Lityum iyon batarya kapasitesinin genetik algoritma destekli yapay sinir ağı yöntemleri ile tahmini
Prediction of lithium-ion battery capacity with genetic algorithm-assisted artificial neural network methods
- Tez No: 890249
- Danışmanlar: DOÇ. DR. SERAP KARAGÖL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 121
Özet
Lityum-iyon pillerin sundukları kullanım kolaylığı ve maliyet avantajları, bu pillerin yaygınlaşmasına katkı sağlamış, ancak ömür ve güvenilirlik konusundaki endişeler, doğru kapasite ve sağlık bilgilerine erişimin önemini artırmıştır. Bu çalışma, lityum-iyon pillerin kapasitesini yüksek doğrulukla tahmin etmek için iki farklı veri seti kullanarak geliştirilen yöntemleri sunmaktadır. İlk olarak, NASA'nın deneysel veri seti kullanılmıştır. Şarj ve deşarj döngüleri sırasında elde edilen akım ve gerilim verileri kullanılarak dört temel özellik çıkarılmıştır. Bu özellikler ile batarya kapasiteleri arasındaki ilişki, Pearson korelasyon katsayısı ile analiz edilmiştir. Korelasyon analizi sonucunda bazı bataryalarda özellik sayısı üçe indirilmiş ve tahmin doğruluğunu artırmak için uygun özellikler seçilmiştir. Genetik Algoritma (GA) kullanılarak Evrişimli Sinir Ağı (CNN), Geriye Yayılım (BP) ve Tekrarlayan Sinir Ağı (RNN) algoritmalarının parametre optimizasyonu gerçekleştirilmiştir. GA, doğal seçilim ve genetik süreçleri kullanarak en iyi performansı sağlayan parametreleri daha kısa sürede belirlemiştir. Bu yöntemin performansı, beş farklı metrik kullanılarak değerlendirilmiştir: Ortalama Kare Hata (MSE), Ortalama Karekök Hata (RMSE), Normalleştirilmiş Ortalama Karekök Hata (NRMSE), Ortalama Mutlak Hata (MAE) ve Kare Korelasyonu (R2). 100 eğitim verisi kullanılarak yapılan tahminlerde, %0.1176 RMSE değeri ile 68 veri tahmini yapılmıştır. Bu sonuç, literatürdeki benzer çalışmalara kıyasla 2.5 katlık bir iyileşme düzeyini temsil etmektedir. İkinci çalışmada ise, Oxford'un deneysel veri seti kullanılarak şarj ve deşarj çevrimlerinden elde edilen gerilim verilerinden üç karakteristik özellik çıkarılmıştır. Bu özellikler ile pil kapasiteleri arasındaki ilişki, Pearson korelasyon katsayısı ile analiz edilmiş ve tüm piller için uygun olduğu görülmüştür. Yine CNN, BP ve RNN algoritmalarının parametre optimizasyonu, %25, %50 ve %75 eğitim verisi kullanılarak GA ile gerçekleştirilmiştir. GA, en iyi performansı sağlayan parametreleri belirlemek için doğal seçilim ve genetik süreçleri kullanmıştır. Bu yöntemin doğruluğu da MSE, RMSE, NRMSE, MAE ve R2 metrikleri ile değerlendirilmiştir. Cell1 için, %0.0068 Ah RMSE değeri ile 60 eğitim verisi kullanılarak 23 veri tahmini yapılmıştır. Bu çalışma, lityum-iyon pillerin kapasitesini yüksek doğrulukla tahmin etmek için GA ile optimize edilmiş sinir ağı modellerinin kullanımının etkinliğini göstermektedir. NASA ve Oxford veri setleri üzerinde yapılan tahminler, yöntemlerin üstün doğrulukta sonuçlar verdiğini ve pil ömrü ve güvenilirliği konusundaki endişelerin giderilmesine katkıda bulunduğunu ortaya koymaktadır.
Özet (Çeviri)
The ease of use and cost advantages of lithium-ion batteries have contributed to their widespread adoption, but concerns about lifespan and reliability have increased the importance of access to accurate capacity and health information. This study presents methods developed using two different data sets to predict the capacity of lithium-ion batteries with high accuracy. First, NASA's experimental data set was used. Four key features were extracted using current and voltage data obtained during charge and discharge cycles. The relationship between these characteristics and battery capacities is analyzed with Pearson correlation coefficient. As a result of the correlation analysis, the number of features was reduced to three in some batteries and appropriate features were selected to improve the prediction accuracy. Genetic Algorithm (GA) was used to optimize the parameters of Convolutional Neural Network (CNN), Back Propagation (BP) and Recurrent Neural Network (RNN) algorithms. GA uses natural selection and genetic processes to determine the parameters that provide the best performance in a shorter time. The performance of this method was evaluated using five different metrics: Mean Square Error (MSE), Root Mean Square Error (RMSE), Normalized Root Mean Square Error (NRMSE), Mean Absolute Error (MAE) and Correlation of Squares (R2). Using 100% training data, 68 data predictions were made with an RMSE of 0.1176%. This result represents a 2.5- times improvement compared to similar studies in the literature. In the second study, three characteristics were extracted from the voltage data obtained from charge and discharge cycles using Oxford's experimental dataset. The relationship between these characteristics and battery capacities was analysed with Pearson correlation coefficient and found to be appropriate for all batteries. Again, parameter optimization of CNN, BP and RNN algorithms was performed with GA using 25%, 50% and 75% training data. The GA used natural selection and genetic processes to determine the parameters that provide the best performance. The accuracy of this method was evaluated by MSE, RMSE, NRMSE, MAE and R2 metrics. For Cell1, 23 data predictions were made using 60 training data with an Ah RMSE of 0.0068%. This study demonstrates the effectiveness of using GA-optimized neural network models to predict the capacity of lithium-ion batteries with high accuracy. The predictions on NASA and Oxford datasets reveal that the methods provide results with superior accuracy and contribute to addressing concerns about battery life and reliability.
Benzer Tezler
- Cost-oriented optimization of battery pack sizing and electrical design of the battery system for electrified bus rapid transit systems
Metrobüs sistemlerinin elektrifikasyonu için maliyet odaklı batarya sistemi boyutlandırma optimizasyonu ve batarya paketi elektriksel tasarımı
YİĞİT İŞCANOĞLU
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT YILMAZ
- 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
- 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
- Batarya yönetim sistemlerinde lityum-iyon pillerin kalan faydalı kapasitesinin tahmini için sinyal işlemeye dayalı yöntemlerin geliştirilmesi
Development of signal processing-based methods for estimating the remaining useful capacity of lithium-ion batteries in battery management systems
OZANCAN BAYRİ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SITKI AKKAYA
- Yüzey aktif madde katkılı LiFePO4 katot malzemesinin sentezi ve karakterizasyonu
Synthesis and characterization of LiFePO4 cathode materials with surfactant
GÜLŞAH MARANCİGİL
Yüksek Lisans
Türkçe
2014
Kimya MühendisliğiAtatürk ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HAKAN TEMÜR