Elektrikli araçlarda derin öğrenme yöntemiyle şarj durum tahmini
State of charge estimation in electric vehicles using deep learning
- Tez No: 1001360
- Danışmanlar: PROF. DR. İBRAHİM YÜCEDAĞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrikli araçlarda batarya şarj durumunun (BŞD) doğru ve güvenilir şekilde tahmin edilmesi, menzil öngörüsü, enerji yönetimi ve batarya güvenliği açısından kritik öneme sahiptir. Bu çalışmada, gerçek sürüş koşullarını yansıtan BMW i3 kış sürüş veri seti kullanılarak BŞD tahmini için derin öğrenme tabanlı çift başlıklı zaman serisi harmanlayıcı ağı (ÇB-ZSHA) modeli geliştirilmiştir. Önerilen yaklaşım, evrişimsel harmanlayıcı yapıları ile uzun ve kısa vadeli zamansal bağımlılıkları birlikte modelleyen çift başlı bir okuma mekanizmasını bir araya getirmektedir. Çalışmada; hız, batarya gerilimi, batarya akımı ve ortam sıcaklığı giriş olarak kullanılmış, BŞD değişimi (ΔBŞD) tahmin edilerek mutlak BŞD değeri elde edilmiştir. Model performansı, literatürde yaygın olarak kullanılan kök ortalama kare hatası (Root Mean Square Error, RMSE), ortalama mutlak hata (Mean Absolute Error, MAE) ve ortalama mutlak yüzde hatası (Mean Absolute Percentage Error, MAPE) metrikleri ile değerlendirilmiştir. Önerilen yöntem, aynı veri setini kullanan mevcut çalışmalarla adil bir karşılaştırmaya tabi tutulmuştur. Elde edilen sonuçlar, ÇB-ZSHA modelinin uzun kısa süreli bellek (Long Short Term Memory, LSTM), evrişimsel sinir ağı (Convolutional Neural Network, CNN)-LSTM ve dikkat mekanizmalı çift yönlü (Bi-directional LSTM with Attention, BiLSTM-AT) gibi yaygın yöntemlere kıyasla belirgin bir doğruluk artışı sağladığını göstermektedir. Önerilen yöntem %0,21 RMSE değeri ile en düşük hata seviyesine ulaşmış; bu sonuç, LSTM, CNN-LSTM ve BiLSTM-AT yöntemlerine göre sırasıyla yaklaşık %97, %96 ve %95 oranında hata azaltımına karşılık gelmektedir. Ayrıca, literatürde güçlü bir referans olarak kabul edilen TrendFlow-Mixer yöntemi ile karşılaştırıldığında %82 oranında göreli iyileşme sağlanmıştır. Sonuçlar, önerilen mimarinin hem yüksek doğruluk hem de güçlü genelleme yeteneği sunduğunu göstermektedir. Bu yönüyle ÇB-ZSHA yaklaşımı, gerçek zamanlı batarya yönetim sistemleri için uygulanabilir ve güvenilir bir BŞD tahmin çözümü olarak öne çıkmaktadır. Ablasyon analizi ise girdi temsili ve özellik seçiminin BŞD tahmin doğruluğunu anlamlı düzeyde etkilediğini ortaya koymaktadır. Gelecek çalışmalarda, yöntemin farklı elektrikli araç modelleri ve değişen çevresel koşullar altında test edilmesi planlanmaktadır.
Özet (Çeviri)
Accurate estimation of the battery state of charge (SOC) is a critical requirement for electric vehicles, as it directly affects driving range prediction, energy management, and operational safety. This study develops a deep learning based dual head time series mixer network (DH-TSMN) for SOC estimation using a BMW i3 winter driving dataset that reflects real world driving conditions. The model is evaluated on the BMW i3 winter driving dataset, which reflects realistic operating conditions and poses significant challenges due to temperature variations and dynamic load profiles. The proposed framework integrates convolutional mixer blocks with a dual-head readout mechanism to jointly capture short-term temporal patterns and long-term dependencies in battery behavior. Vehicle speed, battery voltage, battery current, and ambient temperature are used as input features, while the SOC change (ΔSOC) is predicted and subsequently converted to absolute SOC. Model performance is assessed using three widely adopted evaluation metrics: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). Experimental results demonstrate that the DH TSMN model significantly outperforms conventional and state-of-the-art methods, including LSTM, CNN-LSTM, and BiLSTM-AT. The proposed method achieves an RMSE of %0,21, corresponding to approximately %97, %96, and %95 error reduction compared to LSTM, CNN-LSTM, and BiLSTM-AT, respectively. Furthermore, when compared with the TrendFlow-Mixer approach, which represents one of the best reported results on the same dataset, the proposed model achieves an %82 relative improvement in RMSE. These results confirm the robustness, accuracy, and generalization capability of the DH-TSMN architecture. Owing to its high prediction accuracy and computational efficiency, the proposed approach is well suited for real-time battery management system applications in electric vehicles. Ablation analysis further reveals that input representation and feature selection significantly affect the accuracy of battery SOC estimation. Future work will focus on extending the framework to different electric vehicle models and investigating the impact of alternative feature selection strategies.
Benzer Tezler
- Elektrikli araçların kullanıcı tercihlerine göre sınıflandırılması: hibrit bir yaklaşım
Classification of electric vehicles based on user preference: a hybrid approach
MEHMET DEMİR
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ASAN
- Elektrikli araçlarda rejeneratif frenleme için derin öğrenme algoritması geliştirilmesi
Development of deep learning algorithm for regenerative braking in electric vehicles
ÖMER ERGÜN
Yüksek Lisans
Türkçe
2025
Makine MühendisliğiYıldız Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLYAS İSTİF
DOÇ. DR. ERKİN DİNÇMEN
- Hibrit elektrikli araçlarda batarya performans ve yakıt tüketimi değerlerinin modellenmesi ve optimizasyonu
Modeling and optimization of battery performance and fuel consumption in hybrid electric vehicles
YAVUZ ERAY ALTUN
Doktora
Türkçe
2024
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN AKIN KUTLAR
- Derin pekiştirmeli öğrenme ile elektrikli araçlarda dinamik rotalama
Dynamic routing via deep reinforcement learning for electrical vehicles
MEHMET BİLGE HAN TAŞ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. KEMAL ÖZKAN
- Hatalı yerleştirilen araç sigortalarının şablon eşleştirme yöntemiyle tespiti
Detection of misplaced vehicle fuses using template matching method
MUSTAFA KARAKURT
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET KÜÇÜKER