LİTYUM POLİMER BATARYA PARAMETRELERİNİN DERİN ÖĞRENME YÖNTEMLERİ İLE TAHMİNİ

Abstract

Karbon salınımının artmasıyla sera gazı etkisi oluşarak iklim değişikliği, küresel ısınma gibi sorunlar ortaya çıkmaktadır. İçten yanmalı motorlara sahip araçlar ise havadaki karbon oranının artmasına sebep olan etmenler arasındadır. Küresel ısınmanın ve iklim değişikliğinin önüne geçmek amacıyla ulaşım, üretim, seyahat gibi alanlarda elektrikli araçların kullanımı önem kazanmıştır. Fakat batarya yönetim sisteminde önemli bir yere sahip olan başarılı, güvenilir ve hızlı batarya şarj durum tahmini ile elektrikli araçlar, hibrit elektrikli araçlar ve robotların daha sağlıklı bir şekilde kullanılması önemli bir konudur. Elektrikli araçların ve robotların kullanımının zaman içinde artmasıyla lityum tabanlı batarya parametrelerinin doğru bir şekilde belirlenmesi çok önem kazanmıştır. Bu çalışmada elektrikli araçlarda ve robotlarda kullanılan batarya şarj durum tahminini yapmak amacıyla literatürde yeterince çalışılmamış lityum polimer batarya veri seti hazırlanmıştır. Lityum polimer bataryaların akım, voltaj ve sıcaklık parametrelerini ölçerek veri kümesini elde etmek için yeni bir deneysel sistem oluşturulmuştur. Batarya şarj durum tahmini derin öğrenme yöntemleriyle başarılı bir şekilde yapılarak yeni yöntemler önerilmiştir. Evrişimsel sinir ağlarının yapısı değerlendirilerek, yığın boyutu ve gizli katman nöron sayısı gibi hiper parametrelerinin etkisi incelenerek önsezi elde edilmiştir. Önerilen yöntem, elektronik kartlarda yüksek işlem yükü gerektiren derin öğrenme modellerinin aksine, dört farklı yoğun katman nöron sayısı ve iki farklı yığın boyutu değerine göre belirlenerek dikkat çekici sonuçlar vermiştir. Başarılı tahminler yapabilmek için uygun parametreler belirlenirken optimize edici, öğrenme oranı, yoğun katman nöron sayısı ve yığın boyutu değerleri üzerinde deneyler yapılarak önerilen model elde edilmiştir. Ayrıca deneme-yanılma yöntemi ile optimizasyon yöntemi kullanılmasıyla hiper parametreler belirlenerek son teknoloji derin öğrenme yöntemleri ile çift yönlü uzun kısa süreli bellek yöntemlerinin performansı karşılaştırılmıştır. Bu modellerinin başarısı Ubuntu işletim sisteminde Python programlama dili kullanılarak bir bilgisayarda derin öğrenme eğitimi yapılmasıyla karşılaştırılmıştır. Önerilen yöntemlerin gerçek hayatta başarı ile uygulanacağı düşünülmektedir.As carbon emissions increase, the greenhouse gas effect occurs, and problems such as climate change and global warming arise. Vehicles that are equipped with internal combustion engines are among the factors that cause an increase in the carbon rate in the air. In order to prevent global warming and climate change, the use of electric vehicles has become important in areas such as transport, production, and travel. However, it is an important issue to use electric vehicles, hybrid electric vehicles, and robots in a healthier way with successful, reliable, and fast battery state of charge estimation, which has an important role in the battery management system. As the use of electric vehicles and robots has increased over time, the accurate determination of lithium-based battery parameters has become very important. In this study, a lithium polymer battery dataset, which has not been sufficiently studied in the literature, has been prepared in order to predict the battery state of charge used in electric vehicles and robots. A new experimental system was created to obtain the dataset by measuring the current, voltage, and temperature parameters of lithium polymer batteries. Battery state of charge estimation is performed successfully with deep learning methods, and new methods are proposed. By evaluating the structure of convolutional neural networks, intuition was obtained by examining the effects of hyper parameters such as batch size and fully connected layer neurons. Unlike deep learning models that require high computational load in electronic cards, the proposed method is based on four different fully connected layer neuron values and two different batch size values and obtained remarkable results. While determining the appropriate parameters for successful predictions, the proposed model was obtained by performing experiments on the optimizer, learning rate, number of fully connected layer neurons, and batch size values. In addition, the performance of cutting-edge deep learning methods and bidirectional long short-term memory methods was compared by determining hyper parameters using the trial-and-error method and the optimization method. The performance of these models is compared with deep learning training on a computer using the Python programming language on the Ubuntu operating system. It is thought that the proposed methods will be successfully applied in real life.