Elektrikli araç batarya yönetim sistemlerinde şarj durumu tahmini ve uygulamaları
State of charge estimation and applications in electric vehicle battery management systems
- Tez No: 962292
- Danışmanlar: PROF. DR. GÜVEN KÖMÜRGÖZ KIRIŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 115
Özet
Elektrikli araçlar, çevreye duyarlı ulaşım çözümlerinin temelini oluşturmakta ve fosil yakıt bağımlılığını azaltarak sürdürülebilir mobiliteyi mümkün kılmaktadır. Bu araçların temel enerji kaynağını oluşturan lityum-iyon bataryaların güvenli, verimli ve uzun ömürlü şekilde kullanımı için Batarya Yönetim Sistemleri (BMS) büyük önem arz etmektedir. BMS'in en kritik görevlerinden biri olan Şarj Durumu (SOC) tahmini, hem kullanıcı deneyimi hem de enerji yönetimi açısından doğrudan etkilidir. Bu tez çalışması kapsamında, bir elektrikli araçta kullanılan lityum iyon batarya hücresinin modellenmesi ve bu modele dayalı olarak SOC tahmini gerçekleştirilmiştir. Çalışma kapsamında referans hücre olarak Molicel P45B tipi 21700 formatında yüksek performanslı bir silindirik lityum-iyon hücresi seçilmiştir. Hücre modellemesinde, batarya davranışının hem statik hem de dinamik etkilerini temsil edebilen 2. dereceden Thevenin eşdeğer devre modeli kullanılmıştır. Bu model, bir adet ohmik direnç, iki adet RC paralel ağı ile hücrenin gerilim-zaman tepkisini yüksek doğrulukla temsil etmektedir. Model parametrelerinin belirlenmesi için hem statik hem de dinamik testler gerçekleştirilmiştir. Statik testlerde, hücre çok düşük bir deşarj oranı olan C/30 akım ile tamamen deşarj edilerek açık devre gerilim (OCV) ile SOC arasındaki ilişki ortaya çıkarılmıştır. OCV-SOC eğrisi, modelin gözlem fonksiyonunun temelini oluşturmuştur. Dinamik karakteristiklerin elde edilmesi için ise Hybrid Pulse Power Characterization (HPPC) testleri uygulanmıştır. Bu testlerden elde edilen akım-gerilim-zaman verileri üzerinden R₀, R₁, R₂, C₁ ve C₂ parametreleri hesaplanmıştır. Parametrelerin daha hassas bir şekilde optimize edilebilmesi adına MATLAB ortamında LSQCURVEFIT fonksiyonu ve algoritması kullanılmıştır. Bu sayede, test verileri ile modelin terminal gerilim çıktısı arasındaki fark minimize edilmiş ve doğruluk artırılmıştır. Modelin geçerliliği, aynı yük profiline sahip gerçek hücre verileri ile karşılaştırılarak test edilmiş, RMS hata değerinin 15.7 mV olduğu hesaplanılmıştır. Bu değer, modelin yeterince hassas ve güvenilir olduğunu göstermektedir. Model doğrulandıktan sonra SOC tahmini için filtreleme algoritmalarına geçilmiştir. İlk olarak, yaygın olarak kullanılan Genişletilmiş Kalman Filtresi (GKF) algoritması uygulanmıştır. GKF algoritması, sistemin doğrusal olmayan yapısını doğrusal yaklaşımlarla yaklaşık olarak temsil eder. Bu yöntem ile elde edilen tahmini SOC değerlerinin, gerçek değerlere göre RMS hatası %2.652 hata oranına sahip olduğu görülmüştür. Ancak, GKF'nin doğrusal varsayımları nedeniyle bazı anlık değişimlere karşı duyarlılığı zayıf kalmıştır. Daha yüksek doğruluk hedefiyle bu çalışmada ayrıca Sigma Noktaları Kalman Filtresi uygulanmıştır. SNKF algoritması, sistemin doğrusal olmayan özelliklerini sigma noktaları ile daha hassas temsil ederek daha güvenilir tahminler üretmiştir. Aynı veri seti üzerinde yapılan SNKF uygulamasında, SOC RMS hata oranı %1,080 seviyelerine düşürülmüştür. Sonuçlar karşılaştırıldığında, GKF algoritmasının özellikle ani yük değişimleri ve yüksek dinamikli senaryolarda daha yüksek sapmalar gösterdiği, bunun temel nedeninin lineerleştirme sırasında oluşan hata birikimleri olduğu anlaşılmıştır. SNKF ise sistemin doğrusal olmayan yapısını daha isabetli modellediğinden ötürü daha kararlı ve doğru tahminler sunmuştur. Bu tez çalışması sonucunda, hafif elektrikli araçlar için kullanılabilecek bir hücre modellemesi ve bu modele dayalı olarak yüksek doğruluklu SOC tahmini gerçekleştirilmiştir. Elde edilen bulgular, batarya sistemlerinin daha güvenilir ve ekonomik şekilde izlenmesine katkı sunmakta; aynı zamanda gerçek zamanlı uygulamalara da uygun bir temel oluşturmaktadır.
Özet (Çeviri)
In the context of sustainable transportation, lithium-ion battery systems have become the core energy source of electric vehicles, and their effective management is of critical importance. Among the primary functions of the Battery Management System (BMS), accurate State of Charge (SOC) estimation plays a pivotal role in energy efficiency, safety, and range prediction. In this study, an advanced battery modeling and SOC estimation framework has been developed for a commercial high-performance cylindrical cell, the Molicel INR-21700-P45B. This lithium nickel cobalt aluminum oxide (NCA)-based 21700 cell features a nominal capacity of 4.5 Ah, a nominal voltage of 3.6 V, a maximum charge voltage of 4.2 V, and a minimum cut-off voltage of 2.5 V. The cell supports continuous discharge currents up to 45 A, making it highly suitable for power-demanding light electric vehicle (LEV) applications. The flat voltage profile, low internal resistance, and robust cycle life make the P45B ideal for model-based estimation and embedded BMS development. To model the cell's dynamic behavior, a second-order Thevenin equivalent circuit model was constructed based on differential equations representing voltage-current interactions across internal resistance and transient RC networks. The static OCV-SOC curve was derived by subjecting two identical cells to C/30 rate charge-discharge cycles, spanning a total duration of 60 hours. The resultant OCV-SOC data provided a nonlinear observation function essential for the implementation of advanced filtering algorithms. To extract dynamic parameters including R₀, R₁, R₂, C₁, C₂, Hybrid Pulse Power Characterization (HPPC) tests were conducted at SOC intervals from 90% down to 10%, with stepwise pulse loads. Parameter estimation was performed using both MATLAB's LSQCURVEFIT for nonlinear least-squares fitting where the objective function minimized the squared error between simulated and measured terminal voltages. The model was validated by comparing voltage response under real HPPC loading with experimental measurements, achieving a RMS error of 15.7 mV. Following model verification, SOC estimation was carried out using two observer-based state estimation methods: Extended Kalman Filter (EKF) and Sigma Point Kalman Filter (SPKF). Both algorithms are recursive Bayesian estimators capable of real-time state tracking, yet they differ in how they handle system nonlinearities. The EKF approach uses a first-order Taylor expansion to linearize the nonlinear state-space model at each time step. The algorithm alternates between a prediction step, which estimates the next state using a nonlinear system model, and an update step, where the measurement function is linearized via a Jacobian matrix. The filter then adjusts its estimate by computing the Kalman gain based on the predicted covariance and measurement residuals. In the proposed implementation, the EKF was found to perform adequately under moderate nonlinearity but exhibited increased sensitivity to mismatched noise covariance matrices (Q and R). When initialized at 80% SOC while the true system started at 100%, the EKF exhibited an RMS error of %2.652, indicating convergence but with a delay in matching true state values. To overcome EKF's limitations, a Sigma Point Kalman Filter (SPKF) was also implemented. SPKF belongs to the family of unscented Kalman filters and employs a deterministic sampling strategy (unscented transform) to select a set of representative points (called sigma points) that capture the true mean and covariance of the system state. These sigma points are propagated through the nonlinear system dynamics without linearization, enabling SPKF to preserve higher-order information. The result is significantly improved accuracy in nonlinear domains. In this study, the SPKF yielded an RMS SOC estimation error of 1.080%, demonstrating faster and more stable convergence compared to EKF. Its advantages include superior tracking performance, greater robustness to modeling errors, and reduced sensitivity to poor initialization. The estimation performance was evaluated using current input from real HPPC test data, with the SOC estimator fed only with current information, relying on the accurate model structure and OCV-SOC relationship. Both algorithms successfully estimated SOC in real time, but SPKF's enhanced handling of nonlinearities and numerical stability made it more suitable for embedded BMS environments, especially when high precision and reliability are required. In conclusion, this thesis presents a comprehensive framework for model-based SOC estimation in lithium-ion batteries. By combining accurate equivalent circuit modeling with advanced estimation algorithms, particularly SPKF, the work provides a reliable solution for real-time battery monitoring in electric vehicle applications. The results show that SPKF outperforms EKF in estimation accuracy and convergence behavior, offering significant advantages for practical implementations in next-generation battery management systems.
Benzer Tezler
- 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
- Li-iyon batarya modelinin en uygunlaştırılması ve batarya bozunumunun incelenmesine katkılar
Contributions to optimization of Li-ion battery models and analysis of battery degradation
HAKAN İNCESU
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- State of charge estimation of lithium-ion batteries using machine learning approach
Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini
OSMAN ALPER ALTUN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE AYAZ
- Contributions to the determination of optimized driving strategies for electric vehicles using artificial intelligence based methods
Elektrikli araçlar için yapay zeka tabanlı yöntemlerle en uygunlaştırılmış sürüş stratejilerinin belirlenmesine katkılar
UFUK BOLAT
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA AHMET KOCABAŞ
DOÇ. DR. GÜLCİHAN ÖZDEMİR
- Elektrikli araçlarda yapay sinir ağı tabanlı batarya sağlık durumu kestirimi
State of health estimation in electric vehicles based on artificial neural network
MUSTAFA DİNEK
Yüksek Lisans
Türkçe
2021
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERHAT İKİZOĞLU