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
- Tez No: 1014990
- Danışmanlar: PROF. DR. SEZAİ TAŞKIN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, elektrikli araçlar için yapay öğrenme tabanlı durum tahmin algoritmalarına sahip, donanım ve yazılım açısından bütünleşik, gerçek zamanlı uygulanabilir bir akıllı batarya yönetim sistemi (BYS) geliştirilmiştir. Çalışmanın temel amacı, lityum-iyon bataryalarda şarj durumu (SOC) ve sağlık durumunun (SOH) farklı sıcaklık, yük ve yaşlanma koşulları altında doğru tahmin performansı sağlayan, deneysel olarak doğrulanan ve uygulama potansiyeli bulunan bir sistem yaklaşımı ortaya koymaktır. Bu doğrultuda tez kapsamında elektrikli araç batarya sistemleri, lityum-iyon bataryaların temel yapısı ve batarya yönetim sistemlerinin işlevleri incelenmiş; ardından özgün BYS tasarımı, SOC ve SOH tahmin algoritmalarının geliştirilmesi ile bu yapıların gerçek sistem üzerinde doğrulanması ele alınmıştır. Tezde, durum tahmin algoritmalarının gerçek sistem üzerinde uygulanmasına imkân sağlayan özgün bir BYS ve batarya enerji depolama sistemi (BEDS) altyapısı geliştirilmiştir. Sistem; pasif hücre dengeleme, koruma işlevleri, gömülü yazılım, kullanıcı arayüzü, veri kaydetme altyapısı ile UART, CAN-Bus, I2C, SPI ve Bluetooth tabanlı haberleşme yapılarından oluşmaktadır. Devre tasarımı, PCB geliştirme, donanım doğrulama ve haberleşme altyapısının kurulmasının ardından BYS prototipi gerçekleştirilmiştir. Ayrıca 15S-1P konfigürasyonunda, 55,5 V anma gerilimine ve 2,775 kWh enerji kapasitesine sahip bir BEDS geliştirilmiş, böylece önerilen yöntemlerin fiziksel batarya paketi üzerindeki uygulaması gerçekleştirilmiştir. SOC tahmini çalışmalarında 10 °C, 25 °C ve 40 °C sıcaklıklarda, farklı C-oranları, şarj-deşarj testleri, HPPC profilleri ve UDDS, US06, HWFET ile LA-92 standart sürüş çevrimleri kullanılarak kapsamlı veri setleri oluşturulmuştur. Bu veri setleri üzerinde FNN, RF, LSTM, Bi-LSTM, GRU ve TCN gibi tekil yapılar ile hibrit derin öğrenme mimarileri karşılaştırılmıştır. Bulgular, tek bir modelin tüm SOC bölgelerinde aynı başarıyı sağlayamadığını göstermiştir. Bu nedenle, SOC seviyesine bağlı olarak en uygun modeli devreye alan Çok Seviyeli Adaptif Hibrit Derin Öğrenme (ML-AHDL) yaklaşımı önerilmiştir. Önerilen yöntem ile UDDS, US06, HWFET ve LA-92 sürüş çevrimlerinde sırasıyla %0,56, %0,89, %1,33 ve %0,65 RMSE değerleri elde edilmiştir. SOH tahmini çalışmalarında ise çevrim yaşlandırma verileri ile artımlı kapasite analizi tabanlı öznitelikler birlikte kullanılmıştır. Tekil derin öğrenme yöntemleri ve hibrit yapılar karşılaştırılmış; tekil yöntemler arasında TCN modelinin, hibrit yapılar arasında ise TCN+GRU ve TCN+GRU+FNN mimarilerinin daha düşük hata değerleri ürettiği belirlenmiştir. Deşarj verileri için optimize TCN+GRU yapısında %0,72 RMSE, şarj verileri için optimize TCN+GRU+FNN yapısında ise %0,82 RMSE elde edilmiştir. BEDS üzerinde gerçekleştirilen deneysel doğrulamalarda, önerilen ML-AHDL yaklaşımı Test A, Test B, Test C ve Test D için sırasıyla %1,77, %1,37, %2,16 ve %1,38 RMSE üretmiştir. SOH tahmininde kullanılan TCN+GRU tabanlı hibrit yaklaşım ise aynı testlerde sırasıyla %1,01, %0,60, %1,22 ve %1,12 RMSE değerleri vermiş; tüm senaryolarda hata düzeyinin %1,5'in altında kaldığı görülmüştür. Sonuç olarak bu tezde, elektrikli araç bataryaları için özgün BYS ve BEDS altyapısı üzerinde doğrulanmış; yapay öğrenme tabanlı, adaptif ve gerçek zamanlı uygulamaya uygun bir akıllı batarya yönetim yaklaşımı ortaya konulmuştur. Tezin özgün yönü, SOC ve SOH tahminini yalnızca çevrimdışı bir modelleme problemi olarak ele almaması; bu algoritmaları geliştirilen BYS donanımı, gömülü yazılımı ve BEDS altyapısı ile bütünleştirerek gerçek sistem üzerinde doğrulamasıdır. Bu yönüyle çalışma, akıllı batarya yönetim sistemlerinin geliştirilmesine hem algoritma hem de sistem düzeyinde katkı sağlamaktadır.
Özet (Çeviri)
In this doctoral thesis, an intelligent battery management system (BMS) integrated in terms of hardware and software and equipped with artificial intelligence-based state estimation algorithms was developed for electric vehicles. The main objective of the study is to present an experimentally validated and practically applicable system approach capable of estimating the State of Charge (SOC) and State of Health (SOH) of lithium-ion batteries with high accuracy under varying temperature, load, and aging conditions. In this context, the thesis first examines the energy storage structure of electric vehicles, the fundamental characteristics of lithium-ion batteries, and the functions of battery management systems; subsequently, the design of the original BMS, the development of SOC and SOH estimation algorithms, and their validation on a real system are presented. In this thesis, an original BMS and battery energy storage system (BESS) infrastructure was developed to enable the implementation of state estimation algorithms on a real system. The system consists of passive cell balancing, protection functions, embedded software, a user interface, a data logging infrastructure, and communication structures based on UART, CAN-Bus, I2C, SPI, and Bluetooth. Following circuit design, PCB development, hardware verification, and the establishment of the communication infrastructure, a BMS prototype was developed. In addition, a BEDS with a 15S-1P configuration, a nominal voltage of 55.5 V, and an energy capacity of 2.775 kWh was realized, thereby enabling the implementation of the proposed methods on a physical battery pack. In SOC estimation studies, comprehensive datasets were generated using different C-rates, charge-discharge tests, HPPC profiles, and UDDS, US06, HWFET, and LA-92 standard driving cycles at 10 °C, 25 °C, and 40 °C. On these datasets, individual structures such as FNN, RF, LSTM, Bi-LSTM, GRU, and TCN, as well as hybrid deep learning architectures, were compared. The findings showed that a single model could not provide the best performance over all SOC regions. Therefore, a Multi-Level Adaptive Hybrid Deep Learning (ML-AHDL) approach that activates the most suitable model according to the SOC level was proposed. The proposed method achieved RMSE values of 0.56%, 0.89%, 1.33%, and 0.65% under UDDS, US06, HWFET, and LA-92 driving cycles, respectively. In SOH estimation studies, cycle aging data and incremental capacity analysis-based features were jointly used. Individual deep learning methods and hybrid structures were compared, and it was determined that the TCN model among the individual methods, and the TCN+GRU and TCN+GRU+FNN architectures among the hybrid structures, produced more successful results. An RMSE of 0.72% was obtained for the optimized TCN+GRU structure on discharge data, while an RMSE of 0.82% was achieved for the optimized TCN+GRU+FNN structure on charge data. In the experimental validations performed on BESS, the proposed ML-AHDL approach produced RMSE values of 1.77%, 1.37%, 2.16%, and 1.38% for Test A, Test B, Test C, and Test D, respectively. For SOH estimation, the TCN+GRU-based hybrid approach yielded RMSE values of 1.01%, 0.60%, 1.22%, and 1.12% in the same tests, and the error level remained below 1.5% in all scenarios. As a result, this thesis presents an intelligent battery management approach for electric vehicle batteries that is validated on an original BMS and BESS infrastructure, artificial intelligence-based, highly accurate, adaptive, and suitable for real-time implementation. The originality of the thesis lies in the fact that SOC and SOH estimation are not addressed merely as an offline modeling problem; instead, these algorithms are integrated with the developed BMS hardware, embedded software, and BESS infrastructure and validated on a real system. In this respect, the study provides original contributions to the development of intelligent BMSs at both the algorithmic and system levels.
Benzer Tezler
- A novel method to estimate state of charge of li-based batteries
Lityum bazlı batarya hücrelerinin özgün bir yöntem ile şarj durumu tahmini
EYMEN İPEK
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT YILMAZ
- Elektrikli araçlar için yapay zeka tabanlı rejeneratif enerji denetimi
Artificial intelligence based regenerative energy control for electric vehicles
ÖMER BOYACI
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELAMİ KESLER
- Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti
AI-based blood pressure detection with electrocardiography signal
DERYA KANDAZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- The information theoretical privacy and the impact of communication channel on information theoretic privacy
Bilgi kuramsal mahremiyet ve haberleşme kanalının bilgi kuramsal mahremiyete etkisi
MEHMET ÖZGÜN DEMİR
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL