حیاتی رایج‌تر می‌شوند، توسعه استانداردها و چارچوب‌های نظارتی برای اطمینان از قابلیت اطمینان و امنیت آنها ضروری می‌شود. گنجاندن XAI نه تنها شفافیت را تضمین می کند، بلکه بینش عملی را نیز ارائه می دهد که می تواند آینده توسعه فناوری باتری را شکل دهد. همانطور که تقاضا برای راه حل های انرژی پایدار همچنان در حال افزایش است، توسعه مدل های پیش بینی قوی تر و توضیح آنها با روش های XAI در روشن کردن خواص فیزیکی LiBs و رابطه بین الگوریتم های پیش بینی بسیار مهم خواهد بود.

هنگامی که باتری های لیتیوم یونی به دلیل کاهش عملکرد به پایان عمر خود می رسند، ضروری است که به طور مسئولانه به دفع و بازیافت آنها رسیدگی شود. علاوه بر این، نوسازی باتری‌های مصرف‌شده برای استفاده ثانویه در کاربردهای کم‌تر می‌تواند چرخه عمر آن‌ها را افزایش داده و به اقتصاد چرخشی کمک کند. توسعه فرآیندهای کارآمد و پایدار برای استفاده از باتری‌های لیتیوم یون پایان عمر برای به حداقل رساندن اثرات زیست‌محیطی و حمایت از تقاضای فزاینده برای مواد باتری به شیوه‌ای سازگار با محیط زیست بسیار مهم است.

مشارکت های نویسنده

روش، SO و AA. نرم افزار، SO و BE. اعتبارسنجی، BE; تحقیق، EB; منابع، AA; نوشتن-پیش نویس اصلی، BE; نوشتن-بررسی و ویرایش، Ş.S. و EB؛ Supervision, SO, Ş.S. و EB؛ مدیریت پروژه، SO; تامین مالی، Ş.S. و AA همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این مقاله توسط برنامه تحقیقاتی و نوآوری Horizon Europe اتحادیه اروپا تحت «نسل بعدی سیستم باتری‌های حالت جامد چند منظوره، مدولار و مقیاس‌پذیر» (توسعه‌یافته)، موافقت‌نامه گرانت شماره ۱۰۱۱۰۲۲۷۸ پشتیبانی شد.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

مشارکت های اصلی ارائه شده در مطالعه در مقاله گنجانده شده است، سوالات بیشتر را می توان به نویسنده مربوطه هدایت کرد.

قدردانی ها

این تحقیق با همکاری تیم MOBILERS در دانشگاه سیواس جمهوریت و گروه تحقیقات باتری در دانشگاه علم و فناوری سیواس (SBTU) انجام شد.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

اویوکو، اس. دوگان، اف. آکسوز، ا. Biçer, E. تجزیه و تحلیل مقایسه ای روش های یادگیری ماشینی که معمولاً برای پیش بینی و مدیریت عملکرد باتری لیتیوم یونی در وسایل نقلیه الکتریکی استفاده می شود. Appl. علمی ۲۰۲۴، ۱۴، ۲۳۰۶٫ [Google Scholar] [CrossRef]
اویوکو، اس. دومن، اس. دورو، İ. آکسوز، ا. Biçer، E. تخمین ظرفیت تخلیه برای باتری های لیتیوم یون: یک مطالعه مقایسه ای. تقارن ۲۰۲۴، ۱۶، ۴۳۶٫ [Google Scholar] [CrossRef]
کلاس، وی. بهم، م. لیندبرگ، جی. ثبت دینامیک باتری لیتیوم یون با مدل باتری مبتنی بر ماشین بردار پشتیبانی. J. منابع قدرت ۲۰۱۵، ۲۹۸، ۹۲-۱۰۱٫ [Google Scholar] [CrossRef]
لاادجل، ک. کاردوسو، برآورد AJM وضعیت باتری‌های لیتیوم یونی در کاربردهای خودروهای الکتریکی: مسائل و وضعیت هنر. الکترونیک ۲۰۲۱، ۱۰، ۱۵۸۸٫ [Google Scholar] [CrossRef]
لی، ی. لو، ال. ژانگ، سی. لیو، اچ. ارزیابی وضعیت سلامت برای باتری‌های لیتیوم یونی با استفاده از تحلیل انرژی افزایشی و حافظه کوتاه‌مدت دو جهته. ورلد الکتر. وه جی. ۲۰۲۳، ۱۴، ۱۸۸٫ [Google Scholar] [CrossRef]
Sarmah, SB; کالیتا، پ. گارگ، ا. نیو، X.-D. ژانگ، X.-W. پنگ، ایکس. Bhattacharjee, D. مروری بر برآورد وضعیت سلامت سیستم‌های ذخیره‌سازی انرژی: چالش‌ها و راه‌حل‌های ممکن برای کاربردهای آینده‌نگر بسته‌های باتری لیتیوم یونی در وسایل نقلیه الکتریکی. J. الکتروشیمی. مبدل انرژی ذخیره سازی ۲۰۱۹، ۱۶۰۴۰۸۰۱٫ [Google Scholar] [CrossRef]
هارپر، جی دی جی؛ کندریک، ای. اندرسون، PA; مروزیک، دبلیو. کریستنسن، پی. لامبرت، اس. گرین وود، دی. Das، PK؛ احمد، م. میلوویچ، ز. و همکاران نقشه راه برای اقتصاد دایره ای پایدار در فناوری های لیتیوم یون و باتری های آینده. J. Phys. انرژی ۲۰۲۳، ۵۰۲۱۵۰۱٫ [Google Scholar] [CrossRef]
لو، ال. هان، ایکس. لی، جی. هوآ، جی. اویانگ، ام. مروری بر مسائل کلیدی برای مدیریت باتری لیتیوم یونی در خودروهای الکتریکی. J. منابع قدرت ۲۰۱۳، ۲۲۶، ۲۷۲-۲۸۸٫ [Google Scholar] [CrossRef]
مدنی، س.س. زیبرت، سی. مرزبند، M. ویژگی های حرارتی و جنبه های ایمنی باتری های لیتیوم یونی: بررسی عمیق. تقارن ۲۰۲۳، ۱۵، ۱۹۲۵٫ [Google Scholar] [CrossRef]
چن، تی. جین، ی. Lv، H.; یانگ، آ. لیو، ام. چن، بی. زی، ی. Chen, Q. کاربردهای باتری‌های لیتیوم یونی در سیستم‌های ذخیره‌سازی انرژی در مقیاس شبکه. ترانس. دانشگاه تیانجین ۲۰۲۰، ۲۶، ۲۰۸-۲۱۷٫ [Google Scholar] [CrossRef]
چن، جی سی. چن، T.-L. لیو، W.-J. چنگ، سی. لی، ام.-جی. ترکیب تجزیه حالت تجربی و شبکه های عصبی عود کننده عمیق برای نگهداری پیش بینی باتری لیتیوم یون Adv. مهندس آگاه کردن. ۲۰۲۱، ۵۰، ۱۰۱۴۰۵٫ [Google Scholar] [CrossRef]
لیپو، MSH؛ میاه، س. جمال، ت. رحمان، ت. انصاری، س. رحمان، س. Ashique، RH; شیهاوالدین، ASM; Shakib، MN رویکردهای هوش مصنوعی برای سیستم مدیریت باتری پیشرفته در کاربردهای خودروهای الکتریکی: تحلیلی آماری به سمت فرصت‌های تحقیقاتی آینده. وسايل نقليه ۲۰۲۴، ۶، ۲۲-۷۰٫ [Google Scholar] [CrossRef]
او، س. یو، بی. لی، ز. ژائو، ی. تئوری تابعی چگالی برای مواد باتری. محیط انرژی ماتر ۲۰۱۹، ۲، ۲۶۴-۲۷۹٫ [Google Scholar] [CrossRef]
ژانگ، سی. چنگ، جی. چن، ی. چان، MKY; کای، س. کاروالیو، آر.پی. مارچیوری، CFN؛ برندل، دی. آرائوجو، سی ام. چن، ام. و همکاران نقشه راه ۲۰۲۳ در مدل سازی مولکولی مواد انرژی الکتروشیمیایی. J. Phys. انرژی ۲۰۲۳، ۵۰۴۱۵۰۱٫ [Google Scholar] [CrossRef]
ماچلو، آر. هیسترن، ال. پرل، ام. لوی، ک. بلیکوف، جی. مانور، اس. لورون، ی. تکنیک‌های هوش مصنوعی قابل توضیح (XAI) برای سیستم‌های انرژی و قدرت: بررسی، چالش‌ها و فرصت‌ها. هوش مصنوعی انرژی ۲۰۲۲، ۹، ۱۰۰۱۶۹٫ [Google Scholar] [CrossRef]
عالم، مگاوات؛ باقیس، ع. رحمان، م.م. عامر، م. ابوذر، ع. مشتاق، س. امین، م.ن. خان، بررسی MS در مورد ZnFe با پوشش کربن در محل_۲O₄ به عنوان ماده آند پیشرفته برای باتری های لیتیوم یونی. ژل ۲۰۲۲، ۸، ۳۰۵٫ [Google Scholar] [CrossRef] [PubMed]
جایاچیترا، جی. جاشوا، جی آر؛ بالاموروگان، ا. سیواکومار، ن. شارمیلا، وی. شانواس، س. ابوحیجه، م. عالم، مگاوات؛ BaQais، A. عملکرد الکترود بالا O3-NaFeO با پوشش C فعال شده توسط هیدروترمال توسعه یافته است._۲ الکترود برای کاربردهای باتری Na-ion سرام. بین المللی ۲۰۲۳، ۴۹، ۴۸-۵۶٫ [Google Scholar] [CrossRef]
دیائو، دبلیو. ساکسنا، اس. Pecht, M. تست چرخه تسریع شده و مدل‌سازی کاهش ظرفیت LiCoO₂-سلول های گرافیتی J. منابع قدرت ۲۰۱۹، ۴۳۵، ۲۲۶۸۳۰٫ [Google Scholar] [CrossRef]
بنتژاک، سی. Csörgő، A. Martínez-Muñoz، G. تحلیل مقایسه ای الگوریتم های تقویت گرادیان. هنرها هوشمندانه. کشیش ۲۰۲۱، ۵۴، ۱۹۳۷-۱۹۶۷٫ [Google Scholar] [CrossRef]
کای، بی. لی، ام. یانگ، اچ. وانگ، سی. Chen, Y. برآورد وضعیت شارژ باتری لیتیوم یون بر اساس شبکه عصبی پس انتشار و الگوریتم AdaBoost. انرژی ها ۲۰۲۳، ۱۶، ۷۸۲۴٫ [Google Scholar] [CrossRef]
چن، تی. او، تی. Benesty، M. XGBoost: افراطی افزایش گرادیان. بسته R نسخه ۰٫۴-۲٫ ۲۰۱۵٫ در دسترس آنلاین: https://rdocumentation.org/packages/xgboost/versions/0.4-2 (دسترسی در ۱۲ مه ۲۰۲۴).
Al Daoud, E. مقایسه بین XGBoost، LightGBM و CatBoost با استفاده از مجموعه داده اعتبار خانگی. بین المللی جی. کامپیوتر. Inf. مهندس ۲۰۱۹، ۱۳، ۶-۱۰٫ [Google Scholar]
نوردین، ن. زینول، ز. نور، MHM; چان، LF یک مدل پیش‌بینی‌کننده قابل توضیح برای خطر اقدام به خودکشی با استفاده از رویکرد یادگیری گروهی و توضیح‌های افزودنی Shapley (SHAP). روانپزشکی J. آسیایی ۲۰۲۳، ۷۹، ۱۰۳۳۱۶٫ [Google Scholar] [CrossRef] [PubMed]
دی میتنایر، ا. گلدن، بی. لو گراند، بی. Rossi, F. میانگین درصد خطای مطلق برای مدل های رگرسیون. کامپیوترهای عصبی ۲۰۱۶، ۱۹۲، ۳۸-۴۸٫ [Google Scholar] [CrossRef]
یین، جی. مدل‌های یادگیری گروه Li، N. با الگوریتم بهینه‌سازی بیزی برای نگاشت آینده نگری مواد معدنی. سنگ معدن. کشیش ۲۰۲۲، ۱۴۵، ۱۰۴۹۱۶٫ [Google Scholar] [CrossRef]
حسن، آر. احیای شبکه الکتریکی: الگوی یادگیری ماشین برای تضمین ثبات در ایالات متحده جی. کامپیوتر. علمی تکنولوژی گل میخ. ۲۰۲۴، ۶، ۱۴۱-۱۵۴٫ [Google Scholar] [CrossRef]
Phyo، PP; بیون، YC; پارک، N. پیش بینی انرژی کوتاه مدت با استفاده از رگرسیون رأی گیری گروهی مبتنی بر یادگیری ماشینی. تقارن ۲۰۲۲، ۱۴، ۱۶۰٫ [Google Scholar] [CrossRef]
آلدریس، آ. خان، م. طاها، ATB; علی، م. ارزیابی شاخص‌های کیفیت آب با رویکردهای جدید یادگیری ماشین و توضیح افزودنی SHapley (SHAP). J. فرآیند آب. مهندس ۲۰۲۴، ۵۸، ۱۰۴۷۸۹٫ [Google Scholar] [CrossRef]
Ma، K. مدلسازی ترکیبی یکپارچه و SHAP (توضیحات افزودنی SHapley) برای پیش بینی و توضیح خواص جذب مواد متخلخل پلی اورتان گرمانرم (TPU). RSC Adv. 2024، ۱۴، ۱۰۳۴۸–۱۰۳۵۷٫ [Google Scholar] [CrossRef] [PubMed]
محمد، ع. کورا، آر. مروری جامع بر یادگیری عمیق گروهی: فرصت‌ها و چالش‌ها. J. King Saud Univ.-Comput. Inf. علمی ۲۰۲۳، ۳۵، ۷۵۷-۷۷۴٫ [Google Scholar] [CrossRef]
چاندران، وی. پاتیل، CK; کارتیک، ا. گانشاپرومال، دی. رحیم، ر. Ghosh, A. برآورد وضعیت شارژ باتری لیتیوم یونی برای وسایل نقلیه الکتریکی با استفاده از الگوریتم های یادگیری ماشین. ورلد الکتر. وه جی. ۲۰۲۱، ۱۲، ۳۸٫ [Google Scholar] [CrossRef]
دینوا، ا. Kocsis، SS; Vajda، I. پیش بینی ولتاژ ترمینال مبتنی بر داده باتری های لیتیوم یون تحت بارهای دینامیکی. در مجموعه مقالات بیست و یکمین سمپوزیوم بین‌المللی ۲۰۲۰ در دستگاه‌ها و فناوری‌های الکتریکی (SIELA)، بورگاس، بلغارستان، ۳ تا ۶ ژوئن ۲۰۲۰؛ صص ۱-۵٫ [Google Scholar] [CrossRef]
پوه، WQT؛ خو، ی. Tan, RTP مروری بر کاربردهای یادگیری ماشین برای تخمین وضعیت باتری لیتیوم یونی در وسایل نقلیه الکتریکی. در مجموعه مقالات فناوری‌های شبکه هوشمند نوآورانه IEEE PES 2022-Asia (ISGT Asia)، سنگاپور، ۱ تا ۵ نوامبر ۲۰۲۲٫ [Google Scholar] [CrossRef]
آستانه، م. آندریک، جی. لوفدال، ال. ماگیلو، دی. استاپ، پی. مقدم، م. چاپویس، م. Ström، H. روش بهینه‌سازی کالیبراسیون برای مدل بسته باتری لیتیوم یونی برای وسایل نقلیه الکتریکی در کاربردهای معدن. انرژی ها ۲۰۲۰، ۱۳، ۳۵۳۲٫ [Google Scholar] [CrossRef]
Chehade, AA; حسین، AA یک مدل فرآیند گاوسی پیچیده چند خروجی برای تخمین ظرفیت سلول‌های باتری لیتیوم یون خودروی الکتریکی. در مجموعه مقالات کنفرانس و نمایشگاه برق رسانی حمل و نقل IEEE 2019 (ITEC)، دیترویت، MI، ایالات متحده آمریکا، ۱۹ تا ۲۱ ژوئن ۲۰۱۹٫ [Google Scholar]
دو، آر. هو، ایکس. زی، اس. هو، ال. ژانگ، ز. Lin, X. مدیریت انرژی پیش‌بینی‌کننده دما و پیری باتری برای خودروهای الکتریکی هیبریدی. J. منابع قدرت ۲۰۲۰، ۴۷۳، ۲۲۸۵۶۸٫ [Google Scholar] [CrossRef]

شکل ۱٫
فلوچارت مدل ها.

شکل ۲٫
پیش‌بینی‌شده در مقابل مقادیر واقعی مدل‌ها.

شکل ۳٫
مدل واقعی و پیش بینی شده مجموعه

شکل ۴٫
آبشار ارزش SHAP برای مدل LGBM.

شکل ۵٫
قابلیت توضیح پارامترهای مدل LightGBM با مقادیر مدل SHAP.

شکل ۶٫
میانگین مقادیر مطلق SHAP برای مدل LightGBM.

میز ۱٫
روش های آزمایشی که روی سلول ها اعمال می شود [۱۸].

تخلیه C-Rate	دمای محیط (°C)				دشارژ C-Rate C
تخلیه C-Rate	۱۰	۲۵	۴۵	۶۰	دشارژ C-Rate C
۰٫۷ C	تست شماره ۱	تست شماره ۷	تست شماره ۱۳	تست شماره ۱۹	ج/۵
۰٫۷ C	تست شماره ۲	تست شماره ۸	تست شماره ۱۴	تست شماره ۲۰	C/40
۱ C	تست شماره ۳	تست شماره ۹	تست شماره ۱۵	تست شماره ۲۱	ج/۵
۱ C	تست شماره ۴	تست شماره ۱۰	تست شماره ۱۶	تست شماره ۲۲	C/40
۲ C	تست شماره ۵	تست شماره ۱۱	تست شماره ۱۷	تست شماره ۲۳	ج/۵
۲ C	تست شماره ۶	تست شماره ۱۲	تست شماره ۱۸	تست شماره ۲۴	C/40

جدول ۲٫
فراپارامترهای مدل ها

مدل ها	فراپارامترها
AdaBoost	n_estimators = 100
	نرخ_آموزش = ۰٫۲
	ضرر = “خطی”
افزایش گرادیان	n_estimators = 100
	نرخ_آموزش = ۰٫۱
	حداکثر_عمق = ۳
	min_samples_split = 2
	min_samples_leaf = 1
XGBoost	n_estimators = 100
	نرخ_آموزش = ۰٫۱
	حداکثر_عمق = ۳
	نمونه فرعی = ۰٫۸
	colsample_bytree = 0.8
	گاما = ۰
	حداقل_وزن_کودک = ۱
LightGBM	n_estimators = 100
LightGBM	حالت_تصادفی = ۴۲
CatBoost	n_estimators = 100
	حالت_تصادفی = ۴۲
	پرمخاطب = ۰

جدول ۳٫
نتایج مقایسه مدل

مدل ها	MAE	MSE	R-Squared
AdaBoost	۰٫۱۳۴	۰٫۰۴۱	۰٫۷۶۳
افزایش گرادیان	۰٫۱۰۸	۰٫۰۲۳	۰٫۸۶۴
XGBoost	۰٫۱۱۰	۰٫۰۲۳	۰٫۸۶۴
LightGBM	۰٫۱۰۳	۰٫۰۱۹	۰٫۸۸۷
CatBoost	۰٫۱۰۴	۰٫۰۲۰	۰٫۸۸۱

سلب مسئولیت/یادداشت ناشر: اظهارات، نظرات و داده های موجود در همه نشریات صرفاً متعلق به نویسنده (ها) و مشارکت کننده (ها) است و نه MDPI و/یا ویرایشگر(ها). MDPI و/یا ویرایشگر(های) مسئولیت هرگونه آسیب به افراد یا دارایی ناشی از هر ایده، روش، دستورالعمل یا محصولی را که در محتوا ذکر شده است، سلب می‌کنند.

© ۲۰۲۴ توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) توزیع شده است (https://creativecommons.org/licenses/by/4.0/).

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | بهینه سازی عملکرد باتری لیتیوم یون: ادغام یادگیری ماشین و هوش مصنوعی قابل توضیح برای مدیریت انرژی پیشرفته
,۲۰۲۴-۰۶-۰۳ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/11/4755