Elektrikli araçlarda yapay sinir ağı tabanlı batarya sağlık durumu kestirimi
State of health estimation in electric vehicles based on artificial neural network
- Tez No: 700236
- Danışmanlar: DOÇ. DR. SERHAT İKİZOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 87
Özet
Bataryalar, elektrik enerjisini elektrokimyasal enerjiye çeviren, depolayan ve aynı zamanda depolanan enerjiyi elektrik enerjisi olarak kullanmaya olanak sağlayan donanımlardır. Bilgisayarlardan akıllı cihazlara kadar günümüzün gelişmiş elektronik cihazlarının büyük bir kesiminde yer almaktadır. Günümüzde, taşınabilir elektronik aygıtların yaygınlaşmasının neticesinde batarya teknolojisinin gelişimi de paralel olarak ivme kazanmıştır. Bataryaların yaygın olarak kullanılması, çeşitli cihazlarda elektrik enerjisinin depolanmasına ve elde edilen elektrik enerjisiyle cihazların prizden bağımsız bir şekilde kullanılmasına olanak sağlamıştır. Dünya nüfusunun son yıllarda hızla artmasıyla birlikte ulaşım problemi ve trafik yoğunluğu ciddi bir sorun haline gelmiştir. Artan nüfus popülasyonuyla, trafiğe çıkan araç sayısı her geçen gün artmaktadır. İçten yanmalı motorlara sahip araç sayısındaki artış çevreye salınan zararlı gaz miktarlarının da artmasına neden olmaktadır. Bu durum, çevre kalitesini oldukça düşürmüştür. Bu sorunu minumum düzeye indirmek ve araç performanslarını artırmak için araçlarda yenilenebilir enerji kaynaklarının kullanımı artmaktadır. Diğer taraftan, gelecekte petrol rezervlerinin tükenecek olması da elektrikli araçlara olan talebi hızlandırmıştır. Bu çalışmada elektrikli araçlarda şarj edilebilir bataryalar sınıfında yer alan lityum-iyon bataryanın simülasyon ortamında batarya sağlık durumu kestirimi yapılmıştır. Simülayon ortamında yapılan çalışmada batarya sağlık durumunu etkileyen faktörler ele alınmıştır. Bu batarya türüne ilişkin batarya sağlık durumunu kestirme yöntemleri literatürde ele alınmıştır. Bu yöntemler model tabanlı yaklaşım ve veri tabanlı yaklaşım olmak üzere iki ana başlıkta toplanmıştır. Bu tez çalışmasında, herhangi bir matematiksel model gerektirmemesi, lineer olmayan sistemlerde de uygulanabilir olması, yüksek doğrulukta batarya sağlık durumunun kestirimi sunması ve kompleks bir yapıda olmaması nedeniyle, veri tabanlı yaklaşım model tabanlı yaklaşıma göre tercih edilmiştir. Yapay sinir ağları, insan beyninin bilgiyi işleme tekniğinden esinlenilip geliştirilmiş bir bilgi işlem teknolojisidir. Yapay sinir ağlarının çalışma prensibi, karmaşık olmayan bir sinir sisteminin taklidi olarak ele alınabilir. Yani, akson ve dentritlerden oluşan bu sistemin birbirleri arasında kurduğu sinaptik bağın dijital olarak modellenmesidir. Yapay sinir ağları, öğrenme, hafızaya alma ve öğrendiklerini yeni bilgiler üretecek şekilde genelleyebilme, parametreler arasındaki ilişkileri ortaya koyma yeteneklerine sahiptirler. Birçok alanda başarıyla uygulanan yapay sinir ağı yöntemleri ve istatistiksel yöntemler arasında benzer ilişkiler bulunmaktadır. Burada önemli olan nokta, sinir ağında kullanılan makinelerin öğrenme ve öğrendiği bilgiyi en iyi şekilde uygulayabilmesidir. Bu tez çalışmasında, sıcaklık, gerilim ve akım değerleri yapay sinir ağlarında giriş verileri olarak kullanılmıştır. Bu amaçla literatürde yer alan bir verisetinden yararlanılmıştır. İlgili veriseti oluşturulurken, yılın farklı aylarında, batarya üzerinden elde edilmiş giriş verileri ve bu verilerle birlikte bataryadaki kapasite değişimi belirli periyotlarla kaydedilmiştir. Tezde kullanılan bu verisetiyle, bataryadaki anlık kapasite azalması, nominal batarya kapasitesine göre durumu baz alınarak, batarya sağlığıyla ilgili çıkarımlar elde edilmiştir. Çalışmada kestirim için en uygun sinir ağını belirlemek ve çeşitli ağların kıyaslamasını yapmak üzere, ileri beslemeli sinir ağı, radyal tabanlı fonksiyon sinir ağı ve yinelemeli yapay sinir ağı modelleri kullanılmıştır. Her bir sinir ağı için farklı eğitim parametreleri uygulanmıştır. Bunun nedeni, tez çalışmasındaki veri setleri kullanılarak, makinelerin eğitildikten sonra, öğrendiği bilginin tahmin edilmesini gözlemlemektir. Kullanılan bu üç farklı sinir ağları birbirine yakın doğruluk oranlarında sonuçlar vermiştir. En uygun kestirim yönteminin belirlenmesinde en yüksek kestirim yüzdesine sahip olan sinir ağlarının yanı sıra düşük hesaplama yükü, kullanılan ağ yapısının karmaşıklığı gibi diğer etkenler de dikkate alınmıştır. Bu kriterlere göre, ileri beslemeli sinir ağı ve yinelemeli sinir ağı, bu tez çalışmasında batarya sağlık durumunu kestirmek için daha doğru sonuçlar vermiştir. Radyal tabanlı fonksiyon sinir ağı ise, hem işlem yükünün fazla olması hem de daha düşük yüzdeyle kestirim sonucu vermesinden dolayı tercih edilmeyen bir yöntem olarak değerlendirilmiştir. Gerçekleştirilen çalışmadan elde edilen sonuçlar, geliştirilen ve eğitilen yapay sinir ağı modellerinin, batarya sağlık durumunun gözlenmesinin gerekli olduğu gerçek zamanlı uygulamalarda ve aynı zamanda elektrikli araçlardaki batarya yönetim sistemlerinde kullanılmaya olanak sağlayacağını ortaya koymaktadır.
Özet (Çeviri)
Batteries are equipment for powering the same stored energy as electricity, which converts energy into electrochemical energy. It is in a large part of the advanced electronic devices of the future, from computers to smart devices. Nowadays, the popularization of electronic devices is seen as a positive development in a positive way. Widespread use of batteries helps you shape production with electrical energy and grow rewards with the resulting electrical energy. With the rapid increase in the world population in recent years, transportation problem and traffic density have become a serious problem. With the increasing population population, the number of vehicles on the road is increasing day by day. The increase in the number of vehicles with internal combustion engines also causes an increase in the amount of harmful gases released into the environment. This situation has greatly reduced the environmental quality. In order to minimize this problem and increase vehicle performance, the use of renewable energy sources in vehicles is increasing. In addition, the demand for electric vehicles has accelerated when the future oil reserves will be depleted. In this study, battery health estimation is made in the simulation environment of the lithium-ion battery, which is in the category of rechargeable batteries in electric vehicles. In the study conducted in the simulation environment, the factors affecting the battery health status were discussed. The methods of estimating the battery health status of this battery type have been discussed in the literature. These methods are grouped under two main headings as model-based approach and data-based approach. In this thesis, the data-based approach was preferred over the model-based approach because it does not require any mathematical model, can be applied in non-linear systems, and has a high estimation accuracy of the battery health status and is not in a complex structure. Artificial neural networks are an information processing technology inspired by the information processing technique of the human brain. The working principle of artificial neural networks can be considered as an imitation of an uncomplicated nervous system. In other words, it is the digital modeling of the synaptic bond established between this system, which consists of axons and dendrites. Artificial neural networks have the ability to learn, memorize, generalize what they have learned to produce new information, and reveal the relationships between parameters. There are similar relationships between artificial neural network technology and statistical methods, which have been successfully applied in many fields. The important point here is that the machines used in the neural network can learn and apply the information they learn in the best way. In this thesis, temperature, voltage and current values are used as input data in artificial neural networks. Input data obtained from the battery in different months of the year and the capacity change in the battery with these data were recorded periodically. With this created dataset, inferences about battery health were obtained based on the instantaneous capacity decrease in the battery, its status relative to the nominal battery capacity. With these inferences, feedforward neural network, radial basis function neural network and iterative artificial neural network models were used in the study to determine the most appropriate estimation method among the neural networks used and to compare these networks. Different training parameters were applied for each neural network. The reason for this is to observe the estimation of the knowledge learned by the machines after they have been trained, using the datasets in the thesis study. These three different neural networks used gave results with accuracy rates close to each other. In determining the most appropriate estimation method, besides the neural networks with the highest estimation percentage, other factors such as low computational load and the complexity of the network structure used were also taken into account. According to these criteria, feedforward neural network and iterative neural network gave more accurate results to predict battery health in this thesis study. The radial basis function neural network, on the other hand, is considered as an undesirable method because it has a high processing load and gives a lower percentage of estimation results. Based on the results obtained from the study, the developed and trained artificial neural network models allow to be used in real-time applications where battery health status is required to be displayed, as well as in battery management systems in electric vehicles.
Benzer Tezler
- 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
- Modelling longitudinal motion of an electric vehicle and wheel slip control through NN based uncertainty prediction
Elektrikli aracın boyuna hareketinin modellenmesi ve yapay sinir ağı tabanlı belirsizlik kestirimli tekerlek kayma kontrolü
DUYGU ÖZYILDIRIM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- 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
- Tekerlek içi elektrik motorlarında yapay zeka tabanlı arıza teşhisi
Fault diagnosis of hub motors based on artificial intelligence techniques
MEHMET ŞİMŞİR
Doktora
Türkçe
2016
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILMAZ UYAROĞLU
PROF. DR. RAİF BAYIR
- Elektrikli otobüslerde çizge tabanlı öznitelik seçimi ve makine öğrenmesi ile kestirimci bakım
Predictive maintanance with graph based feature selection & machine learning in electrical busses
AYŞE IRMAK ERÇEVİK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET MURAT ÖZBAYOĞLU