Elektrikli araçlarda derin sinir ağı tabanlı batarya şarj durumu tahmini
Deep neural network based state of charge estimation for electric vehicle batteries
- Tez No: 1016107
- Danışmanlar: PROF. DR. RAMAZAN AKKAYA
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrikli araçlar (EV), güvenli, verimli ve güvenilir batarya işletimini sağlamak için gelişmiş Batarya Yönetim Sistemlerine (BMS) ihtiyaç duymaktadır ve bu bağlamda Şarj Durumunun (SOC) doğru bir şekilde tahmin edilmesi kritik bir gerekliliktir. Bu tezde, Batarya Yönetim Sistemi mimarilerine Yapay Zekânın (AI) entegrasyonu incelenmiş ve kümülatif hata, parametre sapması ve dinamik çalışma koşulları altında sınırlı uyarlanabilirlik gibi geleneksel model tabanlı yöntemlerin kısıtlarını aşan veri güdümlü SOC tahmin yaklaşımları önerilmiştir. Çalışmanın temel katkılarından biri, yalnızca Hibrit Darbeli Güç Karakterizasyonu (HPPC) verileri kullanılarak eğitilen, özellik artırımlı bir derin sinir ağı (DNN) modelinin geliştirilmesidir. Önerilen model, gerilim toparlanma dinamiklerini, iç direnç değişimlerini ve sıcaklık etkilerini dikkate alarak, önceden tanımlanmış batarya modellerine ihtiyaç duymadan doğrusal olmayan batarya davranışlarını yüksek doğrulukla tespit etmektedir. Sadece HPPC verileriyle eğitilmesine rağmen, geliştirilen DNN modeli, EPA Kentsel Dinamometre Sürüş Döngüsü (UDDS) gibi dinamik sürüş profilleri altında SOC'yi başarıyla tahmin ederek güçlü bir genelleme yeteneği sergilemiştir. L9963E tabanlı bir BMS tarafından yönetilen 14 hücreli lityum-iyon batarya paketi üzerinde gerçekleştirilen deneysel doğrulama sonuçları, önerilen yöntemin geleneksel SOC tahmin tekniklerine kıyasla kök ortalama kare hata (RMSE) oranını önemli ölçüde azalttığını göstermektedir. Elde edilen bulgular, AI tabanlı SOC tahmin yöntemlerinin gerçek zamanlı otomotiv BMS uygulamalarında etkin bir şekilde kullanılabileceği ve enerji kullanım verimliliğinin artırılması, batarya ömrünün uzatılması ve sürdürülebilir elektrikli mobilitenin desteklenmesine katkı sağladığını göstermektedir.
Özet (Çeviri)
Electric vehicles (EVs) rely on advanced Battery Management Systems (BMS) to ensure safe, efficient, and reliable battery operation, with accurate State of Charge (SOC) estimation being a critical requirement. This thesis investigates the integration of Artificial Intelligence (AI) into BMS architectures, proposing data-driven SOC estimation methods that overcome the limitations of traditional model-based approaches, such as cumulative error, parameter drift, and poor adaptability under dynamic operating conditions. A key contribution is a feature-augmented deep neural network (DNN) trained exclusively on Hybrid Pulse Power Characterization (HPPC) data, incorporating voltage recovery dynamics, internal resistance, and temperature effects to accurately capture nonlinEVr battery behavior without reliance on predefined battery models. Despite being trained only on HPPC data, the proposed model demonstrates strong generalization by accurately estimating SOC during dynamic driving cycles, including the EPA Urban Dynamometer Driving Schedule (UDDS). Experimental validation on a 14-cell lithium-ion battery pack managed by an L9963E-based BMS shows that the proposed method significantly reduces root mean square error (RMSE) compared to conventional estimation techniques. The results confirm the effectiveness of AI-driven SOC estimation for real-time deployment in next-generation automotive BMS, supporting improved energy utilization, battery longevity, and sustainable electric mobility.
Benzer Tezler
- Elektrikli araçlarda derin öğrenme yöntemiyle şarj durum tahmini
State of charge estimation in electric vehicles using deep learning
FATİH KARA
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEDAĞ
- 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
- Deep convolutional neural network based broken magnet detection of PMSM using finite element analysis
Sonlu elemanlar analizi kullanarak PMSM'nin derin dönüşümlü sinir ağı tabanlı kırık mıknatıs tespiti
AMIN GHAFOURI MATANAGH
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALİH BARIŞ ÖZTÜRK
- Derin pekiştirmeli öğrenme ile hibrit elektrikli araçlarda enerji yönetimi tasarımı: Ödül fonksiyonu analizi
Energy management design in hybrid electric vehicles using deep reinforcement learning: Reward function analysis
TANER YAŞA
Yüksek Lisans
Türkçe
2026
Makine MühendisliğiTarsus ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR COŞKUN