Hibrit araçlar için yapay zeka tabanlı bir kontrol stratejisi
An artificial intelligence based control strategy for hybrid vehicles
- Tez No: 878674
- Danışmanlar: DR. ÖĞR. ÜYESİ NEVRA BAYHAN, DOÇ. DR. HASAN TİRYAKİ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 126
Özet
Dünya çapında ulaşım sisteminin büyük çoğunluğunu içten yanmalı motorlu (İYM) taşıtlar oluşturmaktadır. İYM'lu taşıtlar enerji kaynağı olarak petrol kaynaklarını kullanmaktadır ve karbon salımını çok fazla yaparak küresel ısınma ve çevre kirliliğine sebep olmaktadırlar. Hibrit elektrikli araçların geliştirilmesindeki en temel gerekçelerden biri karbon salınımını azaltmaktır. Literatürde hibrit elektrikli araçların enerji kontrol yöntemi için yapılan çok sayıda çalışmalar mevcuttur. Bu çalışmada paralel hibrit elektrikli aracın deneysel modelinde sürüş çevrimlerinde yakıt tüketimi ve karbon emisyon değerlerini minimize etmek için kural tabanlı yeni bir kontrol yöntemi önerilmiştir. Önerilen kontrol yöntemi içten yanmalı motorun optimum noktada çalışmasını sağlamaktadır. Ayrıca elektrik motoru (EM) düşük hızlarda daha sık devreye girmekte ve elektrik motoru jeneratör olarak da çalışabilmektedir. Ardından, ECE-15 (Şehir içi çevrim), EUDC (Şehir Dışı Çevrim) ve WLTC (Dünya Çapında Uyumlu Hafif Taşıtlar Test Çevrim) ve NEDC (Yeni Avrupa Sürüş Çevrimi) sürüş döngüleri kullanılarak paralel hibrit elektrikli bir aracın yakıt tüketimi değerleri Matlab simülasyon ortamında hesaplanmıştır. Minimum ve maksimum değerlere yakın %55 ve %65 batarya değerleri seçilerek, aracın yakıt tüketiminin farklı SOC değerlerindeki değişimi gözlemlenmiştir. %55 SOC değerine sahip paralel hibrit elektrikli aracın EUDC çevriminde %9,6 ve ECE-15 çevriminde %29,3, NEDC sürüş çevriminde %17 yakıt verimliliği elde edilmiştir. %65 SOC değerine sahip paralel hibrit elektrikli aracın yakıt verimliliği, NEDC sürüş çevriminde %35,7, EUDC çevriminde %50,1, ECE-15 sürüş çevriminde %52,3, WLTC sürüş çevriminde enerji kontrol yönetim stratejisi sayesinde %49,35 yakıt tasarrufu elde edilmiştir. Önerilen kontrol stratejisi, tahrik sistemleri en yüksek seviyede çalıştırılarak temel akü durumunun sürekli kontrolü ve içten yanmalı motorun optimum verimliliği sağlanmıştır. Bu çalışmada, paralel hibrit aracın Matlab ortamında ECE-15, EUDC ve NEDC sürüş çevrimlerinde ve ayrıca çeşitli SOC seviyelerinde bir simülasyon modeli oluşturularak yeni bir veri seti elde edilmiştir. Bu veri seti araç tahrik sistemine etki eden bütün bileşenler göz önünde bulundurularak oluşturulmuştur. Bu çalışmada, yedi farklı makine öğrenimi yöntemi (ML) kullanılmıştır. Bu yöntemler regresyon, rastgele ağaç, rastgele orman, karar kütüğü, M5P, REP ağacı ve çok katmanlı algılayıcı yöntemleridir. Bu tezde, yedi farklı makine öğrenmesi yöntemi (ML) ile yakıt tahmin işlemi yapılmıştır. Elde edilen veri seti kullanılarak bu yöntemler performans kriterleri olan. Korelasyon Katsayısı( R^2), Ortalama Mutlak Hata (MAE) ve Ortalama Karesel Hatanın Kökü (RMSE) açısından karşılaştırılmıştır. Makine öğrenmesinin ezberlemesini önlemek için iki farklı test veri seti oluşturulmuştur. Her iki test veri seti için korelasyon katsayısı R^2, ortalama mutlak hata (MAE) ve ortalama karesel hatanın kökü (RMSE) performans kriterleri kullanılarak yakıt tüketim modelinin eğitimi ve testi yapılmıştır. Her iki test verisi için rastgele orman algoritmasında R^2 değeri 0,97 ve 0,90 değerleri elde edilmiştir. Bu değerler, rastgele orman algoritmasının yakıt tüketim tahmininde %97 ve %90 doğruluk oranına ulaştığı anlamına gelmektedir. Her iki test verisinde en küçük MAE değerleri 0,0011 ve 0,003 ile rastgele orman algoritmasında elde edilmiştir. Ayrıca her iki test verisinde en küçük RMSE değerleri 0,028 ve 0,013 ile rastgele orman algoritmasında elde edilmiştir. Elde edilen sonuçlara göre, R^2, MAE ve RMSE açısından paralel hibrit elektrikli araç için yakıt tüketim modelinin tahmininde rastgele orman algoritmasının en uygun yöntem olduğu kanaatine varılmıştır.
Özet (Çeviri)
Internal combustion engine (ICE) vehicles make up the vast majority of the worldwide transportation system. ICE vehicles use petroleum resources as an energy source and emit a lot of carbon emissions, causing global warming and environmental pollution. One of the main reasons for the development of hybrid electric vehicles is to reduce carbon emissions minimized and carbon emissions are reduced. There are many studies in the literature for the energy control method of hybrid electric vehicles. In this study, a new rule-based control method is proposed to minimize fuel consumption and carbon emission values in driving cycles in the experimental model of parallel hybrid electric vehicle. The proposed control method allows the internal combustion engine to operate at the optimum point. In addition, the electric motor (EM) is engaged more frequently at low speeds and the electric motor can also operate as a generator. Then, fuel consumption values of a parallel hybrid electric fuel vehicle were calculated in Matlab simulation environment using ECE-15 (Urban Cycle), EUDC (Urban Cycle) and WLTC (Worldwide Harmonized Light Vehicles Test Cycle) and NEDC (New European Driving Cycle) driving cycles. By selecting 55% and 65% battery values close to the minimum and maximum values, the change in the fuel consumption of the vehicle at different SOC values was observed. The fuel efficiency of the parallel hybrid electric vehicle with 55% SOC was 9.6% in the EUDC cycle, 29.3% in the ECE-15 cycle and 17% in the NEDC driving cycle. The fuel efficiency of the parallel hybrid electric vehicle with 65% SOC was 35.7% in the NEDC driving cycle, 50.1% in the EUDC cycle, 52.3% in the ECE-15 driving cycle, and 49.35% in the WLTC driving cycle thanks to the energy control management strategy. The proposed control strategy ensures continuous control of the base battery state and optimum efficiency of the internal combustion engine by operating the drive systems at the highest level. In this study, a new dataset was obtained by creating a simulation model of the parallel hybrid vehicle in Matlab environment in ECE-15, EUDC and NEDC driving cycles and also at various SOC levels. This data set has been created by considering all components affecting the vehicle drive system. In this thesis, seven different machine learning methods (ML) were used. These methods are regression, random tree, random forest, decision stump, M5P, REP Tree and multilayer perceptron. Fuel forecasting was performed with seven different machine learning methods (ML). Using the obtained data set, these methods were compared in terms of performance criteria. Correlation coefficient (R^2), Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE). Two different test datasets were created to prevent machine learning from memorization. For both test datasets, the fuel consumption model was trained and tested using the correlation coefficient R^2, mean absolute error (MAE) and root mean squared error (RMSE) performance criteria. R^2 values of 0.97 and 0.90 were obtained for the random forest algorithm for both test data. These values mean that the random forest algorithm achieves 97% and 90% accuracy in fuel consumption estimation. The smallest MAE values of 0.0011 and 0.003 were obtained in the random forest algorithm for both test data. In addition, the smallest RMSE values of 0.0284 and 0.0138 were obtained in the random forest algorithm for both test data. According to the results obtained, the random forest algorithm was found to be the most appropriate method for estimating the fuel consumption model for parallel hybrid electric vehicle in terms of R^2, MAE and RMSE
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- A graph neural network model with adaptive weights for session-based recommendation systems
Oturum tabanlı öneri sistemleri için uyarlanabilir ağırlıklara sahip bir çizge sinir ağı modeli
BEGÜM ÖZBAY
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
DR. RESUL TUGAY
- Cyber tools as foreign policy instruments in trilateral relations: Analysing cyber-attacks targeting the United Kingdom
Üçlü ilişkilerde dış politika aracı olarak siber araçlar: Birleşik Krallık'ı hedef alan siber saldırıların analizi
ATAKAN YILMAZ
Doktora
İngilizce
2024
Siyasal BilimlerGalatasaray ÜniversitesiUluslararası İlişkiler Ana Bilim Dalı
DOÇ. DR. MENENT SAVAŞ CAZALA
- Empowering learner autonomy for developing writing skills through ai-enhanced reflective journals
Yapay zekâ destekli yansıtıcı günlükler aracılığıyla yazma becerilerinin geliştirilmesi için öğrenen özerkliğinin güçlendirilmesi
SENA KÖNEZ
Yüksek Lisans
İngilizce
2024
Eğitim ve Öğretimİstanbul Medeniyet ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
PROF. DR. SELAMİ AYDIN