🤖 machine learning

A Hybrid Tucker-LSTM Tensor Network Model for SOC Prediction in Electric Vehicles

تقترح هذه الورقة نموذج شبكة تينسور هجين (Tucker-LSTM) مبتكر يستفيد من تفكيك توكرر لتقليل أبعاد بيانات مجال المركبات الكهربائية خلال دورة حياتها الكاملة مع الحفاظ على البنية الزمنية، محققاً دقة فائقة في التنبؤ بحالة الشحن مقارنة بالطرق التقليدية مع خفض بنسبة 70.5% في متوسط مربع الخطأ (MSE).

المؤلفون الأصليون: Han Wang, Ying Wang, Bing Wang

نُشر 2026-05-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Han Wang, Ying Wang, Bing Wang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح للورقة البحثية باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

المشكلة الكبيرة: تخمين مستوى البطارية

تخيل أنك تقود سيارة كهربائية. أنت بحاجة لمعرفة كمية "الوقود" (شحن البطارية) المتبقية بدقة لتجنب التوقف المفاجئ في منتصف الطريق. هذا ما يسمى بتقدير حالة الشحن (SOC).

حالياً، تحاول الحواسيب في هذه السيارات تخمين مستوى البطارية من خلال مراقبة تدفق البيانات: سرعة السيارة، الجهد الكهربائي في البطارية، درجة الحرارة، ومدة القيادة.

المشكلة هي أن هذه البيانات فوضوية ومربكة. الأمر يشبه محاولة الاستماع إلى جوقة مكونة من 14 مغنياً مختلفاً يصرخون جميعاً في وقت واحد بينما تسير السيارة فوق طريق وعر. الطرق التقليدية غالباً ما ترتبك بسبب الضجيج، مما يؤدي إلى مشكلتين رئيسيتين:

الانحراف (Drifting): يصبح التخمين خاطئاً قليلاً في كل مرة، ومع مرور رحلة طويلة، تتراكم الأخطاء حتى يصبح التخمين بعيداً جداً عن الواقع.
التبسيط المخل (Oversimplification): تحاول هذه الطرق استخدام قواعد بسيطة لوصف بطارية معقدة جداً في الواقع، وهذا لا ينجح دائماً.

الحل الجديد: "الملخص الذكي" + "المسافر عبر الزمن"

قام مؤلفو هذه الورقة ببناء نظام جديد لإصلاح هذا الأمر. لقد دمجوا أداتين قويتين في فريق واحد: تفكيك تاكر (Tucker Decomposition) و الذاكرة الطويلة قصيرة المدى (LSTM).

فكر في الأمر كالتالي:

1. تفكيك تاكر: "الملخص الذكي"

قبل أن يحاول الكمبيوتر التنبؤ بالمستقبل، عليه أولاً أن يفهم البيانات الفوضوية.

التشبيه: تخيل أن لديك مكتبة ضخمة من 14 صحيفة مختلفة، وتحصل على نسخة جديدة منها كل يوم. قراءة الـ 14 صحيفة يومياً أمر مرهق ومليء بالأخبار المتكررة.
ما تفعله الورقة البحثية: يقوم "الملخص الذكي" (تفكيك تاكر) بقراءة جميع الصحف الـ 14، ويجد القصص الرئيسية المهمة فعلياً، ثم يتخلص من الضجيج المتكرر. إنه يختزل تدفقات البيانات الـ 14 في 10 "ميزات فائقة" رئيسية فقط.
لماذا يساعد ذلك: فهو يحافظ على الهيكل الأساسي للقصة (سلوك البطارية) ولكنه يزيل الفوضى. الأمر يشبه تحويل رواية من 500 صفحة إلى ملخص واضح من 50 صفحة دون فقدان الحبكة.

2. LSTM: "المسافر عبر الزمن"

بمجرد تنظيف البيانات، يحتاج النظام إلى التنبؤ بما سيحدث بعد ذلك.

التشبيه: تخيل أنك تشاهد فيلماً. لتخمين ما سيحدث في المشهد التالي، عليك أن تتذكر ما حدث في المشاهد السابقة.
ما تفعله الورقة البحثية: (LSTM) هو نوع من الذكاء الاصطناعي المصمم خصيصاً لتذكر التسلسلات الطويلة. ينظر إلى "الملخص" الذي قدمه الملخص الذكي ويتعلم كيف يتغير شحن البطارية بمرور الوقت. إنه يفهم أنه إذا كانت السيارة تسير بسرعة وازدادت حرارة البطارية، فإن الشحن سينخفض بشكل أسرع في المرة القادمة.

التجربة: السباق

اختبر الباحثون فريقهم الجديد (الملخص الذكي + المسافر عبر الزمن) ضد فريق قياسي (المسافر عبر الزمن فقط بدون الملخص). استخدموا بيانات حقيقية من مركبة كهربائية قطعت مسافة تزيد عن 38,000 كيلومتر.

النتائج:
فاز الفريق الجديد بفارق ساحق.

الدقة: ارتكب الفريق القياسي أخطاء كبيرة (مثل التخمين بأن لديك 10% من البطارية بينما لديك 5% فعلياً). أما الفريق الجديد، فكانت أخطاؤه ضئيلة جداً وتكاد لا تُلحظ.
الأرقام: قلل النموذج الجديد نسبة الخطأ بمقدار 70% مقارنة بالطريقة القديمة. إذا كانت الطريقة القديمة تشبه محاولة إصابة هدف بذراع مهتزة، فإن الطريقة الجديدة تشبه استخدام جهاز تحديد المواقع بالليزر.

لماذا هذا مهم (وفقاً للورقة البحثية)

تدعي الورقة أنه باستخدام "الملخص الذكي" أولاً، لم يجعلوا الرياضيات أسرع فحسب، بل جعلوا التنبؤ أكثر ذكاءً.

عدم فقدان المعلومات: على الرغم من أنهم تخلصوا من "الضجيج" (البيانات الزائدة)، إلا أن جوهر القصة الخاص بالبطارية ظل سليماً.
استقرار أفضل: نظرًا لتنظيف البيانات قبل أن يحاول الذكاء الاصطناعي التعلم منها، كانت التنبؤات أكثر استقراراً ولم تنحرف بمرور الوقت.

باخت-اختصار

أخذ المؤلفون مشكلة فوضوية ذات أبعاد عالية (التنبؤ بعمر بطارية السيارة) وحلوها عن طريق تنظيف وضغط البيانات أولاً (تفكيك تاكر) ثم تعليم ذكاء اصطناعي كيفية التعلم من تلك البيانات النظيفة بمرور الوقت (LSTM). والنتيجة هي نظام يتنبأ بمستويات البطارية بدقة أكبر بكثير من الطرق الحالية، باستخدام بيانات قيادة من العالم الحقيقي.

ملخص تقني: نموذج شبكة تينسور هجين (Tucker-LSTM) للتنبؤ بحالة الشحن (SOC) في المركبات الكهربائية

بيان المشكلة
يعد التقدير الدقيق لحالة الشحن (SOC) متطلباً أساسياً لسلامة وكفاءة وطول عمر أنظمة إدارة بطارية المركبات الكهربائية (BMS). وبينما توجد طرق تقليدية مثل حساب الأمبير-ساعة، ومعايرة جهد الدائرة المفتوحة، والترشيح القائم على النماذج، إلا أنها غالباً ما تعاني من الانحراف التراكمي، والحساسية للمعاملات، ومحدودية المتانة في بيئات التشغيل غير الخطية والديناميكية. وفي المقابل، تقدم النهج القائمة على البيانات بديلاً واعداً عبر تعلم سلوكيات البطارية المعقدة مباشرة من القياسات التاريخية دون الاعتماد على فرضيات فيزيائية مبسطة. ومع ذلك، فإن بيانات بطاريات المركبات الكهربائية في العالم الحقيقي تطرح تحديات كبيرة: فهي عالية الأبعاد، ومتعددة المتغيرات، ومرتبطة زمنياً بشكل قوي. إن تغذية هذه البيانات الخام الفائضة والمكررة مباشرة في نماذج تسلسلية مثل شبكات الذاكرة الطويلة قصيرة المدى (LSTM) يمكن أن يؤدي إلى إدخال تكرار في الميزات، وتضخيم فضاء المعاملات، وتقليل استقرار التنبؤ، لا سيما عند وجود تبعيات هيكلية كامنة عبر قنوات الاستشعار والزمن.

المنهجية
لمعالجة هذه التحديات، يقترح المؤلفون نموذج شبكة تينسور هجين (Tucker-LSTM) مصمم للتنبؤ بحالة الشحن (SOC) طوال دورة الحياة الكاملة باستخدام بيانات تشغيل حقيقية لمركبات كهربائية. تتكون المنهجية من أربع مراحل رئيسية:

تنسيق البيانات ومعالجتها مسبقاً: تستخدم الدراسة مجموعة بيانات تحتوي على سجلات تشغيل كاملة لدورة حياة مركبة كهربائية (من 0 إلى 38,548.7 كم)، ملتزمة بالمعيار الوطني الصيني GB/T 32960.3-2016. تتضمن مجموعة البيانات 14 ميزة تشغيلية مثل حالة الشحن، وسرعة المركبة، والمسافة المقطوعة الإجمالية، والجهد والتيار الإجمالي للحزمة، وفروقات جهد الخلايا، ومقاييس درجة الحرارة. تمت معالجة البيانات عبر المحاذاة الزمنية، وتشفير الحالة التشغيلية، وبناء ميزات النافذة المنزلقة لالتقاط ديناميكيات البطارية.
تقليل الأبعاد القائم على Tucker: يتم إنشاء تينسور ثلاثي الأبعاد بأبعاد تمثل العينات، والنوافذ الزمنية، والميزات. يُطبق تفكيك Tucker على هذا التينسور لاستخراج عوامل كامنة مدمجة وتينسور أساسي. وتحديداً، يتم إسقاط نمط الميزة على فضاء فرعي ذي رتبة منخفضة (مع الاحتفاظ بـ 10 مكونات) عبر تحليل القيم الذاتية لمصفوفة التباين. تعمل هذه العملية على ضغط القياسات متعددة الأنماط مع الحفاظ على خصائصها الهيكلية متعددة الاتجاهات وتبعياتها الزمنية، مما يقلل فعلياً من أبعاد المدخلات من 14 ميزة إلى 10 مكونات كامنة.
بنية التنبؤ التسلسلي الهجينة: يتم تغذية الميزات الكامنة المضغوطة في شبكة LSTM. تعتمد البنية على طبقتين من LSTM بحجم مخفي قدره 64 ومعدل إسقاط (dropout) بنسبة 0.2، تليها طبقة مخرجات خطية. ولضمان مقارنة عادلة، تم تدريب نموذج LSTM قياسي أساسي على فضاء الميزات الأصلي المكون من 14 بعداً باستخدام نفس المعاملات الفائقة.
التدريب والتقييم: تم تقسيم البيانات زمنياً (70% للتدريب، 15% للتحقق، 15% للاختبار) لمنع انحياز الاستشراف المستقبلي. تم تدريب النماذج باستخدام محسن Adam ودالة خسارة متوسط مربع الخطأ (MSE). تم تقييم الأداء باستخدام MSE، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل التحديد ( $R^2$ ).

المساهمات الرئيسية
يقدم البحث مساهمتين رئيسيتين في مجال إدارة بطاريات المركبات الكهربائية:

تعلم التمثيل المعتمد على التينسور: يقدم استراتيجية للتنبؤ بحالة شحن البطارية تستخدم تفكيك Tucker لتقليل المعلومات الزائدة في بيانات المراقبة عالية الأبعاد. ينجح هذا النهج في ضغط البيانات دون تدمير البنية الزمنية الأساسية.
إطار عمل هجين موحد: يؤسس مسار تنبؤ يدمج تفكيك Tucker لضغط الميزات الهيكلية مع LSTM لنمذجة التسلسل الزمني. يجسد هذا التصميم الفجوة بين تعلم التينسور منخفض الرتبة والتعلم العميق التسلسلي لتحليل دورة حياة المركبات الكهربائية الكاملة.

النتائج التجريبية
أظهر نموذج Tucker-LSTM تفوقاً لا لبس فيه على نموذج LSTM القياسي عبر جميع مقاييس التقييم في مجموعة الاختبار:

MSE: انخفض بنسبة 70.5%، من 21.07 (LSTM) إلى 6.22 (Tucker-LSTM).
MAE: تحسن بنسبة 48.7%، من 3.37% إلى 1.73%.
RMSE: انخفض من 4.59% إلى 2.49%.
$R^2$ : ارتفع من 0.918 إلى 0.976.

يؤكد التحليل النوعي أنه بينما يتتبع كلا النموذجين الاتجاه العام، فإن نموذج Tucker-LSTM يتوافق بدقة أكبر مع القيم الحقيقية أثناء التغيرات السريعة في حالة الشحن (SOC). كما أن توزيع الخطأ للنموذج المقترح أكثر تمركزاً حول الصفر مع ذروة أكثر حدة، مما يشير إلى انخفاض في الانحياز والتباين.

الأهمية والادعاءات
يخلص المؤلفون إلى أن تفكيك التينسور يضغط بفعالية بيانات البطارية عالية الأبعاد دون المساس بدقة التنبؤ. وتفترض الدراسة أن هذا النهج الهجين يفتح اتجاهاً جديداً للتحليلات القائمة على التينسور في إدارة بطاريات المركبات الكهربائية. ومن خلال إثبات أن ضغط البيانات عالية الأبعاد عبر تفكيك Tucker يحافظ على المعلومات الهيكلية الجوهرية مع تعزيز كفاءة التعلم، تشير الورقة إلى أن هذه الأساليب قيمة لتحسين متانة التنبؤ في بيئات البيانات الزمنية المعقدة والهيكلية. وتؤكد الدراسة أن دمج ضغط الميزات الهيكلية مع نمذجة التسلسل يمكن أن يتفوق بشكل كبير على النماذج التسلسلية القياسية في مهام تقدير حالة الشحن (SOC).