Battery State of Health and Charge Estimation Using Machine Learning Methods

Abstract

Bu çalışmada, seri bağlı pillerin sağlık durumu (SOH) ve şarj durumu (SOC) tahminleri şarj ve deşarj süreleri boyunca değerlendirilmiştir. Bu amaçla, şarj ve deşarj işlemi sırasında anlık akü voltajı, akım ve sıcaklık değerlerini gözlemlemek için ARM tabanlı bir elektronik kart modülü geliştirilmiştir. Uygulanan mikrodenetleyici tabanlı kart modülü akım, gerilim ve sıcaklık sensörlerinden verileri toplayarak seri haberleşme portu üzerinden bilgisayar ortamına aktarır. App-designer aracılığı ile belirli bir insan makine arayüzü tasarlanmıştır. Elde edilen değişkenler kullanılarak kestirim yapmak için, makine öğrenimi araç kutusunun regresyon modelleri kullanılır. Bataryalar için şarj-deşarj süresi boyunca anlık SOH ve SOC tahminlemesinin yapılması için, rasgele orman, karar ağacı, polinom, aşırı gradyan artırma, doğrusal ve gradyan artırıcı regresyon modelleri kullanıldı. Regresyon modellerinin performans değerlendirmesi için Kök Ortalama Kare Hatası (RMSE) ve R^2 skor sonuçları kullanılmıştır. RMSE ve R^2 skor sonuçları karşılaştırıldığında, karar ağacı regresyon modeli en doğru SOH ve SOC kestirim yapan regresyon modeli olmuştur ve sonuçlar sunulmuştur.