Bataryanın Sağlık Durumunu Tahmin Etme: Makine Öğrenimi Yaklaşımı

Abstract

Research utilized data-driven models to investigate SoH estimation methodologies for lithium-ion batteries, particularly focusing on their effectiveness in capturing degradation trends. The study evaluated four different deep learning approaches-DNN, CNN, RNN, and LSTM-using various metrics, including MAE, RMSE, R², and validation loss. Results reveal that the LSTM model outperforms others, achieving the lowest MAE (0.1293), RMSE (0.1680), and validation loss (0.0282), with an R² of 0.9790, making it the most reliable predictor of battery SoH. The study highlights a strong linear correlation between SoH and parameters such as capacity and charge voltage, affirming their role as critical indicators of battery health. Conversely, temperature exhibited negligible impact on SoH within the narrow range studied, necessitating further research under diverse environmental conditions. Anomalies in terminal current during charge-discharge cycles suggest potential operational irregularities requiring deeper analysis. The study underscores the limitations of CNN in modeling temporal dependencies, advocating for hybrid architectures like CNN- LSTM for enhanced predictive accuracy. Findings also demonstrate consistent SoC transitions across cycles, emphasizing the stability of the battery's charge-discharge behavior and its implications for long-term durability. Recommendations include adopting LSTM-based models in battery management systems, refining anomaly detection mechanisms, and optimizing charge protocols to prevent premature degradation. The study's outcomes provide a robust framework for enhancing battery health monitoring and forecasting, contributing to the advancement of energy storage technologies. The focus of future research will be expanded thermal ranges, cutting-edge hybrid models, and the integration of real-world applications in validation of these findings. This shows potential value in using these findings for optimizations that affect the performance and life of LiBs, whether for EVs or renewable energy systems. Keywords: Lithium Li-ion batteries, State of Health, State of Charge, Battery management system

Araştırma, lityum iyon piller için SoH tahmin metodolojilerini araştırmak için veri odaklı modeller kullandı ve özellikle bozulma eğilimlerini yakalamadaki etkinliklerine odaklandı. Çalışma, MAE, RMSE, R² ve doğrulama kaybı dahil olmak üzere çeşitli metrikler kullanarak dört farklı derin öğrenme yaklaşımını (DNN, CNN, RNN ve LSTM) değerlendirdi. Sonuçlar, LSTM modelinin diğerlerinden daha iyi performans gösterdiğini, en düşük MAE'yi (0,1293), RMSE'yi (0,1680) ve doğrulama kaybını (0,0282) elde ettiğini ve 0,9790'lık bir R² ile pil SoH'sinin en güvenilir tahmincisi olduğunu ortaya koyuyor. Çalışma, SoH ile kapasite ve şarj voltajı gibi parametreler arasında güçlü bir doğrusal korelasyon olduğunu vurgulayarak, bunların pil sağlığının kritik göstergeleri olarak rollerini doğruluyor. Tersine, sıcaklık, incelenen dar aralıkta SoH üzerinde ihmal edilebilir bir etki gösterdi ve bu da çeşitli çevresel koşullar altında daha fazla araştırma yapılmasını gerektirdi. Şarj-deşarj döngüleri sırasında terminal akımındaki anormallikler, daha derin analiz gerektiren potansiyel operasyonel düzensizlikleri göstermektedir. Çalışma, CNN'nin zamansal bağımlılıkları modellemedeki sınırlamalarını vurgulayarak, gelişmiş tahmin doğruluğu için CNN-LSTM gibi hibrit mimarileri savunmaktadır. Bulgular ayrıca, döngüler boyunca tutarlı SoC geçişlerini göstererek, pilin şarj-deşarj davranışının kararlılığını ve uzun vadeli dayanıklılık için etkilerini vurgulamaktadır. Öneriler arasında pil yönetim sistemlerinde LSTM tabanlı modellerin benimsenmesi, anormallik tespit mekanizmalarının iyileştirilmesi ve erken bozulmayı önlemek için şarj protokollerinin optimize edilmesi yer almaktadır. Çalışmanın sonuçları, pil sağlığı izleme ve tahminini geliştirmek için sağlam bir çerçeve sunarak enerji depolama teknolojilerinin ilerlemesine katkıda bulunmaktadır. Gelecekteki araştırmaların odak noktası, genişletilmiş termal aralıklar, son teknoloji hibrit modeller ve bu bulguların doğrulanmasında gerçek dünya uygulamalarının entegrasyonu olacaktır. Bu, LiB'lerin performansını ve ömrünü etkileyen iyileştirmeler için bu bulguları kullanmanın potansiyel değerini gösterir, ister EV'ler ister yenilenebilir enerji sistemleri için olsun. Anahtar Sözcükler: Lityum Li-ion piller, Sağlık Durumu, Şarj Durumu, Pil yönetim sistemi