State of charge estimation of lithium-ion batteries using machine learning approach
Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini
- Tez No: 863624
- Danışmanlar: PROF. DR. EMİNE AYAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 101
Özet
Küresel ısınma, çevre kirliliği ve fosil yakıt kullanımının neden olduğu kaynakların hızla tükenmesi sorunları, bilim adamlarını ve devletleri bu zorluklara yönelik çeşitli çözümler aramaya sevk etti. Özellikle ulaşımda kullanılan araçların bu bağlamda etkisinin en aza indirilmesi büyük önem taşıyor. Günümüzde elektrikli araçlar hızla içten yanmalı motorlu araçların yerini alıyor. Devletler elektrikli araçlar için karbon emisyonlarını etkili bir şekilde azaltan, sera gazı emisyonlarını en aza indiren ve gürültü kirliliği sorununu ele alan bir dizi teşvik ve regülasyon sağlıyor. Örnek olarak Birleşik Krallık, 2030 yılından itibaren yeni içten yanmalı araçların satışını yasaklayacak. Elektrikli araç teknolojisinin ilerlemesi için birçok sektör arasında iş birliği yapılması gerekiyor. Elektrikli araçlarla ilgili temel zorluk sürüş profilne ve çevresel faktörlere bağlı olarak performansta değişkenlik gösteren bataryadadır. Lityum-iyon bataryalar, elektrikli araçlar için en çok tercih edilen batarya türüdür. Li-ion bataryalar, minimum düzeyde kendi kendine deşarj olmaları, yüksek enerji yoğunluğu, uzun ömürleri ve hızlı şarj yetenekleri nedeniyle kurşun asit ve NiMH bataryalar yerine tercih edilmektedir. Araçların ihtiyaç duyduğu kapasiteyi sağlamak için birçok Li-ion hücresi hem seri hem de paralel konfigürasyonlarda birbirine bağlanır. Bu çok sayıdaki hücrenin güvenilir ve emniyetli bir şekilde çalışması, aracın performansı ve kullanıcıların güvenliği açısından hayati önem taşıyor. Batarya Yönetim Sistemi (BYS), batarya içindeki tüm kontroller ile araçtaki çeşitli çevresel sistemler arasındaki bağlantının kurulmasından sorumludur. Temel amacı araç ve sürücü güvenliğinin sağlanması olan BYS, donanım ve yazılım bileşenlerinin birleşiminden oluşmaktadır. Optimum araç performansı için istikrarlı çalışma şarttır. Bireysel hücrelerden tüm batarya paketine kadar hücre izleme, durum tahmini, hücre dengeleme, termal yönetim ve şarj kontrolü gibi çeşitli işlevleri yerine getirir. Tezimizin ana konusu olarak inceleyeceğimiz başlık BYS'nin durum tahminlerinden biri olan Batarya Şarj Durumu (BŞD) olacaktır. BŞD, içten yanmalı otomobillerdeki yakıt göstergesinin işleyişine benzer şekilde, elektrikli araçlarda batarya şarj durumu göstergesi olarak görev yapıyor. Bataryanın özelliklerinin bir sonucu olarak BŞD doğrudan ölçülemez ancak çeşitli teknikler kullanılarak yaklaşık olarak tahmin edilebilir. Batarya şarj durumunu tahmin etme teknikleri iki gruba ayrılabilir: Doğrudan Ölçüm Yöntemleri ve Dolaylı Ölçüm Yöntemleri. Tahminler oluşturmaya yönelik doğrudan teknikler, bataryanın ölçülebilir özelliklerini kullanır. Söz konusu ölçümler hem akımı hem de voltajı içerebilir. Ancak karmaşıklığı azaltılmış bu yaklaşımlar aynı zamanda bazı dezavantajları da içermektedir. Bataryanın yaşlanmasının göz ardı edilmesi, batarya kullanım süresi uzadıkça BŞD değerlendirmesinde hata oranını artıracak katkı sağlayan bir unsurdur. Açık Devre Gerilimi (ADG) yaklaşımı, doğrudan yöntemlerden biri olarak yaygın şekilde kullanılmaktadır. ADG yöntemi, kabul edilebilir bir süre sonunda bataryanın kararlı durumunu inceleyerek batarya şarj düzeyini değerlendirir. Bu yöntem basit ve doğrudur ancak zaman alıcıdır. Prosedür, hücre voltajının sürekli izlenmesine ve tablolardan elde edilen BŞD değerlerinin kullanılmasına dayanır. Coulomb Sayma tekniği de oldukça tercih edilen bir diğer yaklaşımdır. Bu tekniğin temel dayanağı, belirli bir zaman dilimi boyunca bataryaya giren ve çıkan toplam elektrik akımı miktarını hesaplamaktır. Dolaylı yaklaşımlar, doğrudan yaklaşımların aksine daha karmaşıktır ancak BŞD tahmininde daha üstün sonuçlar sağlar. Model tabanlı tekniklerde tahminler birçok batarya modelinin oluşturulmasıyla üretilir. Uyarlanabilir yaklaşımlar hem doğrudan hem de modele dayalı prosedürlerle birlikte kullanılır. Gelişen koşullara uyum sağlama kapasitesine sahip olunması sayesinde diğer yaklaşımlarla ilgili dezavantajlar ortadan kaldırılır. Bir geri bildirim mekanizmasının kullanılması, uyarlanabilir filtre tabanlı sistemlerin kullanıldığı araştırmalarda tahmin hassasiyetini büyük ölçüde artırır. Tezde dolaylı tekniklerin bir başka türü olarak görülen makine öğrenimi temelli yaklaşımlar incelenecektir. Makine öğrenimi, batarya ve elektrikli araç teknolojisini büyük ölçüde etkilemiş ve bunun sonucunda batarya durumunu değerlendirmek için makine öğrenimi tekniklerinin entegrasyonu sağlanmıştır. Makine öğrenimi, sistemleri kara kutular olarak görür ve sistemin kapsamlı bir şekilde anlaşılması ihtiyacını ortadan kaldırır. Veri, makine öğreniminin temel bileşenidir ve kapsamlı ve yeterli veriye sahip olmak daha tatmin edicidir. Makine öğrenimi algoritmaları, BŞD hakkında doğru tahminler üretmek için akım, voltaj ve sıcaklık gibi girdi faktörlerini kullanabilir. Bulut teknolojileri, laboratuvarlardan veya araçlardan uzaktan veri toplama olanağı sağlayarak kişiselleştirilmiş araştırmaları kolaylaştırır. Makine öğrenimi çalışmalarında, kara kutu yapısının aşılmaz doğası nedeniyle tersine mühendislik yapılamıyor. Makine öğrenimi yaklaşımlarıyla birlikte hem doğrudan hem de dolaylı tahminlerin kullanılması BŞD değerlendirmesinin kesinliğini artırabilir. Sinir ağı teknolojisi, girdilerden özellikleri otomatik olarak sıkıştırma ve çıkarma yeteneğine sahip, nöron adı verilen bağlantılı temel birimlerden oluşan karmaşık bir sistemdir. Bu, neden-sonuç ilişkisine dayanmayan etkileşimlerin yanı sıra tanımlama, yargılama, akıl yürütme ve sınıflandırma gibi karmaşık doğrusal olmayan süreçler için de geçerlidir. Perceptron, örüntü sınıflandırması için kullanılan temel bir sinir ağı tasarımıdır. Gizli katmanların olmaması ve desenleri doğrusal bir karar sınırı kullanarak bölme yeteneği ile karakterize edilir. Tek Katmanlı Algılayıcının, farklı desenler arasında ayrım yapma yeteneği sınırlıdır. Çok katmanlı bir İleri Beslemeli Sinir Ağı (İBSA), işleme kapasitesi açısından tek katmanlı bir algılayıcıyı geride bırakır. Bir İBSA, giriş değişkenlerini temsil eden bir giriş katmanından, giriş ve çıkış arasındaki doğrusalsızlığı yakalayan bir veya daha fazla gizli katmandan ve sistem değişkenlerinin sonucunu yansıtan bir çıkış katmanından oluşur. Doğrusal Olmayan Otoregresif Eksojen Giriş (NARX), tekrarlayan bağlantıları içeren ve dinamik sistemleri simüle etmede usta olan bir tür sinir ağıdır. Ağ, geri bildirim döngüleriyle birbirine bağlanan birçok birbirine bağlı katmandan oluşur. NARX sinir ağının doğrusal olmayan zaman serileri için tahmin yeteneklerini optimize etmek amacıyla, beklenen veya gözlemlenen zaman serilerinin geçmiş değerlerini dahil ederek hafıza kapasitesini kullanmak avantajlıdır. Bu tez araştırmasında şarj durumu tahmini İBSA ve NARX yaklaşımları kullanılarak yapılmıştır. Araştırmada Panasonic 18650PF lityum nikel kobalt alüminyum oksit (NCA) bataryadan toplanan veriler kullanıldı. Veri setindeki veriler beş farklı sıcaklıkta (-20°C, -10°C, 0°C, 10°C ve 25°C) toplandı. Sıcaklık 10°C'nin altında olduğunda rejeneratif frenleme kullanılamaz. Veritabanı, HWFET, UDDS, LA92 ve US06 dahil olmak üzere çeşitli sürücü döngülerinden toplanan verileri içerir. Buna ek olarak, hem US06 hem de LA92 döngülerinin özelliklerini birleştiren, Sinir Ağı olarak bilinen birleşik bir sürüş döngüsünü de bünyesinde barındırıyor. Modeller giriş olarak voltaj, akım ve batarya sıcaklığı kullanılarak oluşturuldu. Ancak modellerin eğitim aşaması boyunca BŞD bilgilerine ihtiyacı vardır. Bunun için veri setindeki Ah değerleri kullanıldı. Modeller normalizasyon dahil edilerek oluşturulmuştur. Veri normalizasyonu, daha büyük sayısal değerlerin daha küçük değerler üzerinde baskınlığını önlemek için özellikleri belirli bir aralığa dönüştüren çok önemli bir ön işleme tekniğidir. Amaç, farklılaşan kalıp kümelerindeki önyargıyı azaltmak ve veri kümesindeki tüm özelliklere eşit önem kazandırmaktır. Ortaya çıkan modellerin performansı, Ortalama Mutlak Hata (MAE), Ortalama Karekök Hata (RMSE) ve Maksimum Mutlak Hata (MAX) parametreleri kullanılarak değerlendirildi. Uygulamalar Matlab yazılımı kullanılarak oluşturulmuştur. Modellerin oluşturulması amacıyla veri seti, biri rejeneratif frenlemeli ve diğeri olmayan iki alt kümeye bölündü. İBSA çalışması sabit bir sıcaklıkta yürütülürken, NARX çalışmasına iki farklı şekilde yaklaşıldı: biri sabit sıcaklıkta, diğeri değişen sıcaklıkta. Modelin mümkün olan en iyi performansını elde etmek amacıyla, MAE'yi azaltmak amacıyla farklı model parametreleri kombinasyonlarını kullanarak karşılaştırmalar yaptık. Modellerin yeteneklerini doğru bir şekilde karşılaştırmak için hepsi, uygun sıcaklık ayarlarında aynı sürüş çevrimini kullanarak testler gerçekleştirdi. Ayrıca tüm modeller yalnızca bir gizli katman içerir. Toplamda altı farklı model geliştirilmiş ve performansları değerlendirilmiştir. MAE'lerine göre en iyi performans gösteren modeller şu şekildedir: İBSA için MAE, 10°C'de %2,2719, 0°C'de %2,03339 ve 10°C'de NARX modeli için %0,0039'dur. 0°C sıcaklıkta NARX modelinin MAE'si %0,0038 olarak hesaplandı. Rejeneratif frenlemeli NARX modelinin MAE'si %0,0780 olarak bulunurken, rejeneratif frenlemesiz NARX modelinin MAE'si %0,0259 olarak hesaplandı. Bu bağlamda NARX modellerinin performansı İBSA'nınkinden çok daha üstündü. Bir geri bildirim mekanizmasının varlığı, model sonuçları üzerinde olumlu bir etkiye sahiptir. Ayrıca rejeneratif frenleme özelliği olmayan modellerin, frenleme özelliğine sahip modellerden daha iyi performans gösterdiği de gözlemlendi. Modellere rejeneratif frenleme verilerinin eklenmesi karmaşıklığın artmasına neden olur ve bu da modelde daha yüksek hata oranıyla sonuçlanır. NARX modelinin sonuçları, özellikle karışık sıcaklık göz önüne alındığında, elektrikli araç uygulamaları için oldukça cesaret verici bir potansiyel göstermektedir. Veri setindeki verilerin tek bir hücreye ait olduğu dikkate alındığında aynı modelin bir batarya paketi için de test edilmesi gerekmektedir. Bununla birlikte veri setinin 25°C'lik maksimum pozitif sıcaklığı pratik kullanım için yetersizdir. Sıcaklık aralığının genişletilmesiyle daha doğru modeller oluşturmak mümkün olacaktır. Makine öğreniminin kullanımı, hesaplama gereksinimlerini azaltarak, daha az uzmanlık bilgisi gerektirerek ve performansı artırarak BŞD'yi tahmin etme sorununu çözme kapasitesine sahiptir. Ancak bunun başarılması mükemmel verilerin varlığına bağlıdır.
Özet (Çeviri)
The issues of global warming, environmental pollution, and the fast depletion of resources caused by the use of fossil fuels have prompted scientists and governments to explore several solutions for these challenges. Specifically, it is crucial to minimize the impact of vehicles used in transportation in this context. Currently, electric vehicle are swiftly replacing internal combustion engine vehicles. Governments provide a range of incentives and rules for electric cars, which effectively decrease carbon emissions, minimize greenhouse gas emissions, and address the issue of noise pollution. As an example, starting from 2030, the United Kingdom will prohibit the sale of new internal combustion vehicles. Collaboration across several sectors is necessary for the advancement of electric vehicle technology. The primary challenge associated with electric cars now lies in the battery, which exhibits variability in performance based on use and environmental factors. Lithium-ion (Li-ion) batteries are the most favored form of battery for Electric Vehicles (EVs). Li-ion batteries are chosen over lead acid and NiMH batteries owing to their minimal self-discharge, high energy density, extended lifetime, and quick charging capabilities. To provide the necessary capacity demanded by vehicles, several Li-ion cells are interconnected in both series and parallel configurations. The reliable and secure functioning of these many cells is crucial for the vehicle's performance and the users' safety. The battery management system (BMS) is responsible for establishing the connection between all controls inside the battery and various peripheral systems in the vehicle. BMS, which has a main objective of ensuring vehicle and driver safety, is a combination of hardware and software components. Stable functioning is essential for optimal vehicle performance. It carries out several functions like cell monitoring, state estimation, cell balancing, thermal management, and charging control, covering from individual cells to the whole battery pack. The main subject of our thesis will be the SOC, which is one of the state estimates we will examine. SOC serves as the battery charge status indicator in EVs, similar to how the fuel gauge functions in internal combustion automobiles. As a result of the characteristics of the battery, the SOC cannot be directly measured, but it can be approximated using several techniques. The techniques for estimating SOC may be divided into two groups: Direct Measurement Methods and Indirect Measurement Methods. Direct techniques for generating predictions use the quantifiable properties of the battery. The metrics in issue might include both current and voltage. However, these approaches with reduced complexity also include some drawbacks. Disregarding the battery's aging is a contributing element that will increase the mistake rate in SOC assessment as the battery's use duration extends. The Open Circuit Voltage (OCV) approach is widely used as one of the primary direct methods. The OCV method assesses the battery's charge level by examining its stable condition after an acceptable duration of time. This method is straightforward and accurate, but time-consuming. The procedure relies on constant monitoring of the cell voltage and using SOC values acquired from tables. The Coulomb Counting technique is another highly favored approach. The fundamental premise of this technique is to compute the total amount of electric current that flows through and out of the battery during a certain time frame. Indirect approaches, as opposed to direct ones, are more complicated yet provide superior outcomes in the estimate of SOC. Predictions in model-based techniques are generated by constructing many battery models. Adaptive approaches are used in conjunction with both direct and model-based procedures. By possessing the capacity to adjust to evolving circumstances, the drawbacks associated with other approaches are eradicated. Utilizing a feedback mechanism greatly enhances the predictive precision in research employing adaptive filter-based systems. The thesis will analyze artificial intelligence-based approaches, which are seen as another kind of indirect techniques. Machine Learning (ML) has greatly influenced battery and electric car technology, resulting in the integration of ML techniques for evaluating battery state. Machine learning regards systems as black boxes, eliminating the need for thorough comprehension of the system. Assessing battery performance SOC utilizes available data without taking into account the precise battery chemistry or model. Data is the fundamental component in machine learning, and possessing extensive and enough data is more satisfying. Machine learning algorithms may use input factors like as current, voltage, and temperature to produce accurate predictions about the SOC. Cloud technologies facilitate personalized investigations by providing the capability to remotely gather data from laboratories or vehicles. Machine learning research is unable to do reverse engineering due to the impenetrable nature of the black box construction. Employing both direct and indirect predictions with machine learning approaches may enhance the precision of SOC assessment. Neural network technology is a sophisticated system consisting of linked basic units called neurons, which has the capability to automatically compress and extract characteristics from inputs. This is applicable for interactions that do not rely on cause and effect, as well as complex nonlinear processes like identification, judgment, reasoning, and categorization. The perceptron is a fundamental neural network design used for pattern classification. It is characterized by its absence of hidden layers and its ability to divide patterns using a linear decision boundary. The Single Layer Perceptron (SLP) has a restricted ability to differentiate between different patterns. A multilayer feedforward neural network (FFNN) surpasses a single-layer perceptron in terms of its processing capability. A FFNN consists of an input layer that represents the input variables, one or more hidden layers that capture the nonlinearity between the input and output, and an output layer that reflects the system variables' outcome. The Nonlinear Autoregressive Exogenous Input (NARX) is a kind of neural network that incorporates recurrent connections and is adept at simulating dynamic systems. The network consists of many interconnected layers that are linked by feedback loops. In order to optimize the predictive abilities of the NARX neural network for nonlinear time series, it is advantageous to use its memory capacity by including past values of either expected or observed time series. The estimate of state of charge was conducted in this thesis research utilizing FFNN and NARX approaches. The research used data collected from a Panasonic 18650PF lithium nickel cobalt aluminum oxide (NCA) battery. The data in the dataset was collected at five distinct temperatures (-20°C, -10°C, 0°C, 10°C, and 25°C). Regenerative braking is not available when the temperature is below 10°C. The database comprises data collected from several drive cycles, including HWFET, UDDS, LA92, and US06. In addition, it incorporates a combined driving cycle known as the Neural Network, which integrates features from both the US06 and LA92 cycles. The models were created using voltage, current, and battery temperature as inputs. However, models need SOC information throughout the training phase. For this, Ah values in the data set were used. The models were created with the inclusion of normalization. Data normalization is a crucial preprocessing technique that transforms characteristics into a specified range in order to avoid the dominance of bigger numerical values over smaller ones. The objective is to mitigate prejudice in differentiating sets of patterns and provide equal significance to all features in the dataset. The performance of the resulting models was evaluated using the Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Maximum Absolute Error (MAX) parameters. The applications were created using the Matlab software. The dataset was divided into two subsets, one with regenerative braking and one without, for the purpose of creating the models. The FFNN study was undertaken at a constant temperature, whereas the NARX work was approached in two different ways: one with a fixed temperature and the other with a varying temperature. In order to get the best possible performance of the model, we performed comparisons by using different combinations of model parameters, with the objective of reducing the MAE . In order to accurately compare the capabilities of the models, all of them conducted testing utilizing the same drive cycle in suitable temperature settings. In addition, all models contain just one hidden layer. A total of six different models were developed and their performances were assessed. The top-performing models, based on their MAE, are as follows: The MAE for the FFNN is 2.2719% at 10°C, 2.03339% at 0°C, and 0.0039% for the NARX model at 10°C. The MAE of the NARX model at a temperature of 0°C was calculated to be 0.0038%. The MAE of the NARX model with regenerative braking was found to be 0.0780%, while the MAE of the NARX model without regenerative braking was estimated to be 0.0259%. The performance of these binding NARX models was much superior to that of FFNN. The presence of a feedback mechanism has a beneficial impact on the model outcomes. It has also been observed that models without regenerative braking perform better than those with it. The addition of regenerative braking data in the models leads to an increase in complexity, which in turn results in a higher error rate in the model. The results of the NARX model, particularly when considering mixed temperature, show very encouraging potential for EV applications. Given that the data in the dataset belongs to a singular cell, it is necessary to test the same model for a battery pack. Nevertheless, the data set's maximum positive temperature of 25°C is inadequate for practical use. By broadening the temperature range, it will be feasible to generate more accurate models. The utilization of machine learning has the capacity to address the issue of forecasting SOC by diminishing computational requirements, necessitating less specialized knowledge, and enhancing performance. However, the achievement of this relies on the presence of excellent data.
Benzer Tezler
- Lityum iyon bataryaların makine öğrenimi yöntemleri ile sağlık durumu kestirimi
State of health estimation for lithium-ion batteries using machine learning methods
ÇETİN ORAL
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Modelling and state of charge estimation of lithium-ion batteries
Lityum bazlı batarya hücrelerininmodelleme ve şarj durumu tahmini
MANİ KAZIMI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. METİN GÖKAŞAN
- 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
- 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
- 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
FEDI SALHI
Yüksek Lisans
İngilizce
2022
Mekatronik MühendisliğiYıldız Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN AKDOĞAN