Geri Dön

A novel method to estimate state of charge of li-based batteries

Lityum bazlı batarya hücrelerinin özgün bir yöntem ile şarj durumu tahmini

PDF İndir

  1. Tez No: 606676
  2. Yazar: EYMEN İPEK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MURAT YILMAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 127

Özet

Günümüzde, otomotiv, havacılık ve endüstriyel sistemler gibi alanlarda elektrik enerjisinin kullanım alanlarının genişlediği görülmektedir. Hükümetlerin uyguladığı karbondioksit salımını azaltmaya yönelik kararnameler sayesinde, enerji verimliliği oldukça önemli hale gelmiş ve zamanla emisyon seviyeleri azalmaya başlamıştır. Elektrikli araçlar (EA) bu küresel değişimde büyük rol oynamaktadır. Elektrikli araçlar yeni bir teknoloji olmasa da yüksek enerji kapasitesine sahip bataryaların sektörde yer almasıyla yeniden doğmuştur. Elbette batarya sistemleri bu değişimin salt parçası değildir ancak bu köklü değişimin öncüsü olan güç aktarma organları içerisinde önemli bir rol oynamaktadır. Taşınabilir uygulamalar için lityum iyon bataryalar (LIB) yaygınlaşmaya başladığında, bu köklü değişimin ilk temellerinin atıldığı söylenebilir. EA hayali bu sayede varlığını kanıtlamak için önemli bir araç elde etmiştir. Teknolojinin ilerlemesiyle de daha da güç ve enerji kazanmıştır. 1990lar'daki erken dönem modern EAlardan başlayarak, EA endüstrisi giderek geliştirilmiştir. Buna ek olarak, araç içerisinde kullanılan elektronik cihazların ve eğlence sistemlerinin artışından kaynaklanan elektrik enerjisi ihtiyacı, EA endüstrisine çeşitli batarya teknolojilerini kazandırmıştır. Sonrasında yüksek performanslı LIBlar resmi olarak sektöre girmiş ve ısıl yönetim sistemleri, koruyucu cihazlar ve Batarya Yönetim Sistemi (BYS) gibi yan teknolojileri sektöre kazandırmıştır. Özellikle LIB kullanımı sırasında, batarya durumunun sürekli olarak izlenmesi gerekmektedir. Bu yalnızca gerilim ve akım ölçümünden ibaret olmamakla beraber, sıcaklık ölçümü ve kontrolü, nem ölçümü ve kontrolü, elektriksel direnç ölçümü ve kontrolü, şarj veya deşarj operasyonlarındaki güç akışının kontrolü gibi yan teknolojileri gerektirmektedir. BYSleri özellikle EAlarda, karmaşık ve önemli bir parçayı oluşturmaktadır. BYSleri, içerisinde batarya durum tahmini algoritmalarını da barındıran, farklı fonksiyonlara ve yazılımlara sahip birimlerdir. Şarj durumu tahmini (ŞDT), toplam enerjiye oranla kullanılabilir enerjiyi tanımlayan önemli bir BYS işlevidir. Günümüzde sektörde, aktif olarak EA sektöründe de kullanılan çok farklı ŞDT algoritmaları bulunmaktadır. ŞDT ölçüme dayalı ve direkt olarak da adlandırılan geleneksel yöntemlerle ya da çeşitli karmaşık algoritmaların ŞDT için kullanıldığı dolaylı olarak da adlandırılan modern yöntemlerle yapılabilir. ŞDT, çeşitli elektriksel ya da elektro-kimyasal modeller kullanılarak ortaya konulan kompleks tahmin algoritmaları kullanılarak da yapılabilir. Bu durumda, adaptif tabanlı filtreler yaygın olarak kullanılmaktadır. Bugün özellikle EA batarya sistemleri, batarya performansını arttırmak amacıyla çok karmaşık uygulamalar kullanmaktadır. Tıpkı birçok alanda yaygınlaşmaya başladığı gibi, yapay zeka ve makine öğrenmesi elektrikli araçlarda da sıkça kullanılan tekniklerdir. Öyle ki, akademik merak konusu olmaktan öteye geçmiş, uygulamaya ve fonksiyona göre destekleyici sistemler olarak ticari uygulamalarda yer almaya başlamıştır. Özellikle sürüş destek sistemleri, otonom fonksiyonları ve sensör birleştirme (sensor fusion) konularında sıkça tercih edilen karar algoritmaları olarak uygulanmaktadır. Bu uygulamalardan biri ŞDT için uygulama tabanlı veri setlerini kullanarak makine öğrenmesi modelleri üretmektir. Veri tabanlı yöntemler olarak da adlandırılan bu yöntem, makine öğrenmesini de içeren yapay zeka yaklaşımlarından oluşmaktadır. Batarya sistemlerinde makine öğrenmesi, adaptif yöntemlere ek olarak yahut tek başına batarya durum tahmini fonksiyonları için kullanılmaktadır. Henüz akademik alanda çalışılan ve ticari uygulamalarda direkt olarak kullanılan bir konu olmasa da gelecek vadettiği söylenebilir. Bataryaların şarj durumu tahmini ve sağlık tahmini konularında özellikle denetimli öğrenme algoritmaları uygulanmaktadır. Benzer şekilde bu çalışmanın motivasyonu, veri tabanlı batarya yönetim sistemi algoritmalarını geliştirmektir. Çalışmada, literatürde sağlık tahmini için kullanılan XGBoost algoritması, durağan ve dinamik deşarj durumlarında batarya şarj durumu tahmini için kullanılmıştır. XGBoost algoritması makine öğrenmesi alanında henüz yeni yeni kullanılmaya başlanan bir gradian arttırma algoritmasıdır. XGBoost daha önce batarya sağlık tahmini için kullanılmış olsa da bu çalışmada XGBoost şarj durumu tahmini uygulaması için durağan ve dinamik yük profillerinde kullanılmıştır. Çalışmada, NMC tipindeki bir LIB'nın şarj durumu tahmini için özgün bir yaklaşım geliştirilmiştir. Yaygın kullanılan şarj durumu tahmini teknikleriyle kıyaslamak için ayrıca batarya test verisi, batarya parameter tanımlaması ve model oluşturmak için kullanılmıştır. Model oluşturma sırasında, iki zamanlı elektriksel model kullanılmıştır. Model parametreleri içerisindeki seri iç direnç, iki farklı paralel direnç ve kondansatör çiftlerinin değerleri çeşitli koşullara göre tablolar halinde ortaya konulmuştur. Modelin doğruluğunu test etmek için, seçilen batarya test akımları modellere uygulandığında elde edilen gerilim cevaplarıyla test verileri kıyaslanmıştır. Daha sonra, uygulamada sıkça kullanılan Genişletilmiş Kalman Filtresi (GKF), ŞDT için seçilmiştir. Hem durağan hem dinamik akım profillerinde, ŞDT sonuçları ortaya konmuştur. Çalışmanın sonunda, adaptif algoritmaların test verilerine uygulanması ile XGBoost performansı kıyaslanmıştır. Oluşturulan elektriksel model sonuçları ve XGBoost tahmin algoritmasının sonuçları kıyaslandığında, özellikle akım profilinin eğitim verisi olarak sağlandığı durumlarda, XGBoost kısa sürede yüksek doğruluklu bir model üretmiştir. Bazı durumlarda sapmalar görülse de uygun şekilde filtrelendiğinde sonuçların arttırılabileceği söylenebilir. Çalışma sırasında ilk olarak test verileri düzenlenmiş, algoritmanın öğrenme sürecini zorlaştıracak veriler ayıklanmıştır. Veri seti uygun hale getirildiğinde, sadece gerilime bağlı olarak algoritmanın şarj durumunu tahmin etmesi ve ardından gerilim ve akım profillerine bağlı olarak şarj durumunu tahmin etmesi beklenmiştir. Bu prosedür durağan ve dinamik deşarj profilleri için uygulanmış, sonuçlar yorumlarla birlikte sunulmuştur. Makine öğrenmesi, henüz veri setlerinin tüm durumlar için olgunlaşmaması sebebiyle şimdilik destekleyici sistemler olarak kullanılabilir. Ancak işlemci teknolojinin gelişmesi, bulut sistemlerinin yaygınlaşması ve elektrikli araçlara entegrasyonu bilgi tabanlı şarj durumu tahmin algoritmalarının uygulamalarını daha kolay hale getirecektir. Bu yöntemlerle, gerekli koşullar sağlandığında, batarya parametre tanımlanmasına gerek kalmadan, batarya kimyası fark etmeksizin yüksek performansta çalışabilen batarya yönetim sistemi yazılımı geliştirmek mümkün hale gelecektir.

Özet (Çeviri)

Today, the electrification trend is widespread between several industries such as automotive, aerospace and industrial applications. Thanks to legislation from governments, CO2 reduction and increasing energy efficiency are quite important aims and the emissions are becoming significantly lower. Electric vehicles (EV) are one of the major portions of this global change. Even it is not new for the world, EVs have been reborn since high energy capacity batteries are introduced. Of course, the battery system is not the only part that leads to this change. However, it is a major component in the powertrain that pioneering such revolution. When Li-ion batteries (LIB) have started to be widespread for portable applications, the irreversible change has initiated. The EV dream has had a great tool for proving its existence. By developing technology, it has gained more power and energy. Starting from early modern EVs in the 1990s, the maturity of the EV industry has been improved. Besides, the necessity of electric energy due to increasing electronic devices and entertainment systems within the car brings a different kind of battery technologies in the vehicle industry. Then, high-performance LIB has become to the market commercially. This has brought side technologies such as thermal management systems, protection devices, and battery management systems (BMS). BMSs are key elements of battery systems for LIB batteries. Especially in EVs, it is a complex and important part. There are several types of BMS which include also battery state estimation as a part of their software and functions. State of Charge (SOC) estimation is a critical function of BMS functions that describe the usable energy as a portion of total energy. There are different types of SOC estimation methods that are utilized actively in the EV market. SOC estimation can be done by using conventional measurement techniques which may be called direct estimation or it can be done by using modern techniques which creates different algorithms to estimate SOC via the indirect method. Today, particularly EV battery systems use different complex practices to improve battery performance. One method to estimate SOC is using different application based datasets to create machine learning models. This method is also called a data-driven method which consists of several artificial intelligence approaches including machine learning. In this thesis work, a novel approach is used to estimate SOC of an NMC type LIB. XGBoost algorithm is quite new in the machine learning area which is a fast type of gradient boosting. Even XGBoost has been tried for the state of estimation before, this work has tried to estimate SOC by using XGBoost against static and dynamic load profiles. To compare with common SOC techniques, battery test data is used for parameterization and model creation. Then, Extended Kalman Filter (EKF) is used to apply state of charge estimation which is frequently utilized technique. Both static and dynamic current is Several improvements are tried to optimize the performance of XGBoost against the dynamic profile. Results are compared to see the performance of the machine learning model with a small amount of data. Even though the results do not show outstanding performance, it can be considered as a promising technology and application considering the collected data from EVs day by day.

Benzer Tezler

  1. Tez No

    753605

    Physics guided neural network based state-of-charge estimator for lithium-ion batteries

    Lithium-ion piller için fizik destekli sinir ağı tabanlı şarj durumu tahmincisi

    FEDI SALHI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mekatronik MühendisliğiYıldız Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERHAN AKDOĞAN

  2. Tez No

    794036

    Development of novel hybrid rocket internal ballistic configuration for in-space applications

    Uzay uygulamaları için özgün hibrit roket iç balistik konfigürasyonu geliştirilmesi

    MEHMET KAHRAMAN

    Doktora

    İngilizce

    İngilizce

    2022

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM OZKOL

    DOÇ. DR. MUSTAFA ARİF KARABEYOĞLU

  3. Tez No

    550349

    Öngörü işlevli kontrol ve Matlab'de uygulama tasarımı

    Predictive functional control and application design in Matlab

    NESLİHAN KARAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. AFİFE LEYLA GÖREN

  4. Tez No

    22064

    DGM'li gerilim dalgalarıyla beslenen asenkron motorlarda harmoniklerin etkileri

    The Analysis of PWM-harmonic effects in selecting two induction motors for inverter drive systems

    MUSTAFA KIYI

    Yüksek Lisans

    Türkçe

    Türkçe

    1992

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    DOÇ. DR. A. FAİK MERGEN

  5. Tez No

    499526

    Yeni nesil grafen/PProDOT–X (X = 0, Et2 ve Me2) nanokompozit üretimi ve karşıt elektrot olarak boya-duyarlı güneş hücrelerindeki uygulamaları

    Production of novel graphene/PProDOT–X (X = 0, Et2 ve Me2) nanocomposites and their applications in dye-sensitized solar cells as counter electrode

    MAHİR GÜLEN

    Doktora

    Türkçe

    Türkçe

    2018

    EnerjiSelçuk Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET AVCI

    DOÇ. DR. SAVAŞ SÖNMEZOĞLU

Geri Dön