Modelling and state of charge estimation of lithium-ion batteries
Lityum bazlı batarya hücrelerininmodelleme ve şarj durumu tahmini
- Tez No: 676095
- Danışmanlar: PROF. DR. METİN GÖKAŞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 65
Özet
Elektrik devrimi burada ve otomotiv endüstrisinde Lityum-İyon Pillerin (LIB'ler) kitlesel olarak benimsenmesi kalıcı olmaya devam ediyor. LİB'lerin azalan üretim maliyetleri ve hükumetlerin elektrikli araç kullanma yönündeki cömert teşvikleri, içten yanmalı motorlu araçlardan elektrikli araç kullanımına geçmeyi büyük kitleler için mümkün kıldı. Geçtiğimiz on yılda küresel çapta elektrikli araç start-up şirketlerindeki artış ve hükumetlerin CO2 salınımıyla ilgili katı kısıtlamalarına bakıldığında değişim ihtiyacı daha sert hissediliyor. Amerika, Çin ve Avrupa piyasasındaki büyük otomotiv üreticileri bu yeni gerçekliği kabul ettiler ve mevcut tasarım ve üretim yöntemlerini dönüştürmek için büyük yatırımlar yaptılar. Otomotiv dünyasındaki bu dönüşümü fark etmek zor değil, ancak diğer sektörlerdeki kaydadeğer ilerlemeleri de gözden kaçırmamak gerekir. Lityum-İyon Bataryalar ile elektrifikasyon; elektrik enerjisi depolama, endüstriyel madencilik, toplu taşıma, tarım endüstrisi ve hatta spor ve eğlence sektörlerinde (elektrkli bisikletler) hız kazandı. Lityum-İyon Batarya paket ve sistemleri yeni değildir. İlk elektrikli ve hibrit otomobiller 1990'lardan beri kullanımdadır. Ancak bu teknoloji ciddi miktarda ar-ge kaynağı harcanarak olgunlaştırıldı. Şu anda piyasada yüksek güç ve yüksek enerji kapasiteli hücrelere rastlayabiliyoruz ve bu hücrelerin üretimi ticari açıdan uygulanabilir halde. Bu durum batarya sistemlerinin seri üretimini kolaylaştırdı ve batarya hücrelerinin sağlığını kontrol edip yöneten sistemlerin daha iyi anlaşılması ihtiyacını doğurdu. Sıcaklık yönetim sistemi, elektriksel yönetim sistemi ve tüm batarya yönetim sistemi; batarya paketlerinin her tasarım döngüsünde daha karmaşık ve daha sofistike hale geldi. Tüm LIB paketlerinde, özellikle elektrikli araçlarda, BYS kilit elemandır. Bu durum yolcu taşımacılığında gerekli olan yüksek fonksiyonel güvenlik gereksinimi ve bu araçların geniş çevresel koşullarda çalışabilme gerekliliği ile bağdaştırılabilir. Sağlam güvenilir ve iyi geliştirilmiş bir BYS olmadan, elektrikli araçlar, en iyi ihtimalle potansiyelinin altında kullanılcaktır; en kötü ihtimalle ise güvenlik tehlikesi oluşturacaktır. Ancak iyi tasarlanmış bir BYS, yalnızca fonksiyonel güvenliğe katkıda bulunmanın ötesinde, batarya ömrünü uzatarak kullanıcıya maliyet ve sürüş menzili açısından avantaj sağlar. Piyasada bulunan sayısız BYS'lerde ortak olarak bulunan en önemli özellik, batarya paketinin“Şarj Durumu”nu hesap etmesidir.“Şarj Durumu”belli koşullar altında mevcut tüm enerjinin kullanılabilir kısmı anlamına gelir.“Şarj Durumu”nu hesaplamak için piyasada çeşitli yöntemler bulunmaktadır. ŞD'yi hesaplamak için hem geleneksel, hem modern yöntemler bulunmaktadır. Modern teknikler çeşitli algoritmalar kullanarak ŞD'yi dolaylı yoldan hesaplar. Ancak geleneksel ölçüm yöntemleri, direk ölçüm yöntemleridir. ŞD'yi hesaplamak için kullanılan bir diğer yöntem ise çeşitli uygulama bazlı veri setlerinden devşirilen makine öğrenimi modelleridir. Bu yöntem veriye dayalı yöntem olarak adlandırılır ve makine öğrenmesi de dahil olmak üzere çeşitli yapay zeka yaklaşımları kullanır. Piyasada bulunan güncel batarya yönetim sistemleri, bilhassa elektrikli araçlarda kullanılanlar, bu yöntemlerin birini veya aynı anda birkaçını aynı anda kullanan karmaşık sistemler halindeler. Bu tez çalışmasında, Luenberger gözlemcisi gibi geleneksel dolaylı tahmin yaklaşımına ek olarak, makine öğrenmesi teknikleri kullanılarak analizler sonrasında sonuçlar birbirleri ile karşılaştırılarak. Gözlemci tasarımı modelleme gerektirir. Yani, batarya hücersinin davranışını matematiksel denklemler ile göstermek gerekmekte. Sistem tanıma bilgisi hücre modellesi için çok yararlıdır. Batarya hücresinin çeşitli girdilere nasıl tepki verdiğini gözlemledikten sonra sistem dinamiği matematiksel olarak gösteriliyor. Gözlemcilerin gözlenebilirliğinin tespiti açısından avantajlı olduğu için elde edilen batarya hücresinin matematiksel modeli durum uzay denklemleri şeklinde gösterilmesi tercih ediliyor. Hücre modellemesi için, ilk önce batarya dinamikleri belirlenmesi gerekmektedir. Sonrasında, dinamikleri tespit etmek için belirli testler yapılması gerekiyor. Batarya testleri, uygun test tesislerin olmasını gerektiriyor ki bu da maaliyet açısından kısıtlama getiriyor. Genellikle, batarya testleri pahalıdır. Dolayısıyla, batarya modellemesi için gereken testleri yapmak ve veri elde etmek büyük bir kısıtlama. Bu tezde ABD'nin Maryland Üniversitesinin ileri mühendislik araştırma enstitüsünün yaptıkları testler sonucunda elde edilen batarya verileri kullanılmıştır. Modelleme yapmadan önce, batarya dinamikleri öğrenmek lazım. Dolayısıyla, batarya dinamiği konusunda araştırmalardan detaylı bahsedilmiştir. Batarya dinamiği bilgileri sayesinde, elektriksel devre modeli şablon olarak secilmiştir. Elektriksel devrenin derecesi, elemanları ve elemanlarının sınırları teorik bilgiler sayesinde belirlenmiştir. Bu yaklaşım, gerçekçi model elde etmek için özellikle önem taşıyordur. Elektriksel devre modelinin derecesi ise literatürdeki çalışmalara dayanarak seçilmiştir. Açık kaynaktan alınmış olan test verileri ilk önce işlenmesi gerekmektedir. İlk önce, açık devre gerilimin test verileri işlendi. Bu veriler, batarya hücresinin yük altından olmadığı durumdaki gerilimi göstermektedir. Bu gerilim batarya hücresinin şarj durumu ile ilintilidir. Şarj durumunun azalımı ile batarya hücresinin açık devre gerilimi de azalmaktadır. Ayrıca, açık devre gerilimi sıcaklık ile değişim göstermektedir. Dolayısıyla, beliri bir sıcaklıkta, batarya hücresi adımlar ile deşarj edilir. Dikkate alınması gereken başka bir husus ise adımların arasındaki bekleme sürecidir. Bu bekleme saatler kadar uzun olabilir. Beklemenin amacı hücrenin elektriksel dengeye ulaşması içindir. Analiz sonucunda açık devre gerilimi şarj durumu ve sıcaklık cinsinden başvuru çizelgesi olarak elde edilmektedir. Batarya hücresinin dinamiklerini gösteren diğer elemanlar ise dirençler ve kapasitörler cinsinden belirlenmektedir. Aynı şekilde, bu elemanlar şarj durumu ve sıcaklık cinsinden başvuru çizelgesi olarak elde edilmektedirler. Bu elemanlar belirli testler ile elde edilir. DCIR, DST, HPPC gibi testler kullanılabilir. Bu projede dinamik stres testi (DST) kullanılmıştır. Başvuru çizelgelerin belirlenmesi, optimizasyon yöntemleri ile mümkündür. Özetçe, batarya hücresinin akımı ve sıcaklığı girdi olarak, batarya hücresinin gerilimi ise çıktı olarak belirlenir. Optimizasyon problemi ise, modeldin gerilimi ve gerçekte ölçülen gerilim arasındaki en düşük mutlak hatayı döndüren başvuru çizelgelerini bulmaktan ibarettir. Optimizayon metodları çeşitlidirler. Bazıları, yerel veya lokal sonuçlar döndürürken, diğerleri global veya küresel sonuçlar döndürüyorlar. Bu çalışmada, popüler optimizayon metodlarından, genetik algoritması kullanılmıştır. Genetik algoritması özellikle mutasyon içerdiği için global sonuç bulmak için uygundur. Optimizasyon sonucunda elde edilen elektriksel devre elemanlarının başvuru çizelgeleri üç boyutlu şekil olarak gösterilmektedir. Modelleme yapıldıktan sonra şarj durumu tahmini için Luenberger gözlemcisi kullanmaktadır. Bu gözlemci basit bir tahmin metodudur. Durum uzay denklemler cinsinden gösterilen batarya dinamikleri gözlemci tasarımında özellikle önem taşımaktadır. Gözlenebilirlik özelliği durum uzay denklemindeki A matrisinden tespit edilebilir. Şarj durumu tahmini algoritması için tasarlanacak gözlemcinin gözlenebilirliği şarj durumu ve sıcaklığa bağlıdır. Dolayısıyla, sıcaklık ve şarj durumu bölgelerine göre gözlemcinin kat sayısı belirlenmektedir. Şarj durumu tahmini için geliştirilen modelin ve gözlemcinin validasyonu için dinamik bir kullanım profili kullanılmaktadır. Bu tez çalışmasında, otomotivde iyi bilinen FUDS profili kullanılmaktadır. Bu profil üzerinde agloritmalar test edilecektir. İlk önce gözlemci çalışmıyorken, açık dönüde modelden hesaplanan gerilim, gerçekte ölçülen gerilim ile kıyaslanıp modelin hassasiyeti ölçülür ve yorumlanır. Aynı zamanda Coulomb hesaplama ile elde edilen şarj durumu refernas olarak kaydedilir. Coulomb hesaplama yönteminde, başlangiç şarj durumu ve batarya hücresinin kapasitesine ek olarak akım ölçümünün hassasiyeti de önem taşımaktadır. Sonraki aşamada, bilinçli olarak yanlış başlangıç şarj durumu değeri verilerek gözlemcinin performansı yorumlanacaktır. Gözlemci belli süre geçtiğinde gerçek şarj durumuna ulaşması beklenmektedir. Gerçek değere ulaşmasının hızı ise gözlemcinin kat sayısına bağlıdır fakat yüksek kat sayı dengesizliğe yol açıyor. Bu çalışmada deneyimler sonucunda kat sayılar bulunmuş ve testler ile performansı yorumlanmıştır. Sonuçlara bakıldığında hassas bir batarya hücre modeli ve dengeli ve efektif bir gözlemci geliştirildiği görülmüştür. Şarj durumu tahmini için kullanılan bir başka yöntem de istatistiksel öğrenmeye dayalı yöntemlerdir. Günümüzde bir çok mühendislik alanlarında sıkca kullanılan makine öğrenmesi yöntemleri batarya durum tahmini için de kullanılmaktadır. Bu tez çalışmasında makine öğrenmesi yöntemi ile geliştirlen şarj durumu tahmini daha önce geliştirilmiş olan gözlemci yöntemi ile kıyaslanmıştır. Makine öğrenmesi yöntemlerinin dnegeli sonuç vermeleri için batarya dinamikleri detaylıca incelenmiştir ve sonucunda her sıcaklık için altı makine öğrenmesi modeli geliştirilmiştir. Buna ek olarak, üç çeşit makine öğrenmesi yöntemi kullanılmıştır. Geliştirilen her modelin parametreleri özetlenip validasyon testlerine tabi tutulmuştur. İlk önce, doğrusal regresyon analizi ile bir model geliştirilmiştir. Sonrasında geliştirilen model farklı bir veri setindeki değerler ile kıyaslanıp elde edilen hata polinom regresyon ile sıfırlanmaya zorlanmıştır. Regresyonda kullanılan denklemler ve parametreler çeşitlidir. Bu çalışmada akım, gerilim, sıcaklığın kuplajları ve dereceleri regresyon modelini belirlenmektedirler. Şarj durumu tahmini için ağaç bazlı yöntemler de denenmiştir fakat uygun olmadıkları tespit edildiği için sunulmamıştır. Ağaç bazlı makine öğrenmesi yöntemlerinin çalışması için veri setinin güçlü ve çeşitli olması gerekmektedir. Buna ek elde edilen ağaç modelin gerçek zamanlı sistemlerde uygulanması zorlayıcı bulunmuştur. Son olarak, makine öğrenmesinden elde edilen sonuçlar denge ve kararlılık açısından FUDS profili ile test edilmiştir. Elde edilen sonuçlara göre öneriler verilmiştir. Bu öneriler, sanayide kullanılan yöntemler ile uyumludur.
Özet (Çeviri)
The electric revolution is here, and the mass adoption of Lithium-Ion Batteries (LIBs) in the automotive industry is here to stay. Ever decreasing manufacturing costs for LIBs coupled with generous government incentives to own Electric Vehicles (EVs) make the shift from ICE vehicles a very real possibility for the general populace. The need for change has never been as strongly felt as it is today and this has been reflected both in the number of EV start-ups registered globally in the last decade as well as the push for more stringent CO2 emission legislation by governments the world over. Most of the big automotive OEMs in the American, European and Chinese market have accepted this new reality and made heavy investments to transform their current design and manufacturing methods, and while it's easy to register the change taking place in the automotive world, we must not forget the significant progress taking place in the other sectors. Electrification through the implementation of Lithium-Ion Battery packs is also being accelerated in the Electric Energy Storage (ESS) sector, Industrial Mining sector, Public Transport sector, Agriculture Industry and even in the Sports and Recreation Industry (e-bikes). Lithium-Ion Battery packs and systems are not new, the first electric and hybrid cars have been around since the 1990's. However, with time this technology has matured and by spending significant resources in research and development, we can now see high power and high energy cells on the market that are commercially feasible. This has facilitated the mass production of these battery systems and has highlighted the need for a better understanding of the systems that control and manage the health of a battery cell. With each iteration of a battery pack design, the technologies used in thermal management system (TMS), electrical management system (EMS) and the overall Battery Management System (BMS) becomes more complex and sophisticated. The BMS is a key element of a LIB pack, especially in EVs. This can be attributed to the high level of functional safety required in a passenger vehicle and the wide-ranging environments that these vehicles can be operated in. Without a robust, reliable, well-developed, and well tested BMS system, an electric vehicle's potential will be under-utilised in the best of cases and become a safety hazard in the worst of cases. However, the BMS can contribute to more than just the functional safety of a vehicle, if designed correctly it can help extend the battery life which in turns reduces ownership cost and increase driving range. There are many types of BMS on the market, but most would have a common crucial function, which is to estimate the battery pack's State of Charge (SOC). The SOC describes the usable energy as a portion of the total energy available under certain conditions and there are a number of different estimation methods currently found on the market. There are both conventional and modern methods for SOC estimation. Modern techniques create different algorithms to estimate SOC via the indirect method, but the conventional measurement techniques use the so-called direct estimation method. Another method to estimate SOC is by using machine learning models which are created from different application-based data sets, this is also referred to as a data-driven method which uses several artificial intelligence approaches including machine learning. In the battery management systems found on the market today, particularly those in EVs since they tend to be the most complex, any one of these methods or a combination of them is used to improve battery performance. In this thesis work, in addition to conventional approach of indirect estimation using Luenberger observer machine learning techniques of Multi-Linear Regression were used result of which were compared against each other.
Benzer Tezler
- Elektrikli araçlardaki lityum-iyon bataryalar için modelleme ve şarj durumunun kestirimi
Modelling and state of charge estimation for lithium-ion batteries in electric vehicles
KENAN YILDIRIM
Yüksek Lisans
Türkçe
2021
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Modelling and state of charge estimation for lithium-ion batteries
Lityum-iyon bataryalarda modelleme ve şarj durumu kestirimi
OZAN ÖZAY
Yüksek Lisans
İngilizce
2019
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Lityum iyon bataryaların makine öğrenimi yöntemleri ile sağlık durumu kestirimi
State of health estimation for lithium-ion batteries using machine learning methods
ÇETİN ORAL
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Li-ion batarya karakterizasyonu, modellemesi ve batarya yönetim sistemi tasarımı
Li-ion battery characterisation, modelling and battery management system design
MEHMET CAHİT ÖZDEMİR
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY DOKUR ÖLMEZ
- Extended kalman filter based state of charge estimation with a comprehensive test environment and modelling guideline
Kapsamlı bir test ortamı ve modelleme kılavuzu ile genişletilmiş kalman filtresi tabanlı şarj durumu tahmini
OZAN EREN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YAĞMUR DENİZHAN