State of health prediction of lithium-ion batteries using machine learning methods
Lityum-iyon bataryaların makine öğrenmesi yöntemleri kullanılarak sağlık durumu kestirimi
- Tez No: 824838
- Danışmanlar: PROF. DR. BURCU ERKMEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Lityum-iyon bataryalar, hafiflikleri, yüksek enerji yoğunlukları ve uzun ömürleri nedeniyle enerji depolamak için en iyi seçenek olarak kabul edilirler ancak kullanıma bağlı olarak içlerindeki kimyasal bileşenlerin bozunması sebebiyle zamanla kapasiteleri azalır, performansları düşer ve patlama ihtimalleri artar. Dolayısıyla lityum-iyon bataryaların sağlık durumlarını (SOH) kestirmek güvenlik ve maliyet açısından oldukça önemlidir. SOH, bataryaların mevcut kapasitesinin başlangıçtaki kapasitesine oranı olarak tanımlanabilir. SOH kestiriminin en önemli parçası bataryaların kapasitelerinin bozunumlarını en iyi şekilde yansıtan sağlık göstergelerini (HIs) tespit etmek ve bu sağlık göstergelerini SOH kestiriminde doğru bir şekilde kullanmaktır. Lityum-iyon bataryaların şarj veya deşarj olmaları sırasında ölçülen akım, gerilim, sıcaklık ve empedans gibi parametreler bataryaların sağlık durumları hakkında önemli bilgiler vermektedir. Ancak yine de, öznitelik çıkarımı kapsamında, bu parametrelerin bataryaların kapasitelerine olan etkileri incelenmeli, ihtiyaç duyulması halinde çeşitli veri ön işleme adımlarından geçirilmeli ve makine öğrenmesi algoritmaları için hazır hale getirilmelidir. Bu tez çalışmasında, lityum-iyon bataryaların deşarj sırasındaki kapasite bozunumlarının saykılları görüntüler ile temsil edilerek öznitelik seçimi ve çıkarımı konusundaki matematiksel ve zamansal işlem yükü elimine edilmiştir. Görüntü tabanlı bu öznitelik çıkarımı oldukça özgün ve yenilikçi bir yaklaşımdır ve iki farklı yöntem ile uygulanmıştır. İlkinde, lityum-iyon bataryaların 1D kapasite değişim sinyalleri Sürekli Dalgacık Dönüşümü'ne (CWT: Continuous Wavelet Transform) tabi tutularak 2D frekans-zaman bilgisi içeren görüntüler elde edilmiş, ikincisinde ise bataryaların deşarj durumundaki yine 1D gerilim, akım ve sıcaklık bilgileri morfolojik işlemler ile görüntülere dönüştürülmüş, müteakiben elde edilen bu görüntülerden oluşan öznitelikler daha sonra ilk yöntem için ANN ve CNN, ikinci yöntem için ise yalnızca CNN ile eğitilerek SOH kestiriminde kullanılmıştır. Nitekim her iki yöntemde de bataryaların deşarj sırasındaki saykılları görüntüler ile ifade edilmiştir. Ayrıca görüntü tabanlı yöntemlerin etkinliğini ölçebilmek maksadıyla bataryaların gerilim, akım ve sıcaklık sinyalleri herhangi bir şekilde görüntülere dönüştürülmeksizin doğrudan LSTM, GRU, LightGBM ve SVM algoritmaları ile de eğitilmiş ve görüntü tabanlı yaklaşımların sinyal tabanlı yaklaşımlara göre daha iyi sonuçlar verdiği tespit edilmiştir. Önerilen yöntemler NASA Ames Predictive Science Center tarafından sağlanan batarya veri seti ile doğrulanmıştır.
Özet (Çeviri)
Due to their light weight, high energy density, and lengthy lifespan, lithium-ion batteries are regarded as the best option for energy storage. However, as their chemical components degrade over time, their capacity decreases, their performance degrades, and their explosion probability increases. Predicting the State of Health (SOH) of lithium-ion batteries is therefore essential for safety and cost. SOH is defined as the ratio of a battery's current capacity to its initial capacity. Identifying the indicators of health (HIs) that best reflect the degradation of the batteries' capacities and using these health indicators accurately is the most crucial aspect of SOH prediction. During the charging and discharging of lithium-ion batteries, parameters such as current, voltage, temperature, and impedance provide vital information about the health of the batteries. However, within the context of feature extraction, the effects of these parameters on the capacities of the batteries should be investigated, and, if necessary, the data should be preprocessed and made machine learning algorithm-ready. By representing the cycles of capacity degradation of lithium ion batteries during discharge with images, the mathematical and temporal computational burden of feature selection and extraction is eliminated in this thesis. This image-based feature extraction method is extremely unique and innovative, and it has been implemented using two distinct techniques. In the first method, the 1D capacity change signals of lithium-ion batteries are subjected to Continuous Wavelet Transform (CWT) to obtain 2D images containing frequency-time information, and in the second method, the 1D voltage, current, and temperature information of the batteries in the discharge state are transformed into images by morphological operations, and then, these image-derived features are trained with ANN and CNN for the first method, and only CNN for the second, before being used for SOH prediction. In fact, the cycles of the batteries during discharge are depicted by images in both approaches. In order to determine the efficacy of the image-based methods, the voltage, current, and temperature signals of the batteries were trained directly with LSTM, GRU, LightGBM, and SVM algorithms, without being converted into images, and it was discovered that the image-based approaches produced superior results than the signal-based approaches. The proposed techniques are validated using a NASA Ames Predictive Science Center battery dataset.
Benzer Tezler
- 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
- Elektrikli araç bataryalarının prognostik ve sağlık durumunun tahmini için makine öğrenmesine dayalı akıllı bir yöntemin geliştirilmesi
Development of an intelligent method based on machine learning for prognostic and state of health estimation of electric vehicle batteries
ORÇUN KARADENİZ
Doktora
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN TİRYAKİ
- 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
- Akıllı batarya kapasitesinin derin öğrenme yöntemleriyle tahmini
Estimation of smart battery capacity using deep learning methods
TUĞHAN TUNÇ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAMİT ERDEM
- 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
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ