Hibrit derin öğrenme yöntemleri ile batarya şarj durumu (ŞD) tahmininin geliştirilmesi
Improving battery state of charge (SoC) estimation using hybrid deep learning methods
- Tez No: 1012180
- Danışmanlar: DOÇ. DR. EMİN ARGUN ORAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Şarj Durumu (ŞD) tahmini, DNN, LSTM, GRU, BiLSTM, hibrit model, veri füzyonu, Batarya Yönetim Sistemleri (BYS), lityum-iyon bataryalar, elektrikli araçlar, yenilenebilir enerji, enerji depolama, derin öğrenme, veri tabanlı yöntemler, enerji verimliliği, sürdürülebilirlik, State of Charge (SoC) estimation, DNN, LSTM, GRU, BiLSTM, hybrid model, data fusion, Battery Management Systems (BMS), lithium-ion batteries, electric vehicles, renewable energy, energy storage, deep learning, data-driven methods, energy efficiency, sustainability
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmada, elektrikli araç bataryalarının Şarj Durumu (ŞD) tahmininde doğruluk ve kararlılığı artırmak amacıyla DNN, LSTM, GRU ve BiLSTM mimarilerini içeren çoklu model tabanlı hibrit derin öğrenme füzyon yapısının geliştirilmesi amaçlanmıştır. Önerilen yapı, bataryaların karmaşık ve doğrusal olmayan dinamiklerini modelleyerek Batarya Yönetim Sistemlerinin (BYS) güvenilirliğini hedeflemiştir. Yöntem: Çalışma, veri tabanlı ve metodolojik olarak doğrulanmış bir yaklaşımla gerçekleştirilmiştir. İlk aşamada, farklı karakteristiklere sahip dört model (DNN, LSTM, GRU, BiLSTM) kayar pencere yöntemiyle zenginleştirilmiş eğitim verisi üzerinde eğitilmiştir. Metodolojik özgünlük olarak, veri seti rastgele karıştırılmak yerine sürüş bazlı olarak yaz ve kış mevsimleri için dengeli şekilde ayrılmış böylece modelin genelleme yeteneği korunmuştur. Füzyon ağırlıkları ise test verisi yerine, eğitimden bağımsız bir validasyon seti üzerindeki performans metriklerine dayalı olarak belirlenerek geleceği görme yanlılığı engellenmiştir. Bulgular: Uygulama sonucunda, önerilen Validasyon Ağırlıklı Global Füzyon modelinin, tekil modellere (DNN, LSTM, GRU, BiLSTM) kıyasla daha yüksek doğruluk ve genelleme yeteneği sunduğu belirlenmiştir. Özellikle BiLSTM ve GRU tabanlı hibrit yapıların, bataryanın zamanla değişen davranışlarını ve mevsimsel farklılıkları etkili bir şekilde modellediği görülmüştür. Ayrıca, sistem çıkışına uygulanan yumuşatma işleminin, tahmin eğrisindeki gürültüyü gidererek fiziksel tutarlılığı artırdığı gözlemlenmiştir. Sonuç: Önerilen dört modelli hibrit füzyon yapısı, ŞD tahmininde metodolojik bir yenilik sunmuştur. Füzyon algoritmalarının, bireysel modellere kıyasla daha sağlam sonuçlar ürettiği tespit edilmiştir. Bu çalışma, BYS'nin optimizasyonuna katkıda bulunarak, elektrikli araçların ve enerji depolama sistemlerinin güvenilirliğini artırmada önemli bir rol oynamaktadır.
Özet (Çeviri)
Purpose: This study aims to develop a multi-model hybrid deep learning fusion framework incorporating DNN, LSTM, GRU, and BiLSTM architectures to enhance the accuracy and stability of State of Charge (SoC) estimation for electric vehicle batteries. The proposed architecture aims to enhance the reliability of Battery Management Systems (BMS) by modeling the complex and nonlinear dynamics of batteries. Method: The study was conducted using a data-driven and methodologically validated approach. In the first phase, four models with distinct characteristics (DNN, LSTM, GRU, BiLSTM) were trained on training data augmented via the sliding window technique. As a methodological novelty, the dataset was split based on trips rather than random shuffling, ensuring a balanced distribution for summer and winter seasons to preserve the model's generalization capability. Fusion weights were determined based on performance metrics from an independent validation set instead of the test data, thereby preventing look-ahead bias. Findings: The results indicate that the proposed Validation-Weighted Global Fusion model offers higher accuracy and generalization capability compared to individual models (DNN, LSTM, GRU, BiLSTM). In particular, BiLSTM and GRU-based hybrid structures were observed to effectively model the time-varying behaviors of the battery and seasonal differences. Furthermore, the smoothing process applied to the system output was observed to enhance physical consistency by eliminating noise in the prediction curve. Results: The proposed four-model hybrid fusion architecture introduces a methodological innovation in SoC estimation. It was determined that fusion algorithms produce more robust results compared to individual models. This study contributes to the optimization of BMS, playing a significant role in increasing the reliability of electric vehicles and energy storage systems.
Benzer Tezler
- 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
- Elektrikli araçlar için yapay öğrenme tabanlı durum tahmin algoritmalarına sahip akıllı batarya yönetim sistemi geliştirilmesi
Development of a smart battery management system with machine learning-based state estimation algorithms for electric vehicles
OSMAN DEMİRCİ
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEZAİ TAŞKIN
- Lityum polimer batarya parametrelerinin derin öğrenme yöntemleri ile tahmini
Prediction of lithium polymer battery parameters by deep learning methods
GÖKSU TAŞ
Doktora
Türkçe
2023
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CAFER BAL
DR. ÖĞR. ÜYESİ ALİ UYSAL
- Güç yönetimi için elektrikli araç şarj istasyonunun akıllı koordinasyon yaklaşımı
Smart coordination approach of electric vehicle charging station for power management
MURAT AKIL
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN BAYINDIR
DOÇ. DR. EMRAH DOKUR
- 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