Lityum İyon Piller için Şarj Durumu ve Sağlık Durumunun Çift Tahmini

Abstract

Lityum-iyon bataryaların verimli ve güvenilir bir şekilde çalışabilmesi için Şarj Durumu (SOC) ve Sağlık Durumu (SOH) tahminlerinin doğru bir şekilde yapılması büyük önem taşımaktadır. Özellikle sanayi uygulamalarında batarya performansının izlenmesi ve kestirimci bakım stratejilerinin geliştirilmesi kritik bir gereklilik olarak öne çıkmaktadır. Endüstride yaygın olarak kullanılan sistemlerde SOC tahmini çoğunlukla Coulomb Sayımı yöntemi temel alınarak gerçekleştirilmektedir. Bu yöntem basitliği ve kolay uygulanabilirliği nedeniyle tercih edilmekte olup, geniş bir kullanım alanına sahiptir. Ancak, zaman içinde biriken hatalar, batarya yaşlanması, kapasite kaybı ve ölçüm belirsizlikleri nedeniyle doğruluk kaybına uğrayabilmektedir. Elimizde bulunan gerçek sistemde SOC tahmini, yalnızca Coulomb Sayımı ile değil, Açık Devre Gerilimi (OCV)-SOC grafiğine dayalı bir başlangıç tahmini ile desteklenen hibrit bir yöntem kullanılarak gerçekleştirilmektedir. Bu yaklaşım, hesaplama maliyeti ve doğruluk arasında pratik bir denge sunmasına rağmen, uzun vadede sapmalara ve tahmin hatalarına karşı hassasiyet göstermektedir. Bunun yanı sıra, mevcut sistemde SOH tahmini yapılmamaktadır. SOH'un belirlenememesi, batarya yaşlanma sürecinin izlenmesini ve kalan ömrün tahmin edilmesini zorlaştırmaktadır. Bu çalışmada, SOC ve SOH'un eş zamanlı olarak tahmin edilmesini sağlamak amacıyla Genişletilmiş Kalman Filtresi (EKF) tabanlı bir çiftli tahmin çerçevesi önerilmektedir. Önerilen yöntem, belirli bir deşarj senaryosu altında bir MATLAB batarya modeli kullanılarak test edilmiştir. EKF tabanlı yaklaşım, model odaklı bir tahmin stratejisi benimseyerek geleneksel yöntemlere kıyasla batarya durum tahmininin sağlamlığını ve güvenilirliğini artırmaktadır. Bu araştırma, mevcut sistemlerde kullanılan tekil tahmin yöntemlerinden çiftli tahmin çerçevesine geçişin avantajlarını ortaya koyarak, batarya yönetim sistemlerinin doğruluğunu ve adaptif izleme yeteneklerini geliştirmeyi hedeflemektedir. Çalışma sonuçları, EKF tabanlı çiftli tahmin yaklaşımının uygulanabilirliğini göstererek, sanayi uygulamalarında batarya sağlığının daha hassas bir şekilde izlenmesine ve kestirimci bakım stratejilerinin geliştirilmesine katkı sunmaktadır.

Accurate estimation of the State of Charge (SOC) and State of Health (SOH) is crucial for the efficient and reliable operation of lithium-ion batteries, particularly in industrial applications where performance monitoring and predictive maintenance are essential. In most industrial systems, SOC estimation primarily relies on Coulomb Counting due to its simplicity and ease of implementation. However, this method is prone to cumulative errors over time, as it does not account for battery aging, capacity fade, and measurement inaccuracies. In real-time applications, SOC estimation is performed using a hybrid approach that combines Coulomb Counting with an Open Circuit Voltage (OCV)-SOC graph for initial estimation. This approach provides a practical trade-off between computational efficiency and accuracy, yet it remains susceptible to drift and long-term estimation errors. Additionally, our current system does not incorporate any dedicated SOH estimation methodology, which limits the ability for battery degradation and prediction its remaining useful life. To address these challenges, this study proposes a dual estimation framework utilizing the Extended Kalman Filter (EKF) to simultaneously estimate both SOC and SOH. A MATLAB-based battery model is employed to simulate a specific discharge scenario, allowing for a controlled evaluation of the proposed method. The EKF-based approach integrates a model-driven estimation strategy, which enhances the robustness and reliability of battery state estimation compared to conventional methods. By transitioning from a single estimation method to a dual estimation framework, this research aims to improve battery management systems by providing more accurate and adaptive monitoring capabilities. The findings of this study demonstrate the feasibility of implementing an EKF-based dual estimation approach, paving the way for improved battery health diagnostics and predictive maintenance strategies in real-world applications.