Derin pekiştirmeli öğrenme ile hibrit elektrikli araçlarda enerji yönetimi tasarımı: Ödül fonksiyonu analizi
Energy management design in hybrid electric vehicles using deep reinforcement learning: Reward function analysis
- Tez No: 996318
- Danışmanlar: DOÇ. DR. SERDAR COŞKUN
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Tarsus Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde küresel ısınma, iklim değişikliğinin en önemli nedenlerinden biridir. Fosil yakıtların hızla tükenmesi ve çevreye olan olumsuz etkileri, acil çözüm gerektiren ciddi bir sorun haline gelmiştir. Yakın gelecekte ham petrol rezervlerinin tükeneceği öngörüsü, yakıt ekonomisi kavramını otomotiv endüstrisinde daha da önemli hale getirmiştir. Bu bağlamda, Hibrit Elektrikli Araçlar (HEA'ler) ve Elektrikli Araçlar (EA'ler), hem yakıt tüketimini azaltmak hem de emisyonları düşürmek için en etkili çözümlerden biri olarak öne çıkmaktadır. Küresel ısınma ve hızla sıkılaşan emisyon düzenlemeleri, kara taşımacılığında enerji yönetimi ve akıllı kontrol yaklaşımlarını stratejik bir gereklilik hâline getirmiştir. Bu tez, hibrit/elektrikli araçlarda yakıt tüketimini azaltmak ve emisyonları düşürmek amacıyla kural tabanlı, bulanık mantık, yapay sinir ağı ve derin pekiştirmeli öğrenme tabanlı (DQN ve DDQN) enerji yönetim stratejilerini ortak bir model üzerinde karşılaştırmalı olarak incelemektedir. Çalışmanın odağı, SoC (State of Charge) hedefi ve ödül fonksiyonu ağırlıklarının (w₁-w₂-w₃) bütünsel sistem performansı üzerindeki etkisini nicel olarak ortaya koymaktır.Tezde MATLAB/Simulink tabanlı bir seri-paralel mimari modellenmiş, aynı sürüş çevrimleri ve sınır koşulları altında temsilci politikalar türetilmiştir. DQN ve DDQN için farklı ödül katsayılarıyla öğrenilen politikaların yakıt, NOx, CO, HC ve CO₂ çıktıları ayrıntılı biçimde değerlendirilmiştir. Bulgular, SoC hedefi yükseldikçe içten yanmalı motor/jeneratör kullanımının arttığını ve bunun yakıt ile emisyonlarda sistematik artış doğurduğunu göstermektedir. Bu çalışma, (i) ortak bir deney düzeneğinde klasik ve öğrenme tabanlı EYS'lerin kıyaslaması, (ii) ödül tasarımının (özellikle w₂—SoC ağırlığı) performansa duyarlılığını sayısal olarak kanıtlaması ve (iii) hedef SoC'ye göre pratik seçim rehberi sunması bakımından literatüre katkı sağlar. Sonuçlar, yakıt ekonomisi ve emisyon öncelendiğinde DQN'in bu veri setinde daha tutarlı avantaj sunduğunu; operasyonel SoC zorunlulukları oluştuğunda ise ödül tasarımının kritik belirleyici olduğunu ortaya koymaktadır.Bu bağlamda tez; arka plandaki motivasyonu ve literatürü, kurulan modeli, kontrol yaklaşımlarını ve öğrenme sonuçlarını adım adım sunmakta; sonunda, uygulama senaryoları için hedef SoC–maliyet dengelemelerine dayalı önerilerle tamamlanmaktadır.
Özet (Çeviri)
Global warming is one of the most significant causes of climate change today. The rapid depletion of fossil fuels and their negative environmental impacts have become serious issues that require urgent solutions. The prediction that crude oil reserves will be exhausted in the near future has made the concept of fuel economy increasingly important in the automotive industry. In this context, Hybrid Electric Vehicles (HEVs) and Electric Vehicles (EVs) have emerged as some of the most effective solutions to reduce both fuel consumption and emissions. Global warming and the tightening of emission regulations have made energy management and intelligent control approaches a strategic necessity in road transportation.This thesis presents a comparative analysis of rule-based, fuzzy logic, artificial neural network (ANN), and deep reinforcement learning–based (DQN and DDQN) energy management strategies within a common hybrid/electric vehicle model, aiming to reduce fuel consumption and emissions. The main focus of the study is to quantitatively reveal the effect of the battery state of charge (SoC) target and the weighting factors of the reward function on the overall system performance.A MATLAB/Simulink-based series-parallel architecture was modeled, and representative control policies were derived under identical driving cycles and boundary conditions. For DQN and DDQN, the policies learned with different reward coefficients were evaluated in detail in terms of fuel, NOx, CO, HC, and CO₂ outputs. The findings indicate that as the SoC target increases, the use of the internal combustion engine/generator also increases, resulting in a systematic rise in both fuel consumption and emissions.This study contributes to the literature by (i) providing an unbiased comparison of classical and learning-based energy management systems within a common experimental setup, (ii) quantitatively demonstrating the sensitivity of performance to reward design (particularly the SoC weighting factor, w₂), and (iii) offering a practical selection guideline based on target SoC levels. The results show that when fuel economy and emission reduction are prioritized, the DQN approach offers a more consistent advantage in this dataset, whereas in scenarios with strict operational SoC constraints, the reward design becomes a critical determinant of performance.In this context, the thesis presents the underlying motivation and the literature, the developed model, the control approaches, and the learning outcomes step by step; and finally concludes with recommendations based on target SoC–cost trade-offs for application scenarios.
Benzer Tezler
- Fuel cell air supply system control using deep q-network
Derin q-aği kullanilarak yakit hücresi hava besleme sistemi kontrolü
EMİR OĞUZ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ONAT
- Reinforcement learning based energy management strategy for fuel cell hybrid vehicles
Hidrojen yakıt hücreli araçlar için pekiştirmeli öğrenmeli enerji kontrol stratejisi
ZEKERİYA ENDER EĞER
Yüksek Lisans
İngilizce
2022
Mekatronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUĞÇE YÜKSEL BEDİZ
PROF. DR. SERHAT YEŞİLYURT
- Pekiştirmeli öğrenme ile yüz görüntüsünün yüksek çözünürlükte elde edilmesi
High resolution facial image acquisition with reinforcement learning
EMRE ALTINKAYA
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI
- Otonom dronlar için bir akıllı navigasyon ve engellerden kaçınma sistemi
An intelligent navigation and obstacles avoidance system for autonomous drones
MUZZAMIL ALI HASSAN MAHMOUD
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiDevreler ve Sistemler Ana Bilim Dalı
PROF. DR. ERSEN YILMAZ
- Optimization based modeling of the impacts of electric vehicles on carbon emission reduction
Elektrikli araçların karbon emısyonu azaltımına etkilerinin optimizasyon tabanlı modellenmesı
TUNA AYKUT
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik MühendisliğiEskişehir Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SITKI GÜNER