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
- Tez No: 753605
- Danışmanlar: PROF. DR. ERHAN AKDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 87
Özet
Konvansiyonel enerji kaynaklarının güvenilir yedeklerine artan talepleri göz önünde bulundurunca, çeşitli endüstri ve uygulamalarda hızlıca yaygınlaşan elektrik enerjisi, bir alternatif olarak kendini göstermektedir. Elektrik enerjisinin verimliliği ve kullanılabilirliği, bilim insanları ve mühendislerin ilgisini artarak çeken gelişmiş depolama sistemlerinin geliştirilmesi ile son derece ilişkilidir Tüm teknolojiler arasında, enerjiyi elektro-kimyasal potansiyel enerji olarak depolayan piller, elektrik enerjisi depolamak için en etkili çözümdür. Özellikle, yüksek enerji yoğunluğu ve düşük özboşalım oranları özelliklerine sahip Lithium-ion (Li-ion) pilleri, bu görev için en etkili çözüm olarak görülmektedir. Ancak, Li-ion pillerinin çevrim ömrü uzatmak ve sistem güvenliği sağlamak için diğer pil tiplerine göre daha karışık yönetim sistemlerine ihtiyaç duymaktadır. Batarya Yönetim Sistemi'nin (BMS) tarafından tahmin edilen ve enerji ve güç hesaplamalarında kullanılan şarj durumu (state-of-charge, SOC) önemli bir parametredir. Doğru bir şarj durumu tahmini pil ömrünü uzatmak ve tehlikeli kullanım durumlarını önlemek için son derecede önemlidir. SOC tahmin tekniklerinin geliştirilmesi ve iyileştirilmesi için önemli bir çaba sarf edilmiştir. Endüstriyel kullanımlarda model tabanlı metodlar en çok kullanılan olarak görülmektedir. Bunun yanı sıra, yüksek sayısal güç gerektiren algoritmaların tüm potansiyeline ulaşımını sağlayan donanım platformlarının hızlıca gelişmesiyle, veri güdümlü algoritmalar gün geçtikçe daha çok dikkat çekmektedir, özellikle araştırmacıların tarafından. Ancak, kara kutu modelleme yöntemleri genellikle veri kapsamı ile sınırlıdır, öngörülemez durumlarda zorlanır ve bu metotları kullanarak genel bir modelin geliştirilmesi oldukça zordur. Üstelik, veri güdümlü tahminlerin fizik yasalarına göre tutarsiz olmaya yatkın olmaları gerçek uygulamalarda kullanılması daha riskli yapmaktadır. Bu çalışmada, Li-ion pilleri için yeni bir fizik destekli yapay sinir ağı tabanlı şarj durumu tahmin algoritması geliştirmek amacıyla, makine öğrenmesindeki en son gelişmelerden yararlanılmıştır. Bu yöntemde, kısaca, bir enerji yaklaşımına dayanarak, eğitim aşamasında fiziksel kısıtlamalar sunmayı sağlayan, fiziksel ve veri hataları birleştiren bir maliyet fonksiyonu tasarlanmıştır. Önerilen algoritma, fizik güdümlü (PGCNN) ve fizik güdümlü olmayan (N-PGCNN) evrişimsel yapay sinir ağları, Panasonic 18650PF Li-ion pilinin açık verileri [1] kullanılarak, eğiterek ve test ederek doğrulanmıştır. Sonuçlar, önerilen metodolojinin, ortalama mutlak yüzde hata (MAPE) ve fiziktutarlılık indeksi (PCI) metrikleri kullanılarak, büyük ve küçük zaman pencereleri için, hem doğruluk hem de fizik tutarlılığı açısından klasik paradigmadan daha iyi olduğunu göstermiştir. Bu, önerilen yaklaşımı yapay sinir ağları tabanlı şarj durumu tahmini için yeni bir yöntem olarak doğrular.
Özet (Çeviri)
In light of the growing demands of reliable substitutions to vulnerable conventional energy sources, electrical energy manifests as a potent surrogate that has started to prevail in a variety of industries and applications. The effectiveness and usability of this energy is highly associated with the development of sophisticated storing systems, a topic that has been increasingly attracting the attention of scientists and engineers. Among all technologies, batteries are the most preponderant solutions for electrical energy storage, in the form of electro-chemical potential energy. Particularly, Lithium-ion batteries, being characterized by a high energy density and a low self-discharge rate, are considered one of the most effective solutions for this purpose. However, Lithium-ion cells necessitate more complex management systems, in order to ensure the operation safety and maximize the cycle life. The state-of-charge represents a crucial parameter estimated by Battery Management Systems used in energy and power calculations. Hence, an accurate state of-charge estimation is indispensable to prolonging the battery life and preventing hazardous usage conditions. Considerable effort has been put into the development and enhancement of state-of-charge estimation techniques. Model based methods are the most dominant estimators in industrial applications. Data driven algorithms, on the other hand, are gaining more and more attention among researchers due to the fast-paced development of hardware platforms which is unlocking the potential of these algorithms that require a relatively high computational power. Nevertheless, black box modeling is usually confined to the data scope, struggles under unseen conditions and it is difficult to deliver a general model. Additionally, data driven estimators are prone to be inconsistent with physics laws, which make their deployment in real life applications more risky. In this work, we leverage the latest advancements in machine learning to develop a novel technique to train a Physics Guided Convolutional Neural Network based state-of-charge estimator for Lithium-ion batteries. In a nutshell, the methodology consists of introducing physical constraints during the train phase by designing a cost function that combines both physical and data losses, based on an energy approach. The proposed algorithm is validated using open data of Panasonic 18650PF Lithium-ion battery [1], by training and testing physics guided and non-physics guided convolutional neural network models, referred to as PGCNN and N-PGCNN models, respectively. Results showed that the proposed methodology outperformed the classic paradigm in both accuracy and physics consistency based on Mean Absolute Percentage Error and Physics Consistency Index metrics, for large and small time windows, which validates the proposed approach as a surrogate method for neural network based state-of-charge estimation.
Benzer Tezler
- Digital-twin flight modelling through machine learning for trajectory error estimation and recovery
Rota hesaplamalarında makine öğrenmesi tabanlı dijital ikiz uçuş modeli
MEVLÜT UZUN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
DR. MUSTAFA UMUT DEMİREZEN
- Improvement of electrocardiographic imaging reconstructions: A physics-guided ai approach and an efficient method for training data reduction
Elektrokardiyografik görüntüleme geriçatımlarının iyileştirilmesi: Fizik tabanlı yapay zeka yaklaşımı ve eğitim verisinin indirgenmesi için etkin bir yöntem
KUTAY UĞURLU
Yüksek Lisans
İngilizce
2023
BiyomühendislikOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YEŞİM SERİNAĞAOĞLU DOĞRUSÖZ
- Equimolar binary compounds: A first-principles based machine learning study
Eşmolar ikili alaşımlar: AB-initio tabanlı makina öğrenme çalışması
CEM ORAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN
- Bazı tıbbi görüntülerin kuantum teknolojik yöntemler ile analizi
Analysis of some medical images with quantum technological methods
NİLAY DURMUŞ
Yüksek Lisans
Türkçe
2022
Fizik ve Fizik MühendisliğiÇanakkale Onsekiz Mart ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. İHSAN YILMAZ