Elektrikli araçlar için yapay öğrenme tabanlı durum tahmin algoritmalarına sahip akıllı batarya yönetim sistemi geliştirilmesi

Tez Türü: Doktora

Tezin Yürütüldüğü Kurum: Manisa Celal Bayar Üniversitesi, Lisansüstü Eğitim Enstitüsü, Lisansüstü Eğitim Enstitüsü, Türkiye

Tez Danışmanı: Prof. Dr. Sezai Taşkın

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Desteklendiği Program: Diğer

Özet:

Bu tez çalışmasında, elektrikli araçlar için yapay öğrenme tabanlı durum tahmin algoritmalarına sahip, donanım ve yazılım açısından bütünleşik, gerçek zamanlı uygulanabilir bir akıllı batarya yönetim sistemi (BYS) geliştirilmiştir. Çalışmanın temel amacı, lityum-iyon bataryalarda şarj durumu (SOC) ve sağlık durumunun (SOH) farklı sıcaklık, yük ve yaşlanma koşulları altında doğru tahmin performansı sağlayan, deneysel olarak doğrulanan ve uygulama potansiyeli bulunan bir sistem yaklaşımı ortaya koymaktır. Bu doğrultuda tez kapsamında elektrikli araç batarya sistemleri, lityum-iyon bataryaların temel yapısı ve batarya yönetim sistemlerinin işlevleri incelenmiş; ardından özgün BYS tasarımı, SOC ve SOH tahmin algoritmalarının geliştirilmesi ile bu yapıların gerçek sistem üzerinde doğrulanması ele alınmıştır.

Tezde, durum tahmin algoritmalarının gerçek sistem üzerinde uygulanmasına imkân sağlayan özgün bir BYS ve batarya enerji depolama sistemi (BEDS) altyapısı geliştirilmiştir. Sistem; pasif hücre dengeleme, koruma işlevleri, gömülü yazılım, kullanıcı arayüzü, veri kaydetme altyapısı ile UART, CAN-Bus, I²C, SPI ve Bluetooth tabanlı haberleşme yapılarından oluşmaktadır. Devre tasarımı, PCB geliştirme, donanım doğrulama ve haberleşme altyapısının kurulmasının ardından BYS prototipi gerçekleştirilmiştir. Ayrıca 15S-1P konfigürasyonunda, 55,5 V anma gerilimine ve 2,775 kWh enerji kapasitesine sahip bir BEDS geliştirilmiş, böylece önerilen yöntemlerin fiziksel batarya paketi üzerindeki uygulaması gerçekleştirilmiştir.

SOC tahmini çalışmalarında 10 °C, 25 °C ve 40 °C sıcaklıklarda, farklı C-oranları, şarj-deşarj testleri, HPPC profilleri ve UDDS, US06, HWFET ile LA-92 standart sürüş çevrimleri kullanılarak kapsamlı veri setleri oluşturulmuştur. Bu veri setleri üzerinde FNN, RF, LSTM, Bi-LSTM, GRU ve TCN gibi tekil yapılar ile hibrit derin öğrenme mimarileri karşılaştırılmıştır. Bulgular, tek bir modelin tüm SOC bölgelerinde aynı başarıyı sağlayamadığını göstermiştir. Bu nedenle, SOC seviyesine bağlı olarak en uygun modeli devreye alan Çok Seviyeli Adaptif Hibrit Derin Öğrenme (ML-AHDL) yaklaşımı önerilmiştir. Önerilen yöntem ile UDDS, US06, HWFET ve LA-92 sürüş çevrimlerinde sırasıyla %0,56, %0,89, %1,33 ve %0,65 RMSE değerleri elde edilmiştir.

SOH tahmini çalışmalarında ise çevrim yaşlandırma verileri ile artımlı kapasite analizi tabanlı öznitelikler birlikte kullanılmıştır. Tekil derin öğrenme yöntemleri ve hibrit yapılar karşılaştırılmış; tekil yöntemler arasında TCN modelinin, hibrit yapılar arasında ise TCN+GRU ve TCN+GRU+FNN mimarilerinin daha düşük hata değerleri ürettiği belirlenmiştir. Deşarj verileri için optimize TCN+GRU yapısında %0,72 RMSE, şarj verileri için optimize TCN+GRU+FNN yapısında ise %0,82 RMSE elde edilmiştir. BEDS üzerinde gerçekleştirilen deneysel doğrulamalarda, önerilen ML-AHDL yaklaşımı Test A, Test B, Test C ve Test D için sırasıyla %1,77, %1,37, %2,16 ve %1,38 RMSE üretmiştir. SOH tahmininde kullanılan TCN+GRU tabanlı hibrit yaklaşım ise aynı testlerde sırasıyla %1,01, %0,60, %1,22 ve %1,12 RMSE değerleri vermiş; tüm senaryolarda hata düzeyinin %1,5’in altında kaldığı görülmüştür.

Sonuç olarak bu tezde, elektrikli araç bataryaları için özgün BYS ve BEDS altyapısı üzerinde doğrulanmış; yapay öğrenme tabanlı, adaptif ve gerçek zamanlı uygulamaya uygun bir akıllı batarya yönetim yaklaşımı ortaya konulmuştur. Tezin özgün yönü, SOC ve SOH tahminini yalnızca çevrimdışı bir modelleme problemi olarak ele almaması; bu algoritmaları geliştirilen BYS donanımı, gömülü yazılımı ve BEDS altyapısı ile bütünleştirerek gerçek sistem üzerinde doğrulamasıdır. Bu yönüyle çalışma, akıllı batarya yönetim sistemlerinin geliştirilmesine hem algoritma hem de sistem düzeyinde katkı sağlamaktadır.