Geri Dön

Battery state of health (SOH) prediction using machine learning

Makine öğrenmesi ile batarya sağlık durumu tahmini

  1. Tez No: 819977
  2. Yazar: KIRAY GÜNER
  3. Danışmanlar: DOÇ. DR. MERAL BAYRAKTAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Makine Mühendisliği, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Makine Teorisi ve Kontrol Bilim Dalı
  13. Sayfa Sayısı: 57

Özet

Bu tez, çeşitli makine öğrenimi teknikleri kullanarak Li-On akülerin sağlık durumunun (SOH) tahminini araştırmaktadır. Bir akünün SOH'u, kalan kapasitesini ve performansını gösteren kritik bir parametredir. Doğru SOH tahmini, akü kullanımını, performansını ve yönetimini optimize etmek için önemlidir. Tez, akü, akü yaşlanması, makine öğrenimi ve SOH tahmin yöntemlerinin kapsamlı bir incelemesi ile başlamaktadır. Bu inceleme, yürütülen araştırmanın temelini oluşturmaktadır. Araştırmada 2 farklı veri kümesi kullanılmıştır. Bunlardan biri çevrimiçi olarak sunulan NASA batarya veri setidir. Diğeri ise laboratuvarlarımızda toplanan verilerdir. Bu veriler işlenmiş ve kullanım için normalize edilmiştir. Bu çalışmada kullanılan tüm verilerin laboratuvar ortamında toplandığını ve gerçek dünya verilerini tam olarak yansıtmayabileceğini unutmamak önemlidir. Gerçek dünya kullanımına daha uygun modelleri eğitmek için daha geniş veri kümeleriyle daha fazla çalışma yapılması gerekebilir. Tezde altı farklı algoritma kullanılmıştır. Bunlar doğrusal regresyon, karar ağacı, rastgele orman, ileri beslemeli sinir ağı, tekrarlayan sinir ağı ve uzun-kısa vadeli bellektir. Bu algoritmaların performansı ortalama mutlak hata, ortalama karekök ve r-kare metrikleri kullanılarak değerlendirilmiştir. Değerlendirilen modeller, SOH tahmininde kullanılmak üzere en uygun modeli belirlemek için karşılaştırılmıştır. Sonuçlar, makine öğrenimi tekniklerinin akü SOH'sini doğru bir şekilde tahmin edebildiğini göstermektedir. Böylece, makine öğrenimi yöntemleri SOH tahmini için geleneksel yöntemlere alternatif olabilir. Genel olarak, bu tez akü bakımı ve yönetimi alanına katkıda bulunmaktadır. Bu çalışmada kullanılan modeller, doğru SOH tahmini için büyük potansiyel göstermektedir. Daha fazla araştırma ve doğrulama ile bu, akülerin kullanıldığı birçok alanı büyük ölçüde etkileyecektir.

Özet (Çeviri)

This thesis explores prediction of state of health (SOH) of Li-On batteries using various machine learning techniques. SOH of a battery is a critical parameter that indicates its remaining capacity and performance. Accurate SOH prediction is important for optimizing battery usage, performance and management. The thesis begins with a comprehensive review of battery, battery aging, machine learning and SOH estimation methods. This review forms the basis for the research conducted. In the research 2 different datasets have been used. One is the NASA battery dataset available online. The other is data collected within our labs. These data was processed and normalized for usage. It is important to note that all the data used in this study was collected in laboratory environment and may not fully reflect real world data. Further study may be needed with wider datasets to train models more fitting real world usage. In the thesis six different algorithms have been used. These are linear regression, decision tree, random forest, feedforward neural network, recurrent neural network and long-short term memory. The performance of these algorithms were evaluated using mean absolute error, root mean square and r-squared metrics. The evaluated models have been compared to identify the most suitable model for usage on SOH prediction. The results demonstrate that machine learning techniques can accurately predict battery SOH. Thus, machine learning methods can be alternative to traditional methods for SOH prediction. Overall, this thesis contributes to the field of battery maintenance and management. The models used in this study demonstrate great potential for accurate SOH prediction. With further research and validation, this would greatly impact many fields using batteries.

Benzer Tezler

  1. State of health prediction of lithium-ion batteries using machine learning methods

    Lityum-iyon bataryaların makine öğrenmesi yöntemleri kullanılarak sağlık durumu kestirimi

    YAVUZ AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BURCU ERKMEN

  2. Farklı lityum iyon piller için batarya şarj durumu tahmini

    Battery state of charge estimation for different lithium-ion battery cells

    MERVE TEKİN

    Doktora

    Türkçe

    Türkçe

    2024

    EnerjiBursa Uludağ Üniversitesi

    Otomotiv Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET İHSAN KARAMANGİL

  3. Akıllı batarya kapasitesinin derin öğrenme yöntemleriyle tahmini

    Estimation of smart battery capacity using deep learning methods

    TUĞHAN TUNÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAMİT ERDEM

  4. Li-iyon batarya modelinin en uygunlaştırılması ve batarya bozunumunun incelenmesine katkılar

    Contributions to optimization of Li-ion battery models and analysis of battery degradation

    HAKAN İNCESU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ