Lityum-iyon pillerin derin öğrenme yaklaşımı ile şarj durumu tahmini
State of charge estimation of lithium-ion batteries using a deep learning approach
- Tez No: 972711
- Danışmanlar: PROF. DR. HAYRİ ARABACI
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, lityum-iyon pillerin şarj durumu tahmini için, pilin çalışma durumuna duyarlı ve derin öğrenmeye dayalı özgün bir modelleme yaklaşımı geliştirilmiştir. Geleneksel yöntemlerde pilin tüm operasyonel verileri tek bir modele aktarılırken, bu çalışmada önce pilin anlık çalışma durumu (şarj, deşarj, bekleme) sınıflandırılmış, ardından her bir duruma özel olarak eğitilmiş uzun-kısa vadeli bellek (LSTM) ağı devreye alınmıştır. Bu paralel mimari sayesinde, her ağ yalnızca kendi bağlamına özgü verilerle eğitilmiş ve böylece hem tahmin doğruluğu artırılmış hem de öğrenme süreci daha verimli hale getirilmiştir. Modelin başarımı iki farklı veri setiyle değerlendirilmiştir. İlk olarak, Wisconsin Üniversitesi tarafından sağlanan ve Panasonic NCR18650PF lityum-iyon pil hücresine ait çeşitli sürüş çevrimlerini (US06, UDDS, HWFET, LA92 vb.) içeren açık veri seti kullanılmıştır. Bu veriler ile eğitilen paralel LSTM mimarisi, geleneksel tek ağ yapısına göre ortalama mutlak hata (MAE) ve ortalama karesel hata (MSE) açısından daha düşük hata değerleri üretmiş; çıkarım süresi bakımından da gömülü sistemlerde çevrimiçi kullanım için uygun performans göstermiştir. İkinci aşamada ise deneysel olarak oluşturulan özgün veri seti kullanılmıştır. Bu kapsamda, Sony US18650VTC6 hücresi üzerinde GW Instek marka programlanabilir güç kaynakları ve yük cihazları aracılığıyla farklı sürüş çevrimleri uygulanmış ve saniyede bir örnekleme hızında akım ve gerilim verileri toplanmıştır. Deneyler, pillerin farklı ortam sıcaklıklarında (örneğin 0 °C, 25 °C ve 40 °C) gerçekleştirilmiş; böylece sıcaklık gibi çevresel değişkenlerin şarj durumu tahminine etkisi gözlemlenmiştir. Elde edilen sonuçlar, önerilen yapının yalnızca sürüş koşullarına değil, aynı zamanda çevresel koşullara karşı da kararlı ve uyumlu olduğunu ortaya koymuştur. Sonuç olarak, bu tezde önerilen pil çalışma durumuna duyarlı bir yaklaşım ile şarj durumu tahmininde yüksek doğruluk, düşük hesaplama maliyeti ve çevresel esneklik gibi avantajlar sağlanmıştır. Lityum-iyon pillerin şarj durumu tahmininin derin öğrenme yaklaşımı ile başarılı bir şekilde yapılabileceği gösterilmiştir.
Özet (Çeviri)
In this dissertation, a novel operating-state-sensitive modeling approach based on deep learning is proposed for the state of charge (SOC) estimation of lithium-ion batteries. While conventional methods typically process all operational data through a single model, the proposed approach first classifies the instantaneous operating state of the battery (charging, discharging, idle), and then routes the data to a dedicated long short-term memory (LSTM) network trained specifically for that state. Thanks to this parallel architecture, each network is trained solely on context-specific data, which enhances estimation accuracy and makes the learning process more efficient. The effectiveness of the proposed model is evaluated using two different datasets. In the first stage, an open-access dataset provided by the University of Wisconsin, which includes various driving cycles (US06, UDDS, HWFET, LA92, etc.) for the Panasonic NCR18650PF cell, is utilized. The parallel LSTM architecture trained with this dataset outperforms the conventional single-network structure in terms of mean absolute error (MAE) and mean square error (MSE) and also demonstrates suitable inference performance for online deployment in embedded systems. In the second stage, a custom experimental dataset is constructed. For this purpose, various driving cycles are applied to the Sony US18650VTC6 lithium-ion cell, and current-voltage measurements are recorded at a sampling rate of one second using GW Instek programmable power supplies and electronic loads. These experiments are conducted under different ambient temperatures (e.g., 0 °C, 25 °C and 40 °C), allowing the impact of environmental conditions such as temperature on SOC estimation to be analyzed. The results indicate that the proposed structure is robust and adaptable not only to varying load profiles but also to environmental changes. In conclusion, the state-of-charge estimation approach proposed in this thesis, which is sensitive to the battery operating condition, provides advantages such as high accuracy, low computational cost, and environmental flexibility. It has been demonstrated that the state-of-charge estimation of lithium-ion batteries can be successfully performed using a deep learning approach.
Benzer Tezler
- Bir lityum bataryanın yapay sinir ağlarında kullanılan transfer öğrenmesi ile sağlık durumu kestirimi
Health status estimation of a lithium battery using transfer learning in artificial neural networks
İSMAİL KILIÇ
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSA AYDIN
- Atık lityum iyon pillerdeki değerli metallerin derin ötektik çözelti kullanılarak kapalı kap mikrodalga liç prosesi ile geri kazanımı
Recovery of valuable metals from waste lithium-ion batteries using deep eutectic solvent via closed-vessel microwave leaching process
EMİNE GİZEM YILDIZ
Yüksek Lisans
Türkçe
2025
Metalurji MühendisliğiSakarya ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN ALGÜL
- Recycling and reuse of metals with deep eutectic solvents: A green and circular approach for the resynthesis of NMC cathodes from li-ion battery nmc cathode materials
Derin ötektik çözücüler ile metallerin geri dönüşümü ve yeniden kullanımı: li-iyon pil NMC katotlarından yeşil ve döngüsel bir yaklaşımla yeniden NMC katot sentezi
GİZEM BURCU BİLGİN
Yüksek Lisans
İngilizce
2025
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİLLUR DENİZ KARAHAN
- Sodyum iyon pillere üç boyutlu yenilikçi yaklaşımlar
Innovative three-dimensional approaches to sodium-ion batteries
SIDIKA YILDIRIM GÜLTEKİN
Doktora
Türkçe
2024
Metalurji MühendisliğiSakarya ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. HATEM AKBULUT
- Al-iyon bataryalar için cus/ ni köpük elektrot üretimi ve elektrokimyasal özelliklerinin incelenmesi
Production of cus/ni foam electrode for al-ion batteries and investigation of their electrochemical properties
REYHAN SOLMAZ
Doktora
Türkçe
2025
Enerjiİstanbul Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜL KELEŞ