Geri Dön

Comparative analysis of predictive models for energy consumption in electric vehicles

Elektrikli araçlarda enerji tüketim tahminleme modellerinin karşılaştırmalı analizi

PDF İndir

  1. Tez No: 931381
  2. Yazar: CANBERK ŞEN
  3. Danışmanlar: YRD. DOÇ. DR. MUSTAFA BERKER YURTSEVEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Enerji Bilim ve Teknoloji Ana Bilim Dalı
  12. Bilim Dalı: Enerji Bilim ve Teknoloji Bilim Dalı
  13. Sayfa Sayısı: 83

Özet

Bu tez elektrikli araçlar için enerji tüketimi tahminini araştırmakta ve menzil kaygısı zorluklarının üstesinden gelmek ve elektrikli araçların gerçek dünya koşullarındaki verimliliğini artırmak için kritik bir çalışma alanına odaklanmaktadır. Elektrikli araçlar, sera gazı emisyonlarını azaltmak ve fosil yakıtlara bağımlılığı azaltmak için giderek daha önemli bir rol oynamaktadır. Ancak, menzil tahmini ve enerji yönetimindeki sınırlamalar elektrikli araçların daha geniş çapta benimsenmesini engellemektedir. Bu çalışmada, elektrikli araçların enerji tüketimini tahmin etmek için makine öğrenimi modelleri geliştirilmiş ve performansları karşılaştırılmıştır. Çalışmada, Support Vector Regression (SVR), eXtreme Gradient Boosting (XGBoost) ve Long Short-Term Memory (LSTM) olmak üzere üç farklı makine öğrenimi modeli kullanılmış ve enerji tüketimini tahmin etme yetenekleri değerlendirilmiştir. Model geliştirme sürecinde, gerçek dünya sürüş verilerini içeren Vehicle Energy Dataset (VED) kullanılmıştır. Bir yıl boyunca farklı sürüş koşullarında toplanan bu veri seti GPS rotaları, hız, şarj seviyesi ve ortam sıcaklığı gibi temel parametreleri içermektedir. Veri setinin kapsamlı yapısı, bu çalışmada geliştirilen modellerin gerçek dünya senaryolarına uygulanabilirliğini sağlamaktadır. Araç hızı, ortam sıcaklığı, iklimlendirme sistemlerinin enerji tüketimi, batarya gerilimi ve batarya akımı gibi değişkenler veri setinde yer almakta olup enerji tüketimi tahmin modellerinin eğitimi için temel giriş değişkenleri olarak kullanılmıştır. Çalışmada, elektrikli araçların enerji tüketimini belirlemek amacıyla batarya akımı ve batarya gerilimi kullanılarak enerji tüketimi hesaplamaları yapılmıştır. Elektrikli araçlarda anlık güç tüketimi, batarya gerilimi ve batarya akımının çarpımı ile hesaplanmaktadır. Anlık güç tüketiminin belirlenmesi, belirli bir süre boyunca enerji tüketimini hesaplamak için temel bir adımdır. Enerji tüketimi, anlık güç değerlerinin zaman ile integrali alınarak hesaplanmıştır. Çalışmada kullanılan VED veri setinde batarya gerilimi ve akım değerleri belirli aralıklarla kaydedildiğinden, enerji tüketimi hesaplaması gerçekleştirilmiştir. Çalışmada, veri temizleme, normalizasyon ve özellik seçimi gibi adımları içeren kapsamlı bir veri ön işleme süreci gerçekleştirilmiştir. Eksik veya hatalı veriler temizlenmiş, özellik mühendisliği teknikleri ile model performansını artıracak değişkenler belirlenmiştir. Veri temizleme aşamasında, eksik ve hatalı veriler tespit edilerek uygun yöntemlerle işlenmiştir. Veri temizleme işlemi sırasında ayrıca kopya kayıtların kaldırılması ve aykırı değerlerin tespit edilerek model performansını olumsuz etkileyebilecek girdilerin veri setinden çıkarılması sağlanmıştır. Özellik mühendisliği aşamasında, modelin tahmin doğruluğunu artırmaya yardımcı olacak en önemli değişkenler belirlenmiş. Bu süreçte, değişkenler arasındaki korelasyon analizleri yapılarak, gereksiz veya yüksek korelasyonlu değişkenler elenmiş, modelde aşırı öğrenmeyi engellemek adına yalnızca anlamlı değişkenler kullanılmıştır. Veri setinin eğitim ve test verisi olarak bölünmesi aşamasında, modelin genelleme yeteneğinin doğru bir şekilde değerlendirilebilmesi için veri seti %80 eğitim ve %20 test oranında bölünmüştür. Veri bölme işlemi, rastgele seçilen veriler yerine zaman serisi analizine uygun bir şekilde yapılmış, böylece eğitim verilerinin gelecekteki test verileriyle zaman açısından örtüşmemesi sağlanmıştır. Ek olarak, model doğruluğunu daha iyi ölçebilmek için çapraz doğrulama yöntemi uygulanmış ve 5-katlı çapraz doğrulama süreci kullanılarak modelin farklı veri bölümlerindeki performansı test edilmiştir. Her model, tahmin doğruluğunu artırmak amacıyla hiperparametre optimizasyonu sürecinden geçirilmiş ve en iyi performansa ulaşacak şekilde ayarlanmıştır. Hiperparametre optimizasyonu, modelin öğrenme sürecinde en iyi parametre kombinasyonunu belirleyerek tahmin doğruluğunu artırmayı amaçlamaktadır. Bu süreçte Grid Search ve Random Search gibi yaygın kullanılan teknikler uygulanmıştır. SVR modeli için çekirdek tipi, düzenleme parametresi ve hata toleransı gibi kritik hiperparametreler optimize edilmiştir. Grid Search yöntemi kullanılarak RBF (Radial Basis Function) ve lineer çekirdek seçenekleri test edilmiş, optimum düzenleme parametresi ve hata toleransı değerleri belirlenmiştir. Modelin aşırı öğrenmemesi için uygun çekirdek fonksiyonu seçilmiş ve çapraz doğrulama ile modelin genelleme yeteneği test edilmiştir. XGBoost modeli için öğrenme oranı, maksimum derinlik, ağaç sayısı ve alt örnekleme oranı gibi hiperparametreler optimize edilmiştir. Random Search yöntemi kullanılarak geniş bir hiperparametre alanı taranmış ve en iyi parametre kombinasyonu belirlenmiştir. Modelin aşırı uyum göstermesini engellemek için erken durdurm kriteri uygulanmış ve optimum iterasyon sayısı belirlenerek modelin performansı artırılmıştır. LSTM modeli için gizli katman sayısı, nöron sayısı, öğrenme oranı, optimizasyon fonksiyonu ve toplu işleme boyutu gibi hiperparametreler optimize edilmiştir. LSTM modelinin zaman serisi verilerine uyumunu en iyi hale getirmek için Adam algoritması seçilmiş, en düşük hata değerlerini veren öğrenme oranı seçilmiştir. Modelin daha verimli öğrenebilmesi için geri yayılım sürecinde sönümleme ve L2 düzenleme teknikleri kullanılarak aşırı öğrenme önlenmiştir. Tüm modellerde hiperparametre optimizasyonu uygulanarak en iyi kombinasyonlar belirlenmiş ve tahmin doğruluğu maksimize edilmiştir. Çapraz doğrulama ile test edilen bu modellerin performansı, R², RMSE ve MAE gibi metrikleri ile değerlendirilmiş ve elde edilen sonuçlara göre en başarılı model belirlenmiştir. Elde edilen sonuçlara göre, LSTM modeli zaman serisi verilerindeki bağımlılıkları başarılı bir şekilde yakalayarak en yüksek doğruluk oranına ulaşmıştır LSTM modelinin en iyi performansı sergilemesinin temel sebebi, zaman serisi verilerinde bağımlılıkları başarılı bir şekilde öğrenebilme yeteneğidir. Elektrikli araçların enerji tüketimi, zamana bağlı değişkenleri içeren bir süreçtir. Araç hızındaki değişimler ve ortam sıcaklığı gibi faktörler geçmiş değerleriyle doğrudan ilişkilidir. LSTM, geçmiş zamandaki girdileri hatırlayarak enerji tüketimi tahmininde daha iyi bir genelleme sağlayabilir. Bu özellik, özellikle araç hızındaki değişimlerin enerji tüketimi üzerindeki etkisini değerlendirme noktasında kritik bir avantaj sunar. XGBoost modeli ise ağaç tabanlı bir model olup, değişkenler arasındaki ilişkileri öğrenmede oldukça etkilidir, ancak zaman serisi verilerindeki ardışık bağımlılıkları doğrudan modelleyemez. XGBoost, veriler arasında güçlü korelasyonları yakalayarak tahmin doğruluğunu artırabilir, ancak zamanla değişen dinamik ilişkileri doğrudan modelleyemez. Bununla birlikte, değişkenlerin belirli anlık kombinasyonlarına bağlı olarak enerji tüketimi değişimlerini iyi bir şekilde yakalayabilir, ancak geçmiş değerleri hesaba katmada LSTM kadar etkili değildir. SVR modeli ise doğrusal ve doğrusal olmayan ilişkileri belirli bir düzeye kadar öğrenebilse de, yüksek boyutlu ve karmaşık zaman serisi verilerinde yeterince esnek değildir. SVR, belirli çekirdek fonksiyonları ile doğrusal olmayan yapıları modelleyebilir, ancak verilerdeki uzun süreli bağımlılıkları ve zamana bağlı değişimleri doğrudan öğrenme kapasitesi sınırlıdır. Ayrıca, SVR veri ölçeğine oldukça duyarlı olduğu için geniş veri setlerinde ve değişkenler arası etkileşimlerin yoğun olduğu durumlarda, genelleme konusunda yetersiz kalmaktadır. Bu çalışma, makine öğrenimi modellerinin elektrikli araçların enerji tüketimini tahmin etme konusundaki etkinliğini ortaya koymuştur. Özellikle LSTM modelinin zaman bağımlı verileri başarılı bir şekilde işleyerek en iyi sonuçları verdiği gösterilmiştir. Geliştirilen modellerin doğru enerji tüketimi tahminleri yapabilmesi, elektrikli araç kullanıcılarının daha güvenilir menzil tahminleri elde etmelerine ve rota planlamalarını daha bilinçli yapmalarına olanak sağlamaktadır. Ayrıca, bu tahminlerin batarya yönetim sistemleri ile entegre edilerek, elektrikli araçların şarj sürelerinin optimize edilmesine ve şebeke yükünün daha iyi yönetilmesine katkı sağlayacaktır. Sonuç olarak, tez kapsamında geliştirilen makine öğrenimi modelleri, elektrikli araçların enerji tüketimini tahmin etme sürecinde güçlü ve etkili araçlar olarak değerlendirilmiştir. Özellikle LSTM modeli, zaman serisi verileriyle çalışmada üstün performans sergileyerek enerji tüketimi tahmininde en doğru sonuçları elde etmiştir. Çalışmada geliştirilen modeller, EV teknolojisinin daha geniş bir kullanıcı kitlesine yayılmasını sağlayacak doğru menzil tahmini ve enerji yönetimi sistemleri için önemli bir temel oluşturmaktadır. Gelecekte yapılacak çalışmalar, daha büyük ve çeşitli veri kümeleri kullanarak tahmin doğruluğunu artırmaya, hibrit modelleme tekniklerini uygulamaya ve gerçek zamanlı enerji tahmin sistemlerini daha geniş çapta uygulamaya odaklanmalıdır. Bu doğrultuda yapılan çalışmalar, elektrikli araçların kullanım verimliliğini artırarak sürdürülebilir ulaşım sistemlerinin yaygınlaşmasına katkı sağlamaktadır.

Özet (Çeviri)

This study investigates energy consumption prediction for electric vehicles (EVs), a critical area of study to address challenges like range anxiety and improve the efficiency of EVs in real world conditions. Limitations in range estimate and energy management that prevent EVs from being widely adopted must be addressed as EVs become more and more important in lowering greenhouse gas emissions and reducing dependency on fossil fuels. This study evaluates the performance of three advanced machine learning models Support Vector Regression (SVR), eXtreme Gradient Boosting (XGBoost) and Long Short-Term Memory (LSTM) networks, using real world data to develop accurate predictive models for energy consumption. The analysis is based on the Vehicle Energy Dataset (VED), which provide a comprehensive set of energy and driving statistics from several car models, including hybrid, plug-in hybrid and battery electric vehicles. The dataset, collected over a year in diverse driving conditions, includes key parameters such as GPS trajectories, speed, state of charge (SOC) and ambient temperature factors. Its comprehensive nature ensures the applicability of the models developed in this study to real world scenarios. A detailed methodology was employed, starting with rigorous data preprocessing to ensure the quality and consistency of the dataset. This involved steps such as cleaning, normalization and feature selection, which are crucial for optimizing the performance of the machine learning models. Each of the three models selected for this study offers unique advantages: SVR effectively captures both linear and nonlinear relationships; XGBoost excels in handling feature interactions and structured data and LSTM networks are well suited for analyzing time series data and identifying sequential dependencies. The findings indicate the potential of machine learning approaches to estimate EV energy use with high accuracy. These predictions not only mitigate range anxiety but also enable the development of adaptive energy management systems that optimize battery performance and improve overall user experience. These developments also help EV customers make accurate decisions about charging and route planning. This research highlights the importance of integrating high quality datasets like VED with robust machine learning models to advance EV technology. This research advances the larger objective of developing an efficient and sustainable transportation system by addressing current problems in energy forecasting. Future work could focus on enhancing hybrid model approaches, expanding datasets to include more diverse driving conditions and developing real time adaptable prediction systems, significantly closing the gap between existing constraints and the expanding demands of EV adoption.

Benzer Tezler

  1. Tez No

    878546

    Building energy consumption modeling and prediction using data-driven models

    Bina enerji tüketimi modelleme ve tahmini için veri odakli modeller

    SODABA ROGH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiOSTİM TEKNİK ÜNİVERSİTESİ

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL AVCIBAŞ

  2. Tez No

    959203

    Makine öğrenmesi kullanarak Türkiye'de elektrikli araç şarj istasyonlarının potansiyel kullanım performansının mekânsal tahmini

    Spatial estimation of potential utilization performance of electric vehicle charging stations in Türkiye using machine learning methods

    SERKAN TANRIVERDİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ADALET DERVİŞOĞLU

  3. Tez No

    942607

    Elektrikli araçlarda menzil artışına yönelik yapay zekâ tabanlı sürdürülebilir ulaşım modelinin geliştirilmesi, optimizasyonu ve analizi

    Development, optimization and analysis of artificial intelligence based sustainable transportation model for range extention in electric vehicles

    YUNUS EMRE EKİCİ

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİnönü Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TEOMAN KARADAĞ

  4. Tez No

    896655

    Makine öğrenmesinde değişken seçim yöntemlerinin karşılaştırılması: Ev enerjisi tüketim tahmini

    Comparison of variable selection in machine learning methods: Household energy consumption estimation

    NURİ BERK URAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İstatistikHacettepe Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MERAL ÇETİN

  5. Tez No

    959897

    Kamu binaları enerji tüketimlerinin BIN-data ve derece-saat yöntemleri ile değerlendirilmesi

    Evaluation of the energy consumption of the public building by BIN-data and degree-hour methods

    ALİ SADIK HEKİMOĞLU

    Doktora

    Türkçe

    Türkçe

    2025

    Enerjiİstanbul Ticaret Üniversitesi

    Sanayi Politikaları ve Teknoloji Yönetimi Ana Bilim Dalı

    PROF. DR. İSMAİL EKMEKÇİ

Geri Dön