Lityum iyon bataryaların makine öğrenimi yöntemleri ile sağlık durumu kestirimi
State of health estimation for lithium-ion batteries using machine learning methods
- Tez No: 677400
- Danışmanlar: DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 129
Özet
Yüksek enerji yoğunlukları, nispeten yüksek güç yoğunlukları, uzun kullanım ömürleri, yüksek hücre gerilimleri ve düşük kendi kendine deşarj özellikleri gibi güçlü yanları ile birlikte lityum iyon bataryalar günümüzde, taşınabilir cihazlar, elektrikli taşıtlar, savunma ve uzay uygulamalarında, kendine oldukça yaygın kullanım alanları bulmaktadır ve gelecekte, hayatımızda daha da çok yer alacağı düşünülmektedir. Bir lityum iyon bataryanın üretilmesini takiben, depolanması ya da kullanımı durumunun her ikisi için de geçerli olmak üzere, bataryanın sağlık durumu giderek azalma eğilimi göstermektedir. Bataryaların sağlığı azaldıkça, sağlayabildikleri kapasitenin ve gücün de azaldığı bilinmektedir. Belirli sağlık durumunun altında, bataryanın artık kullanıldığı sistem için yeterince güç veremediği ve/veya yeterli enerjiyi sağlayamadığı, kullanım süresi sunamadığı görülür. Ayrıca sağlık durumunun çok düştüğü durumlarda, hem bataryanın hem de bataryanın çevresinin tahrip olabileceği kazalarla karşılaşılmaktadır. Bu sebeplerden dolayı, bataryaların sağlık durumu takibinin yapılması, güvenlik ve güvenilirlik anlamında önemli bir konudur. Batarya yönetim sistemleri, lityum iyon bataryalar ile beraber kullanılan önemli sistemlerdir. Bu sistemler, bataryanın gerilim, akım, sıcaklık parametrelerini izler, şarj durumu ve sağlık durumu kestirimlerinde bulunur. Batarya yönetim sistemi, bataryanın güvenli ve güvenilir bir şekilde çalışmasını sağlamakla görevlidir. Bataryaların sağlık durumunun tespiti için çok sayıda yöntem bulunmaktadır. Bu yöntemlerden bir kısmı, laboratuvar ekipmanları ile bataryaları belirli şartlar altında doğrudan test etmektir. Coulomb sayma, iç direnç ölçümü, elektrokimyasal empedans spektroskopisi gibi doğrudan test yöntemleri ile bataryaların sağlık durumu çok isabetli bir şekilde ölçülebilir. Fakat bu ölçüm için özel cihazlara ihtiyaç duyulması, bataryanın test şartları altında, sadece ölçüme özel olarak çalıştırılmasına gerek duyulması bu yöntemlerin dezavantajlarıdır. Doğrudan test yöntemleri dışında, elektriksel eşdeğer devre ve elektrokimyasal model gibi yöntemlerde, bataryaların bir modeli oluşturulmaya çalışılarak bataryaların iç parametreleri belirlenir ve bu parametreler üzerinden kestirimde bulunulur. Batarya sağlık durumu kestirimi için model tabanlı yöntemlerin, Kalman filtre tabanlı, genişletilmiş Kalman filtesi, dağılımlı Kalman filtresi, iki aşamalı genişletilmiş Kalman filtesi, parçacık filtresi gibi uyarlanabilir filtreler ile birlikte kullanımı yaygın olarak görülür. Doğrudan test yönteminden farklı olarak, bataryalara ayrı bir test uygulamak zorunda kalmadan, normal hayat döngüsü içerisinde bu yöntemleri kullanabilmek mümkündür. Elektrokimyasal sürecin matematiksel olarak tanımlanarak iç parametrelerin belirlenmesi ve gerçek zamanlı batarya sağlık durumu kestirimi oldukça karmaşık işlemlerdir. İşlemlerin karmaşıklığından dolayı büyük hesaplama gücü gerektirmesi bu yöntemlerin en belirgin dezavantajıdır. Tüm bu yöntemlerden farklı olarak, veri tabanlı sağlık durumu kestirim yöntemleri, yalnızca gerilim, akım, örnekleme süresi ve sıklığı gibi batarya yönetim sistemi üzerinden doğrudan ulaşılabilen ya da kapasite gibi basitçe hesap edilebilen verileri kullanarak, sade yapısı ve isabetli sonuçlar elde edilebilmesi sayesinde gün geçtikçe daha da çok dikkat çekmektedir. Bu çalışmada, gerçek uygulamalarda kullanılabilecek, bataryaların kısmi şarj aralıklarında elde edilen kapasite bilgileri kullanılarak, üç farklı makine öğrenmesi yöntemi ile sağlık durumu kestirimi yapılarak yöntemlerin başarımları karşılaştırılmıştır. Batarya verileri olarak, Oxford Üniversitesi Howey Araştırma Grubu'nun sekiz adet lityum iyon hücrenin yıpranmasını incelemek için yaptığı deneysel çalışmanın verileri kullanılmıştır. Çalışmada, makine öğrenimi tekniklerinden Destek Vektör Makinesi ile regresyon (DVR), Gauss Süreci Regresyonu (GSR) ve Doğrusal Olmayan Dışsal Girdili Otoregresif Ağ (NARX) yöntemleri kullanılarak,“3,60-3,65 V”,“3,60-3,80 V”ve“3,80-4,00 V”gerilim aralıklarındaki kısmi şarj anları için kestirimler yapılmış ve sonuçlar karşılaştırmalı olarak verilmiştir. Bataryalar, eğitim veri seti ve test veri seti olarak ayrılmıştır. Farklı eğitim veri kombinasyonları oluşturularak tüm bataryalar için doğrulamalar yöntem, gerilim aralığı ve hücre bazında karşılaştırmalı olarak gerçekleştirilmiştir. Test için ayrılan batarya veri setleri, eğitim veri setinden tamamen farklı olacak şekilde ayrıştırılmıştır. Hem gerilim aralıklarına istinaden giriş verileri değişiminin başarım üzerindeki etkisi, hem de kullanılan yöntemlerin farklı gerilim aralıklarında başarımlarının değişimi tespit edilmiştir. Test edilen bataryalar için kestirim sonucu başarım ölçütü olarak hata kareleri ortalamasının karekökü hesabı kullanılmıştır. Sekiz batarya hücresinin sağlık durumu, üç farklı gerilim aralığında, üç farklı makine öğrenmesi metoduyla hesaplanmış ve hata değerleri %0,20 ile %2,32 arasında elde edilmiştir. Sonuç olarak gerilimin düşük ve gerilim aralığının dar olduğu 3,60-3,65 V aralığında NARX yönteminin diğer yöntemlerden, gerilim aralığı genişledikçe DVR ve GSR yöntemlerinin NARX'tan daha başarılı olduğu tespit edilmiştir.
Özet (Çeviri)
Nowadays, lithium-ion batteries are widely used in portable devices, electric vehicles, defense and aerospace applications, providing relatively high energy and power density, long cycle life, high cell voltage, and low self-discharge characteristics, indications show that lithium-ion batteries will become more popular in the future. Following the assembly of a lithium-ion battery, degradation occurs for both storage and use conditions. This degradation affects the battery performance, such as available capacity and power. Below a certain state of health condition, the battery is no longer able to supply enough power and/or provide sufficient energy for the system in which it is supplied. In addition to that, when the state of health is too low, it is seen that accidents can occur in lithium-ion batteries, which can lead to the destruction of both cell and its environment. For these reasons, monitoring the state of health is an important measure in terms of safety and reliability. The safe operating area of lithium-ion batteries is limited to a narrow range by temperature and voltage. Battery management systems are important elements used in lithium-ion battery packs in order to monitor the voltage, current, temperature parameters, also estimates the state of charge and state of health of the battery and ensure safe and reliable operation. Long-lasting and reliable use of batteries are the most important parameters for battery-operated systems. Information of the state of health of the battery is essential for future operations and supply planning in maintenance-renewal processes. Recently, battery state of health estimation has become more and more important, especially with the widespread use of electric vehicles. In the last 20 years, important studies are conducted on the degradation mechanisms, state of health and remaining useful life estimation of lithium-ion batteries with different lithium-ion chemistry types. There are many methods for determining the state of health of batteries. Some methods directly test batteries with laboratory equipments under certain experimental conditions. Thanks to direct test methods such as Coulomb counting and electrochemical impedance spectroscopy, the state of health of batteries can be measured very accurately. However, the need for special devices and specific test conditions are the disadvantages of these methods. Apart from direct test methods, in methods such as electrical equivalent circuit and electrochemical model, a model of the batteries is created and the internal parameters of the batteries are determined. The battery state of health is estimated with determined parameters. It is common to use model-based methods for the state of health estimation together with adaptive filters such as Kalman filter-based, extended Kalman filter, unscented Kalman filter, dual extended Kalman filter, particle filter. Defining the electrochemical process, determining the internal parameters mathematically and estimating the real-time state of health of battery are complex processes and the most obvious disadvantage of these methods is that they require high computational power. Unlike these methods, data-driven state of health estimation methods gain attention day by day with their simple structure and accurate results with the use of directly accessible data from battery management system such as voltage, current, sample time and sampling frequency or simply calculated data such as capacity. Moreover, data-driven methods effectively reflect the non-linear relationship between various battery parameters without define any complex electochmemical process. Fuzzy logic, support vector machines (SVM), Gaussian process regression (GPR) and artificial neural network are some of the date-driven methods used for the state of health estimation. Machine learning algorithms use computational methods to learn by directly processing the data obtained without a predetermined equation or a formulation. It is possible to process a very complex problem, a large amount of multivariate data, and find a solution with the machine learning method without any equations or formulations. Machine learning methods create a suitable model by using the data they have obtained before. When new data is received, the data is analyzed and a solution is estimated using a model created with one of the machine learning methods. The larger the dataset used when creating the model, the better the performance of the model created with machine learning. In real-world applications, although the batteries are exposed to different discharge currents and different load profiles, they are usually stably charged with a certain charging equipment during the charging process. The use cases of the batteries are generally not in a fixed scenario. Batteries may not always be used by the user to be fully charged and fully discharged. Apart from this, the number of records of the information obtained by the battery management system during the full charging process can be in the thousands. The full charging process can make situations such as managing, transferring and processing the data very difficult. In this study, battery state of health is estimated using three different supervised machine learning methods, using the capacity information obtained at partial charge intervals of the batteries, suitable for use in real-world applications. The performance of the methods are compared based on the estimation results. Degradation dataset of eight lithium-ion cells published by Oxford University Howey Research Group is used for machine learning models and test subjects. Six batteries are used as the training set, and two different batteries are used for validation. By creating different training data combinations, validations for all batteries are performed comparatively on the basis of method, voltage range and cell. In this study, measured charging capacity of the batteries for voltage intervals“3.60-3.65 V”,“3.60-3.80 V”and“3.80-4,00 V”are used as the input data. The state of health of the battery is defined as the ratio of discharge capacity in the present condition to the discharge capacity in the first cycle. In the study, experimental data are used for between 100% and 80%. The state of the health for all batteries and estimations are made for this range. Different machine learning techniques, such as regression with SVM, GPR and nonlinear autoregressive exogenous neural network (NARX) are used. The performance effect of both the variation of the input data according to the voltage ranges and the sampling number of the input data on the methods used are determined. MATLAB 2020a is used for modelling. In the examination of the model performance, the root mean squared error (RMSE) are used as the performance criterion. Three different machine learning methods are compared with three different voltage ranges for eight battery cells. Root mean squared errors are calculated between 0,20% and 2,32%. As a result, it is determined that the NARX method is more successful than other methods in the 3,60-3,65 V range where the voltage is low and voltage range is narrow. However, as the voltage range increases, it is calculated that DVR and GSR methods are more successful than NARX.
Benzer Tezler
- Modelling and state of charge estimation of lithium-ion batteries
Lityum bazlı batarya hücrelerininmodelleme ve şarj durumu tahmini
MANİ KAZIMI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. METİN GÖKAŞAN
- State of charge estimation of lithium-ion batteries using machine learning approach
Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini
OSMAN ALPER ALTUN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE AYAZ
- Thermal modeling and verification of a pouch-type lithium-ion cell using equivalent circuit modeling and machine learning
Eşdeğer devre modellemesi ve makine öğrenmesi kullanarak kese tipi lityum-iyon hücresinin termal modellemesi ve doğrulaması
BELFUN ARSLAN
Yüksek Lisans
İngilizce
2024
Kimya MühendisliğiGebze Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
DR. ÖZGÜN YÜCEL
- Lityum iyon bataryalarda parça ömür kestirimi
Calculating remaining useful life of lithium-ion batteries
FERHAT MAÇİN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. SALMAN KURTULAN
- Estimation of remaining useful life by using neural network method for lithium based batteries in aviation applications
Havacılıkta kullanılan lityum tabanlı bataryaların yapay sinir ağları ile ömür kestirmine katkılar
HÜSEYİN SELÇUK POLATÖZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ