- Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi
- Cilt: 13 Sayı: 2
- Lityum iyon batarya için dikkat mekanizmalı geçitli tekrarlayan birim (GRU) sinir ağını temel alan s...
Lityum iyon batarya için dikkat mekanizmalı geçitli tekrarlayan birim (GRU) sinir ağını temel alan sağlık durumu (SOH) tahmini
Authors : Tuğhan Tunç, Hamit Erdem
Pages : 639-647
Doi:10.28948/ngumuh.1407480
View : 52 | Download : 42
Publication Date : 2024-04-15
Article Type : Research
Abstract :Günümüzde lityum iyon bataryalar, verimli bir enerji depolama elemanı olarak üretimin ve yaşamın çeşitli alanlarında yeri doldurulamaz bir rol oynamaktadır. Lityum iyon bataryaların sağlık durumu (SOH), enerji depolama sisteminin güvenli çalışması için kritik öneme sahiptir. Bu çalışmada batarya yönetim sisteminden gelen, yaşlanmaya bağlı olarak değişen gerilim, akım ve sıcaklık profilleri gibi ölçülebilir veriler kullanılmıştır. Bu verilere dayanarak kapasite ile şarj profilleri arasındaki ilişki sinir ağları tarafından öğrenilir. Bu çalışmada ulaşılan deneysel sonuçlar NASA lityum iyon pil veri setine dayanmaktadır. Önerilen dikkat mekanizmalı GRU yöntemi, bataryanın sağlığının tahmininde ortalama mutlak yüzde hata açısından derin öğrenme yöntemlerinden olan LSTM, GRU ve BiLSTM yöntemlerine kıyasla sırasıyla %35, %27 ve %20’ye kadar daha başarılı olduğu görülmüştür. Yapılan benzetim çalışmaları MATLAB ortamında derin öğrenme toolbox’ı kullanılarak gerçekleştirilmiştir. Son yıllarda dikkat mekanizmaları, zaman serisi tahmin modellerinin performansını artırmak için güçlü bir araç olarak ortaya çıkmıştır. Bu çalışmada, zaman serisi problemlerinin çözümlerinde kullanılan LSTM, BiLSTM ve GRU aynı NASA veri setleri üzerinde denenmiş ve bu üç yöntemden daha hızlı ve basit olmasıyla GRU tercih edilmiştir. Bu çalışmada önerilen mekanizma GRU ile Dikkat Mekanizmasını birleştirerek oluşturulmuş SoH öngörüm mekanizmasıdır.Keywords : Lityum iyon pil, sinir ağı, kalan kullanım ömrü (RUL), kapasite tahmini, pilin sağlık durumu (SoH), LSTM, GRU, Çift Yönlü LSTM, Dikkat Mekanizması