MLP-FCNN ile düşük bütçeli batarya yönetim sistemi tasarım ve uygulaması
Design and implementation of a low-cost battery management system using MLP-FCNN
- Tez No: 988123
- Danışmanlar: DR. ÖĞR. ÜYESİ TUNCAY SOYLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Samsun Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde elektrikli araçlar başta olmak üzere birçok alanda kullanılan bataryalar, fosil yakıtların tükenmesiyle birlikte büyük önem kazanmıştır. Fosil yakıt rezervlerindeki azalma, enerji depolama teknolojilerine yönelik çalışmaları hızlandırmış ve batarya sistemlerinin geliştirilmesine olan ihtiyacı artırmıştır. Pil hücrelerinin seri-paralel bağlantılarıyla oluşturulan batarya paketlerinin güvenli, verimli ve ekonomik şekilde izlenebilmesi için Batarya Yönetim Sistemleri (BYS) kritik bir role sahiptir. BYS, batarya paketini gerçek zamanlı takip ederek aşırı şarj/deşarj durumu, batarya doluluk oranı (SOC) ve hücre dengeleme gibi önemli parametreleri izler; böylece batarya ömrünün etkin kullanılmasını sağlar. Bu sistemler sayesinde kullanıcılar batarya arızalarından kaynaklı maliyetlerden korunmakta ve enerji verimliliği artırılmaktadır. Bu tez çalışmasında, on altı hücreli Lityum Demir Fosfat (LiFePO4) batarya paketine yönelik, MLP-FCNN tabanlı ve düşük maliyetli bir BYS tasarlanmış ve uygulanmıştır. Çalışmanın özgün katkısı, sınırlı donanıma sahip ARM® Cortex®-M0 tabanlı 128 kilobayt (kB) bellek kapasitesine sahip STM32F072RBT6 mikrodenetleyicisinde X-CUBE-AI kütüphanesi kullanılarak Tam Bağlantılı Sinir Ağı (FCNN) mimarisi projeye uygun şekilde özelleştirilerek gerçek zamanlı SOC tahmininin başarıyla gerçekleştirilebilmesidir. Literatürdeki birçok çalışma yüksek hafıza ve işlem gücü gerektiren platformlara odaklanırken, bu tezde model boyutu ve bellek kullanımı düşürülerek gömülü sistemlerde düşük maliyetli derin öğrenme uygulanabilir hale getirilmiştir. Tasarlanan BYS, BQ76952 entegresi aracılığıyla hücre gerilimlerini, akımı ve sıcaklığı ölçmekte; aynı zamanda pasif hücre dengelemesi yapmaktadır. Sistem, doğruluk ve maliyet açısından yüksek performans sunarak endüstriyel uygulamalar ve düşük bütçeli prototipler için etkili bir çözüm ortaya koymaktadır.
Özet (Çeviri)
Today, batteries used in many areas, especially electric vehicles, have gained great importance with the depletion of fossil fuels. The decrease in fossil fuel reserves has accelerated work on energy storage technologies and increased the need for the development of battery systems. Battery Management Systems (BMS) play a critical role in monitoring battery packs, which are formed by series-parallel connections of battery cells, in a safe, efficient and economical manner. The BMS monitors the battery pack in real-time, tracking important parameters such as overcharge/discharge status, state of charge (SOC) and cell balancing; thus ensuring effective use of battery life. Through these systems, users are protected from costs arising from battery failures and energy efficiency is increased. In this thesis study, an MLP-FCNN based and low-cost BMS has been designed and implemented for a sixteen-cell Lithium Iron Phosphate (LiFePO4) battery pack. The original contribution of this study is the successful real-time SOC estimation by customizing the Fully Connected Neural Network (FCNN) architecture appropriately for the project using the X-CUBE-AI library on the STM32F072RBT6 microcontroller with ARM® Cortex®-M0 based 128 kilobyte (kB) memory capacity with limited hardware. While many studies in the literature focus on platforms requiring high memory and processing power, in this thesis, deep learning has been made applicable in embedded systems at low cost by reducing model size and memory usage. The designed BMS measures cell voltages, current and temperature through the BQ76952 integrated circuit; it also performs passive cell balancing. The system offers high performance in terms of accuracy and cost, presenting an effective solution for industrial applications and low-budget prototypes.
Benzer Tezler
- Neutrino particle direction estimation using transformer-based deep learning
Transformer tabanlı derin öğrenme kullanılarak nötrino parçacık yönü kestirimi
ŞEVVAL COŞKUN
Yüksek Lisans
İngilizce
2026
Fizik ve Fizik Mühendisliğiİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ONUR KAHYA
ÖĞR. GÖR. DOĞU SIRT
- Makine öğrenme yöntemleriyle işitme engelli milli judo sporcularının performans verilerini tahmin etme
Estimating performance data of national hearing impaired judo athletes with machine learning methods
RAHİME ÖZGÖNÜL
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKilis 7 Aralık ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA MİKAİL ÖZÇİLOĞLU
- Çok tabakalı (MLP) yapay sinir ağı ile görüntü işleme ve görüntü sıkıştırma
Image processing and image compression by multilayer perceptron (MLP) neural network
ALİ BAHADIR
Yüksek Lisans
Türkçe
2001
Elektrik ve Elektronik MühendisliğiNiğde ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BEKİR SAMİ TEZEKİCİ
- Comparison of rough MLP and rough RBF using fuzzy attributes
Ham ÇKP ve ham MÇDTF`nin belirsiz niteliklerin kullanılarak karşılaştırılması
HÜLYA VURAL
Yüksek Lisans
İngilizce
2004
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FERDA NUR ALPASLAN
- HVAC sisteminin MLP tipi yapay sinir ağları (YSA)kullanarak denetlenmesi
Control of HVAC using MLP type neural networks
GÜLER ELBİSTANLI
Yüksek Lisans
Türkçe
2007
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ.DR. H. RIZA ÖZÇALIK