Battery state of health (SOH) prediction using machine learning
Makine öğrenmesi ile batarya sağlık durumu tahmini
- Tez No: 819977
- Danışmanlar: DOÇ. DR. MERAL BAYRAKTAR
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Makine Teorisi ve Kontrol Bilim Dalı
- 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
- 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
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BURCU ERKMEN
- Farklı lityum iyon piller için batarya şarj durumu tahmini
Battery state of charge estimation for different lithium-ion battery cells
MERVE TEKİN
Doktora
Türkçe
2024
EnerjiBursa Uludağ ÜniversitesiOtomotiv Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET İHSAN KARAMANGİL
- Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini
Battery state of health estimation based on test data using machine learning and deep learning methods
MEHMET ALİ ARSLANTAŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Predicting battery state of health: The machine learning approach
Bataryanın sağlık durumunu tahmin etme: Makine öğrenimi yaklaşımı
ABDELMOUNAIM BENSABEUR
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Okan ÜniversitesiOtomotiv Mekatroniği ve Akıllı Araçlar Ana Bilim Dalı
PROF. DR. RAMAZAN NEJAT TUNCAY
- Dual estimation of state of charge and state of health for lithium ion batteries
Lityum iyon piller için şarj durumu ve sağlık durumunun çift tahmini
İLHAN TOPKAYA
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Okan ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER CİHAN KIVANÇ