Predicting battery state of health: The machine learning approach
Bataryanın sağlık durumunu tahmin etme: Makine öğrenimi yaklaşımı
- Tez No: 956695
- Danışmanlar: PROF. DR. RAMAZAN NEJAT TUNCAY
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Otomotiv Mühendisliği, Mechatronics Engineering, Automotive Engineering
- Anahtar Kelimeler: Lithium Li-ion batteries, State of Health, State of Charge, Battery management system, Lityum Li-ion piller, Sağlık Durumu, Şarj Durumu, Pil yönetim sistemi
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Okan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Otomotiv Mekatroniği ve Akıllı Araçlar Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 231
Özet
Research utilized data-driven models to investigate SoH estimation methodologies for lithium-ion batteries, particularly focusing on their effectiveness in capturing degradation trends. The study evaluated four different deep learning approaches-DNN, CNN, RNN, and LSTM-using various metrics, including MAE, RMSE, R², and validation loss. Results reveal that the LSTM model outperforms others, achieving the lowest MAE (0.1293), RMSE (0.1680), and validation loss (0.0282), with an R² of 0.9790, making it the most reliable predictor of battery SoH. The study highlights a strong linear correlation between SoH and parameters such as capacity and charge voltage, affirming their role as critical indicators of battery health. Conversely, temperature exhibited negligible impact on SoH within the narrow range studied, necessitating further research under diverse environmental conditions. Anomalies in terminal current during charge-discharge cycles suggest potential operational irregularities requiring deeper analysis. The study underscores the limitations of CNN in modeling temporal dependencies, advocating for hybrid architectures like CNN- LSTM for enhanced predictive accuracy. Findings also demonstrate consistent SoC transitions across cycles, emphasizing the stability of the battery's charge-discharge behavior and its implications for long-term durability. Recommendations include adopting LSTM-based models in battery management systems, refining anomaly detection mechanisms, and optimizing charge protocols to prevent premature degradation. The study's outcomes provide a robust framework for enhancing battery health monitoring and forecasting, contributing to the advancement of energy storage technologies. The focus of future research will be expanded thermal ranges, cutting-edge hybrid models, and the integration of real-world applications in validation of these findings. This shows potential value in using these findings for optimizations that affect the performance and life of LiBs, whether for EVs or renewable energy systems.
Özet (Çeviri)
Araştırma, lityum iyon piller için SoH tahmin metodolojilerini araştırmak için veri odaklı modeller kullandı ve özellikle bozulma eğilimlerini yakalamadaki etkinliklerine odaklandı. Çalışma, MAE, RMSE, R² ve doğrulama kaybı dahil olmak üzere çeşitli metrikler kullanarak dört farklı derin öğrenme yaklaşımını (DNN, CNN, RNN ve LSTM) değerlendirdi. Sonuçlar, LSTM modelinin diğerlerinden daha iyi performans gösterdiğini, en düşük MAE'yi (0,1293), RMSE'yi (0,1680) ve doğrulama kaybını (0,0282) elde ettiğini ve 0,9790'lık bir R² ile pil SoH'sinin en güvenilir tahmincisi olduğunu ortaya koyuyor. Çalışma, SoH ile kapasite ve şarj voltajı gibi parametreler arasında güçlü bir doğrusal korelasyon olduğunu vurgulayarak, bunların pil sağlığının kritik göstergeleri olarak rollerini doğruluyor. Tersine, sıcaklık, incelenen dar aralıkta SoH üzerinde ihmal edilebilir bir etki gösterdi ve bu da çeşitli çevresel koşullar altında daha fazla araştırma yapılmasını gerektirdi. Şarj-deşarj döngüleri sırasında terminal akımındaki anormallikler, daha derin analiz gerektiren potansiyel operasyonel düzensizlikleri göstermektedir. Çalışma, CNN'nin zamansal bağımlılıkları modellemedeki sınırlamalarını vurgulayarak, gelişmiş tahmin doğruluğu için CNN-LSTM gibi hibrit mimarileri savunmaktadır. Bulgular ayrıca, döngüler boyunca tutarlı SoC geçişlerini göstererek, pilin şarj-deşarj davranışının kararlılığını ve uzun vadeli dayanıklılık için etkilerini vurgulamaktadır. Öneriler arasında pil yönetim sistemlerinde LSTM tabanlı modellerin benimsenmesi, anormallik tespit mekanizmalarının iyileştirilmesi ve erken bozulmayı önlemek için şarj protokollerinin optimize edilmesi yer almaktadır. Çalışmanın sonuçları, pil sağlığı izleme ve tahminini geliştirmek için sağlam bir çerçeve sunarak enerji depolama teknolojilerinin ilerlemesine katkıda bulunmaktadır. Gelecekteki araştırmaların odak noktası, genişletilmiş termal aralıklar, son teknoloji hibrit modeller ve bu bulguların doğrulanmasında gerçek dünya uygulamalarının entegrasyonu olacaktır. Bu, LiB'lerin performansını ve ömrünü etkileyen iyileştirmeler için bu bulguları kullanmanın potansiyel değerini gösterir, ister EV'ler ister yenilenebilir enerji sistemleri için olsun.
Benzer Tezler
- 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
- 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
- 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
- Lityum tabanlı bataryaların makine öğrenmesi algoritmalarıyla şarj durumunun tahmini
State of charge estimation of lithium-based batteries using machine learning algorithms
YASİR ZİYA GÜLTAK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALKAN ALKAYA