Battery state-of-health (SOH) aware system using machine learning for energy management of a hybrid electric vehicle
Hibrit elektrikli araçta enerji yönetimi için makina öğrenmesi tabanlı batarya sağlık durumu farkındalıklı sistem
- Tez No: 1018805
- Danışmanlar: PROF. DR. SENEM KURŞUN, DOÇ. DR. OSMAN TAHA ŞEN
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Otomotiv Mühendisliği, Mechanical Engineering, Automotive Engineering
- Anahtar Kelimeler: Hibrit araçlar, Lityum iyon pil, Hybrid vehicles, Lithium ion battery
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Makine Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde hibrit elektrikli bir araç için batarya sağlığı farkındalıklı, makina öğrenmesi tabanlı enerji yönetim sistemi tasarlanmıştır. Hibrit araç konfigürasyonu, sistemin kompleksliğini artırmak için seri hibrit ya da paralel hibrit yerine seri-paralel olarak seçilmiştir. Makina öğrenmesi algoritması olarak adaptif sinirsel-bulanık çıkarım sistemi (ANFIS) ve yapay sinir ağları (ANN) kullanılmıştır. Matlab/Simulink'te oluşturulan taşıt modeline batarya sağlığını ifade eden kapasite kaybı modeli eklenmiştir. Makina öğrenmesi algoritmalarının veri setlerini oluşturmak için eşdeğer tüketim minimizasyon stratejisi (ECMS) kullanılmıştır. Eşdeğer tüketim minimizasyon stratejisi ile taşıt optimal yakıt tüketimine göre şarj besleme modunda çalıştırılmıştır. Veri seti oluşturulurken batarya sağlığı özellikle veri seti algoritmasına eklenmemiştir. Makina öğrenmesi algoritmaları ile batarya sağlığı ve yakıt tüketimi arasındaki ilişkiyi incelemek için veri seti sadece optimal yakıt tüketimine göre oluşturulmuştur. Makina öğrenmesi algoritmalarının girdileri taşıtın tork gereksinimi, batarya şarj seviyesi ve batarya kapasite kaybı olarak belirlenmiştir. Yapay sinir ağları tabanlı sistemde içten yanmalı motorun hızı ve torku yapay sinir ağları ile kontrol edilmiştir. Yapay sinir ağları veri seti için üç farklı sürüş çevrimi ve üç farklı başlangıç şarj durumu seçilmiştir. Dinamik sürüş profili olarak Hafif Taşıtlar için Dünya Genelinde Uyumlu Test Prosedürü (WLTP), otoyol sürüş profili olarak Karayolu Yakıt Ekonomisi Test Döngüsü (HWFET) ve bu sürüş çevrimlerine kıyasla daha durağan olan ve daha düşük ortalama hız içeren Yeni Avrupa Sürüş Döngüsü (NEDC) seçilmiştir. Başlangıç şarj seviyeleri düşük, orta ve yüksek şarj seviyelerini içerecek şekilde %20, %60 ve %80 olarak belirlenmiştir. Yapay sinir ağları ile tasarlanan enerji yönetim sisteminde tüm sürüş çevrimleri ve başlangıç şarj durumlarında batarya yaşlanmasında azalmalar görülmüştür. Sadece iki senaryoda yakıt tüketimi az oranda artmıştır. Bunlardan ilki WLTP hız profilinde %80 başlangıç şarj seviyesi, diğeri ise HWFET hız profilinde %20 başlangıç şarj seviyesidir. WLTP %80 başlangıç şarj seviyesinde yakıt tüketimi %5.75 oranında artmış, kapasite kaybı ise %14.70 oranında azalmıştır. Bu sürüş çevriminde %20 başlangıç şarj seviyesinde kapasite kaybı %14.85, yakıt tüketimi ise %3.83 oranında azalmıştır. %60 başlangıç şarj seviyesinde ise kapasite kaybı %13.80, yakıt tüketimi ise %1.84 oranında azalmıştır. HWFET hız profilinde yakıt tüketimi %20 şarj seviyesinde %7.9 oranında artmasına rağmen kapasite kaybı %39 oranında azalmıştır. %60 başlangıç şarj seviyesinde kapasite kaybı %20.5 oranında, yakıt tüketimi ise % 22.5 oranında azalmıştır. Yeni Avrupa Sürüş Döngüsü'nde her başlangıç şarj seviyesinde hem kapasite kaybı hem de yakıt tüketimi yapay sinir ağları tabanlı enerji yönetim sistemi ile azalmıştır. Adaptif sinirsel-bulanık çıkarım sisteminin veri seti için on farklı sürüş çevrimi ve %30 ile %80 arasında altı farklı başlangıç şarj durumu seçilmiştir. Seçilen sürüş çevrimlerine ve farklı şarj seviyelerine göre en küçük veri seti 19.2 saatlik sürüş verisinden oluşmaktadır. Adaptif sinirsel-bulanık çıkarım sistemini farklı yaşlanma koşullarında incelemek için oluşturulan veri seti sırasıyla 25, 50 ve 100 kat artırılmıştır. Bu şekilde, batarya yaşlandırılarak daha fazla yaşlanma verisinde eğitilen sinirsel-bulanık çıkarım sistemlerinin etkileri incelenmiş ve sonuçlar karşılaştırılmıştır. Sinirsel-bulanık çıkarım sisteminin sonuçları iki farklı sürüş çevrimi için eşdeğer tüketim minimizasyon stratejisi ile karşılaştırılmıştır. Sürüş çevrimlerinden biri veri setinde kullanılan çevrimlerden farklı bir çevrim olarak WLTP seçilmiştir. Diğer sürüş çevrimi ise veri setinde kullanılan çevrimlerden biri olan Yeni Avrupa Sürüş Döngüsü seçilmiştir. Tek WLTP sürüş çevrimindeki ANFIS sonuçlarında her başlangıç durumu için batarya kapasite kaybında azalmalar görülmüştür. Sadece %50 başlangıç şarj seviyesinde, tasarlanan ANFIS kontrolcülerin ikisinde kapasite kaybı az miktarda artmıştır. Bu şarj seviyesinde ilk ve son datasetler ile tasarlanan ANFIS kontrolcüleri batarya yaşlanmasını azaltmıştır. WLTP'de elde edilen yakıt tüketimi sonuçlarında sadece %30 başlangıç şarj seviyesinde yakıt tüketiminde artış görülmüştür. Bu en düşük başlangıç şarj seviyesi olduğu için tasarlanan enerji yönetim sistemi çevrim başlangıcında bataryanın şarj seviyesini arttırmıştır. Buna bağlı olarak sadece en düşük şarj seviyesinde yakıt tüketiminde artış görülmüştür. Diğer başlangıç şarj seviyelerinde ANFIS ile yakıt tüketiminde azalmalar görülmüştür. WLTP için elde edilen tekrarlı çevrim sonuçlarında en fazla yaşlanma verisini içeren veri seti ile tasarlanan sinirsel-bulanık çıkarım sistemi kapasite kaybını en fazla düşüren sistem olmuştur. Tekrarlı çevrimlerde başlangıç şarj seviyesi %70 olarak belirlenmiştir. Bu şarj seviyesinde, 25 WLTP çevriminden sonra en büyük veri seti ile oluşturulan enerji yönetim sistemi kapasite kaybını %19 oranında azaltmıştır. Yakıt tüketimi ise 25 WLTP çevrimi sonunda %0.57 oranında artmıştır. Çevrim sayısı 50'ye çıkarıldığında kapasite kaybındaki azalma %19.35, yakıt tüketimindeki artış ise %1.30 olarak elde edilmiştir. Son olarak, ANFIS ve eşdeğer tüketim minimizasyon stratejisi 100 WLTP çevrimi için karşılaştırılmıştır. Elde edilen sonuçlarda kapasite kaybı ANFIS ile %19.71 oranında azalırken yakıt tüketimi %.1.42 oranında artmıştır. Tekrarlı çevrim sonuçlarında batarya yaşlanması ile yakıt tüketimi arasındaki ilişki daha belirgin olarak görülmüştür. Tek WLTP çevriminde, %70 başlangıç şarj seviyesinde kapasite kaybı ANFIS ile %10.70 oranında azalırken 100 sürüş çevrimi sonunda bu oran %19.71 seviyesine çıkmıştır. Buna bağlı olarak yakıt tüketimi tek çevrim sonunda %20 oranında azalırken 100 çevrim sonunda %1.42 seviyesinde artış görülmüştür. Bu sonuçlara göre, batarya yaşlanması arttıkça tasarlanan batarya sağlığı farkındalıklı sistem ile kapasite kaybında tek çevrim sonuçlarına kıyasla daha yüksek oranda azalma görülmüştür. Buna bağlı olarak yakıt tüketimi ise artmıştır. Benzer sonuçlar Yeni Avrupa Sürüş Döngüsü'nde de elde edilmiştir. %50 başlangıç şarj seviyesinde ANFIS ile tasarlanan 2. ve 3. kontrolcüler ile batarya yaşlanmasında az oranda artış görülmüştür. Bu başlangıç şarj seviyesinde en büyük veri seti ile oluşturulan ve en fazla yaşlanma verisi ile eğitilen ANFIS ise kapasite kaybını azaltmıştır. %60 başlangıç şarj seviyesinde ise sadece en küçük veri seti ile eğitilen ANFIS sonucunda kapasite kaybı az oranda artmıştır. Hız profiline bağlı olarak bu çevriminde WLTP çevriminin tersine çoğu senaryoda yakıt tüketiminin arttığı görülmüştür. Tekrarlı çevrimlerde şarj seviyesi %70 olarak belirlenmiştir. Tekrarlı çevrimlerden elde edilen sonuçlar da WLTP çevrimi ile uyumludur. En fazla yaşlanma verisi ile eğitilen ANFIS sonuçlarında kapasite kaybı en yüksek oranda azalmıştır. Buna bağlı olarak yakıt tüketimi de en fazla bu veriseti ile eğitilen ANFIS kontrolcüsü kullanıldığında artmıştır. 25 NEDC sonunda kapasite kaybı %21.61 oranında azalmış, yakıt tüketimi ise %12.4 oranında artmıştır. 50 NEDC sonunda kapasite kaybı %22.22 oranında azalmış, yakıt tüketimi ise %12.43 oranında artmıştır. Son olarak 100 çevrim sonunda kapasite kaybındaki azalma %23.31 oranına çıkarken yakıt tüketimindeki artış da %12.48 oranına çıkmıştır. Tek NEDC çevriminde bu kontrolcü ile bu başlangıç şarj seviyesinde kapasite kaybında %9.6 oranında ve yakıt tüketiminde %1.97 oranında azalma görülürken 100 çevrim sonunda kapasite kaybı daha fazla azalırken yakıt tüketimi artmıştır. En yüksek yaşlanma verisi ile eğitilen kontrolcü deneysel validasyonda kullanılmıştır. Bu ANFIS kontrolcüsü ile 100 WLTP çevriminde %70 başlangıç şarj seviyesinde elde edilen akım profili gerçek batarya üzerinde kullanılmıştır. Deneylerde Neware BTS4000 batarya test sistemi ve Lithiumwerks ANR26650M1B LiFePO4 pil kullanılmıştır. Elde edilen akım profili 100 çevrim boyunca Lithiumwerks ANR26650M1B pile uygulanmıştır. 100 çevrim sonunda batarya test sisteminden elde edilen veriler ile şarj durumu ve kapasite kaybı hesaplanmış ve simulasyon sonuçları ile karşılaştırılmıştır. 100 çevrim sonunda simulasyon sonuçlarından elde edilen şarj durumu ile deney verilerinden elde edilen şarj durumu arasında %0.81 oranında fark tespit edilmiştir. Kapasite kaybında ise bu oran %0.15 olarak belirlenmiştir. Deneysel çalışma ile batarya test sisteminden elde edilen veriler ANFIS ve yapay sinir ağları ile kapasite kaybının tahmininde kullanılmıştır. Kullanılan batarya test sisteminde deneyler sırasında elde edilen akım, voltaj, şarj enerjisi ve deşarj enerjisi kapasite kaybı tahmininde girdiler olarak belirlenmiştir. İki algoritmayı aynı şartlarda karşılaştırma için aynı girdiler ve aynı veri seti kullanılmıştır. Başlangıç olarak yapay sinir ağlarının gizli katmanında on nöron kullanılmıştır. Daha sonra eğitilen parametre sayısını ANFIS ile eşitlemek için bu sayı 73 nörona çıkarılmıştır. Başlangıçta hibrit eğitim metoduyla eğitilen ANFIS sonuçlarında kök ortalama karesel hata 0.0844 olarak elde edilmiştir. On nöron içeren geri yayılımlı sinir ağlarında bu değer 0.0906, doğrusal olmayan girdi-çıktılı sinir ağlarında ise 0.0881 olarak elde edilmiştir. Öğrenme parametleri eşitlendiğinde yapay sinir ağları ile elde edilen hata ANFIS sonuçlarından daha azdır. Yapay sinir ağlarının nöron sayısı artırıldığında geri yayılımlı sinir ağları ile elde edilen kök ortalama karesel hata 0.0738 olarak elde edilirken doğrusal olmayan girdi-çıktılı sinir ağlarında ise 0.0779 olarak elde edilmiştir.
Özet (Çeviri)
In this thesis, adaptive neuro-fuzzy inference system (ANFIS) is employed as a battery state-of-health aware energy management strategy of a power-split hybrid electric vehicle. A control-oriented capacity fade model is implemented in the vehicle model. Vehicle is operated in charge-sustaining mode by using equivalent consumption minimization strategy to obtain a dataset for the adaptive neuro-fuzzy inference system. Ten widely used drive cycles and six different initial state-of-charge (SOC) levels between 30-80% are selected for the dataset. Initial dataset consists of approximately 19.2 hours of driving data. Torque request of the vehicle, battery state-of-charge and battery capacity fade are selected as the inputs of adaptive neuro-fuzzy inference system. Internal combustion engine torque is selected as the output. After obtaining the initial dataset, dataset size is increased by running each drive cycle for 25 times, 50 times and 100 times, respectively. By repeating the cycles, battery is aged and adaptive neuro-fuzzy inference system is investigated for different aging conditions of the battery. In total, four datasets are used and four neuro-fuzzy inference systems are trained. Results of all trained neuro-fuzzy inference systems are compared with equivalent consumption minimization strategy for two different drive cycles. Worldwide Harmonised Light Vehicles Test Procedure (WLTP) is used as the validation cycle which was not included among the drive cycles used to obtain the datasets. New European Driving Cycle (NEDC) is employed as another speed profile as one of the drive cycles used for datasets. For 100 WLTP cycles, proposed ANFIS based battery health aware energy management strategy reduced capacity fade by 19.71% with 1.42% increase in fuel consumption. In NEDC, ANFIS achieved 23.31% reduction in capacity fade with 12.48% increase in fuel consumption. Artificial neural networks (ANNs) are also utilized in this thesis as another machine learning method. A battery health aware energy management strategy by ANN is designed by using the same inputs. Internal combustion engine torque and speed are controlled by battery health aware ANN controllers. Compared to ANFIS, ANN is trained with a smaller dataset. Equivalent consumption minimization strategy is used as the dataset algorithm and three different speed profiles with three different initial state-of-charge levels are selected for the ANN dataset. WLTP is selected as a dynamic transient speed profile, Highway Fuel Economy Test Cycle (HWFET) is selected as the highway speed profile and NEDC is selected as the third speed profile. Initial state-of-charge levels are selected as 20%, 60% and 80%. WLTP results show that capacity fade is decreased in all cases when ANN is employed. Fuel consumption is only increased in 80% initial SOC level, in other cases, fuel consumption is slightly decreased with ANN controllers. Results are consistent with other two drive cycles. In HWFET, capacity fade of the battery is decreased in all cases and fuel consumption is only increased in 20% initial SOC case. In this case, fuel consumption is increased by 7.9% while capacity fade is decreased by 39%. In intermediate SOC level of 60% capacity fade is decreased by 20.5% and fuel consumption is decreased by 22.5% when ANN is utilized. In high SOC level of 80%, capacity fade is decreased by 38.9% and fuel consumption is decreased by 16.46% with ANN compared to equivalent consumption minimization strategy. In NEDC, both capacity fade and fuel consumption are decreased in all cases when ANN is employed. In 20% initial SOC case, capacity fade is reduced by 13.9% and fuel consumption is reduced by 11.73%. In 60% initial SOC, capacity fade and fuel consumption are reduced by 19.94% and 8.22%, respectively. Lastly, in 80% initial SOC reductions in capacity fade and fuel consumption are obtained as 13.84% and 14.29%, respectively. Proposed ANFIS based battery health aware system is also experimentally validated. ANFIS trained by the largest dataset is run for 100 WLTP cycles and obtained current profile is applied to a real battery. Neware BTS4000 battery cycler and Lithiumwerks ANR26650M1B LiFe〖PO〗_4 battery cell are used in the experiments. Experiment results are compared with simulation results. After conducting experiments for 100 WLTP cycles, the difference between state-of-charge profile of simulations and experiments is obtained as 0.81%. The difference between capacity fade profile of simulations and experiments is obtained as 0.15% and constructed model and designed energy management strategy are validated. Experimental data is used to estimate the capacity fade of the battery by using ANFIS and ANN. Raw data of voltage, current, charge energy and discharge energy recorded during cycling are used as the inputs of ANFIS and ANN. Capacity fade values calculated from experimental data are used as the output. Backpropagation and hybrid learning methods of ANFIS are compared with backpropagation neural network and nonlinear input-output network. Initially ANFIS trained by hybrid learning method achieved the most accurate results. Afterwards, neuron numbers in the hidden layers of neural networks are updated and approximated to the learning parameters of ANFIS. When, learning parameters are approximated, accuracy of neural networks surpassed the accuracy of ANFIS for hundred cycles. The effect of dataset size is also investigated.
Benzer Tezler
- Hızlı katılaşma ile yüksek mukavemetli malzemelerin üretilmesi ve kurşun-asit akümalatörlerine uygulanması
Başlık çevirisi yok
ÜMİT AKÇAL
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİM DEMİRCİ
- Kümes hayvanlarının beslenmesinde protein kaynağı olarak lüpen'den faydalanma olanakları üzerinde araştırmalar
Başlık çevirisi yok
FİGEN KARAPINAR ALTAN
Yüksek Lisans
Türkçe
1987
Veteriner HekimliğiEge ÜniversitesiZootekni Ana Bilim Dalı
DOÇ. DR. RAMAZAN ERKEK
- Trabzon yöresi kıyı şeridi makroalgleri üzerinde bir araştırma
A Investigation on the macroalgaes of Trabzon shoreline
NİL PEMBE MEHMETAĞAOĞLU
Yüksek Lisans
Türkçe
1987
Su ÜrünleriAnkara ÜniversitesiSu Ürünleri Ana Bilim Dalı
DOÇ. DR. GÜLTEN KÖKSAL
- Yer rezistivitesi ölçümünde mikrobilgisayar kullanımı
Başlık çevirisi yok
KAZIM ERBAY
Yüksek Lisans
Türkçe
1988
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL SİLİNDİR