Lityum tabanlı bataryaların makine öğrenmesi algoritmalarıyla şarj durumunun tahmini
State of charge estimation of lithium-based batteries using machine learning algorithms
- Tez No: 920324
- Danışmanlar: PROF. DR. ALKAN ALKAYA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 63
Özet
Fosil yakıtların kullanımı, atmosferdeki karbondioksit seviyesini artırarak iklim krizinin derinleşmesine yol açmaktadır. Bu durum, enerji sektöründe çevre dostu ve sürdürülebilir çözümlere geçişi kaçınılmaz kılmaktadır. Yenilenebilir enerji kaynakları bu geçiş sürecinin temel taşlarından biri olurken, enerji depolama teknolojileri de bu ekosistemin vazgeçilmez unsurları arasında yer almaktadır. Lityum tabanlı bataryalar, yüksek enerji yoğunlukları, uzun ömürleri ve düşük kendi kendine deşarj oranlarıyla enerji depolama teknolojilerinde öne çıkmıştır. Ancak, bu bataryaların elektrokimyasal yapısı, güvenli çalışma koşullarını sağlamada önemli zorluklar yaratmaktadır. Bu nedenle, lityum tabanlı bataryaların güvenli ve kararlı bir şekilde çalışabilmesi için batarya yönetim sistemlerine ihtiyaç duyulmaktadır. Batarya yönetim sistemi, hücre dengeleme, sıcaklık kontrolü, sağlık durumu ve şarj durumu tahmini gibi kritik işlevler sunar. Şarj durumu, bir bataryanın kalan kapasitesini tanımlamak için kullanılan temel bir parametredir ve doğrudan ölçülememektedir. Bu bağlamda şarj durumu, voltaj, akım ve sıcaklık gibi ölçülebilir parametreler kullanılarak tahmin edilir. Doğru bir şarj durumu tahmini, bataryanın performansını optimize etmek ve şarj-deşarj süreçlerindeki olası sorunları önlemek için hayati önem taşır. Şarj durumu tahmini için farklı yöntemler geliştirilmiş olup, yapay zekâ tabanlı yaklaşımların gelişimi, şarj durumu tahminlerinin doğruluğunu önemli ölçüde artırmıştır. Bu yöntemler, batarya verilerinin derinlemesine analiz edilmesini sağlayarak daha isabetli tahminler yapılmasına olanak tanımaktadır. Bu çalışmada, şarj durumu tahmininde makine öğrenmesi algoritmalarının etkinliği incelenmiştir. Algoritmaların eğitimi için gerekli veri seti, kurulan deney düzeneği aracılığıyla elde edilmiştir. Deneylerde, elektrikli araçlar ve enerji depolama sistemlerinde sıkça tercih edilen Panasonic markasının NCR18650B model kodlu, nikel kobalt alüminyum oksit katot yapısına sahip bataryası kullanılmıştır. Batarya, sabit akım-sabit gerilim protokolü kullanılarak DC güç modülü ile tam şarj edildikten sonra, farklı akım seviyelerinde sabit akımla DC yük modülü yardımıyla deşarj edilmiştir. Bu süreç boyunca akım ve voltaj verileri kaydedilmiştir. Elde edilen veri seti, Python programlama dili kullanılarak Doğrusal Regresyon, Polinom Regresyon, Destek Vektör Regresyonu, K-En Yakın Komşu ve Karar Ağaçları algoritmaları ile analiz edilmiştir. Her bir algoritma için tahmin modelleri oluşturulmuş ve bu modeller test verileri üzerinde değerlendirilmiştir. Modellerin performansları, Hata Kareler Ortalamasının Karekökü ve Ortalama Mutlak Hata metrikleri temel alınarak ölçülmüştür. Elde edilen sonuçlar karşılaştırıldığında, Karar Ağaçları algoritmasının en yüksek doğruluk oranına ulaştığı gözlemlenmiştir. Bu çalışma, şarj durumu tahmininde makine öğrenmesi algoritmalarının potansiyelini ortaya koyarak, lityum tabanlı bataryaların geliştirilmesine ve gelecekteki uygulamalara katkı sağlamayı amaçlamaktadır.
Özet (Çeviri)
Using fossil fuels increases the level of carbon dioxide in the atmosphere, leading to a deepening of the climate crisis. This situation makes the transition to environmentally friendly and sustainable solutions in the energy sector inevitable. While renewable energy sources are one of the cornerstones of this transition process, energy storage technologies are among the indispensable elements of this ecosystem. Lithium-based batteries have become prominent in energy storage technologies with their high energy density, long life, and low self-discharge rates. However, the electrochemical structure of these batteries creates significant difficulties in ensuring safe operating conditions. Therefore, battery management systems are needed for lithium-based batteries' safe and stable operation. The battery management system provides critical functions such as cell balancing, temperature control, state of health and state of charge estimation. The state of charge is a key parameter used to define the remaining capacity of a battery. The battery is a source of chemical energy storage, and this chemical energy is not directly accessible. In this context, the state of charge is estimated using measurable parameters such as voltage, current, and temperature. An accurate state of charge estimation is vital to optimize the battery's performance and avoid potential problems in charge-discharge processes. Different methods have been developed for state of charge estimation, and the development of artificial intelligence-based approaches has significantly improved the accuracy of state-of-charge estimation. These methods enable in-depth analyses of battery data, allowing more accurate predictions to be made. This study investigates the effectiveness of machine learning algorithms in state-of-charge estimation. The data set required for the algorithm training is obtained through an experimental setup. A nickel cobalt aluminium oxide cathode battery, Panasonic's NCR18650B, is used in the experiments, which is frequently preferred in electric vehicles and energy storage systems. After the battery is fully charged with the DC power module using the constant current-constant voltage protocol, it is discharged with the help of the DC load module with constant current at different current levels. During this process, current and voltage data are recorded. The data set is analyzed using Python programming language for Linear Regression, Polynomial Regression, Support Vector Regression, K-Nearest Neighbours and Decision Tree algorithms. Prediction models are created for each algorithm, and the models are evaluated using test data. The performance of the models is measured based on the metrics of Root Mean Square Error and Mean Absolute Error. When the results obtained are compared, it is observed that the Decision Trees algorithm achieved the highest accuracy rate. This study aims to contribute to developing lithium-based batteries and future applications by demonstrating the potential of machine learning algorithms in state-of-charge estimation.
Benzer Tezler
- 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
- 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
- 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
- Elektrikli araçlar için batarya yönetim sistemi algoritması tasarımı ve geliştirilmesi
Battery management system algorithm design and implementation for electric vehicles
MERVE YENİOĞLU
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENGİN AYÇİÇEK
PROF. DR. OZAN ERDİNÇ
- A novel method to estimate state of charge of li-based batteries
Lityum bazlı batarya hücrelerinin özgün bir yöntem ile şarj durumu tahmini
EYMEN İPEK
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT YILMAZ