Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi

Makale Türü: Derleme Makale Gönderim Tarihi: 18.01.2024

Makale Kabul Tarihi: 06.03.2024

Metin Yılmazͳǡʹǡ›ò’.‹ƒ”ͳǡʹǡAhmet Yazıcıͳǡʹ ͳBilgisayar Mühendisliğiڎòò Eskişehir Osmangazi Üniversitesi ͷͲ͵ͲʹͲʹͳͳͲͲͷ̷‘‰”‡…‹Ǥ‘‰—Ǥ‡†—Ǥ–”ǡ‡›—’…‹ƒ”̷‘‰—Ǥ‡†—Ǥ–”ǡƒ›ƒœ‹…‹̷‘‰—Ǥ‡†—Ǥ–”

2Center of Intelligent Systems Applications Research (CISAR) Eskişehir Osmangazi Üniversitesi

Özet Elektrikli araçlar hem dünya genelinde hem de ülkemizde giderek daha yaygın hale gelmektedir. Bu araçlarda, batarya en kritik bileşenlerdir. Akıllı bir batarya yönetim sistemi (Battery Management System - BMS) için doğru prognostik ve sağlık yönetimi (Prognostics and Health Management - PHM) büyük önem taşır. PHM ve BMS, elektrikli araçların güvenliği, verimliliği ve batarya ömrü açısından kritik bir rol oynamaktadır. Bu literatür incelemesi, elektrikli araçlar için PHM ve BMS konularının önemine vurgu yapmaktadır. Lityum-iyon (Li-ion) bataryaların hala en uygun seçeneklerden biridir, ancak batarya ömrü gibi bazı zorluklarla karşılaşılabilir. Bu nedenle, doğru batarya şarj durumu (State of Charge - SoC) ve bataryanın sağlık durumu (State of Health - SoH) tahminleriyle bir BMS, batarya ömrünü uzatmak ve güvenliği sağlamak için gereklidir. Bu çalışma, elektrikli araçlar için PHM ve BMS konularında gelecekteki araştırma gündemine yönelik analitik bir incelemedir. Batarya prognostiğinin önemine vurgu yapılarak, elektrikli araçların sağlıklı çalışması için daha fazla araştırmanın yapılması gerektiği vurgulanmaktadır.

Anahtar Kelimeler: Elektrikli Araç, Batarya Yönetim Sistemi, Batarya Sağlık Yönetimi, Prognostik ve Sağlık Yönetimi

Abstract Electric vehicles are becoming increasingly prevalent worldwide, including in our country. In these vehicles, batteries are the most critical components. Accurate Prognostics and Health Management (PHM) are of great importance for an intelligent Battery Management System (BMS). PHM and BMS play a critical role in the safety, efficiency, and battery life of electric vehicles. This literature review emphasizes the significance of PHM and BMS in the context of electric vehicles. Lithium-ion (Li-ion) batteries remain one of the most suitable options, despite facing challenges such as battery life. Therefore, a BMS with accurate State of Charge (SoC) and State of Health (SoH) estimations are necessary to extend battery life and ensure safety. This study presents an analytical review of PHM and BMS for future research agendas in electric vehicles, highlighting the importance of battery prognostics and emphasizing the need for further research to ensure the healthy operation of electric vehicles. Keywords: Electric Vehicle, Battery Management System, Battery Health Management, Prognostics and Health Management

1 Giriş

Dünyada gün geçtikte yaygınlaşan elektrikli araçlar (EȌǡ ulusal elektrikli otomobil TOGG’un da piyasaya çıkmasıyla ülkemizde de yaygınlaşmaya başlamıştır. Bu araçların insan hayatına daha fazla girmesi ve kullanımlarının artmasıyla birlikte araçların izlenmesi, elektrikli araç özelindeki donanımsal aksamların güvenilirliği (reliability) ve prognostiği ȋ–ƒŠ‹Ȍde önem arz etmektedir. Benzinli araçlara göre farklı arıza modları ve prognostik ihtiyaçları olabilen elektrikli ƒ”ƒ­Žƒ”ǡ ‡ •‘ –‡‘Ž‘Œ‹ †—”— ‹œŽ‡‡ ˜‡ –ƒŠ‹Ž‡‡ metotlarının entegrasyonu ile zenginleştirilerek günlük hayattaki yerlerini almalıdırlar. Elektrik enerjisiyle çalışan araçlar, batarya tabanlı bir güç kaynağı kullanır. Bu araçlar arasında otonom araçlar ve robotlar gibi çeşitli teknol‘Œ‹ •‹•–‡Ž‡” „—Ž——”Ǥ ƒ–ƒ”›ƒ ‹­‡”‡Ž‡”‹ ‡†‡‹›Ž‡ǡ „— ƒ”ƒ­Žƒ” elektrikli araçlar sınıfına dahil edilebilmektedir.

Elektrikli araçların durum izleme ve prognostik (condition monitoring and prognostics) açıdan en kritik bileşeni batarya sistemleridir. Batarya teknolojisindeki gelişmeler, elektrikli araçların verimliliklerini de yönlendirmektedirȏͳȐǤ ‡”‹Ž‹Ž‹Ž‡”‹ ‡†‡‹›Ž‡ ‹Ǧ‹‘ „ƒ–ƒ”›ƒŽƒ”ǡ ̵Žƒ”†ƒ ‡‡”Œ‹ kaynağı olarak yaygın bir şekilde kullanıldığı bilinmektedir ȏʹȐǡ ȏ͵Ȑǡ ȏͶȐǤ — ‡†‡Ž‡ †‡ Š‡ ƒƒ†‡‹ Š‡ †‡ ‡†ò•–”‹›‡Ž ƒŽƒ†ƒ „ò›ò ‹Ž‰‹ ‰Ú”‡–‡†‹”Ǥ ‡†ò•–”‹•‹‹ †ƒŠƒ †ƒ gelişmesiyle birlikte, batarya performansı arızalarını mümkün olduğunca önlemek veya önceden uyarmak için EV bataryalarının teşhis ve sağlık yönetimi PHM sisteminin güvenilirliği işletmelerde fazlasıyla ilgi görmüştür ȏͷȐǡ ȏ͸ȐǤ Batarya PHM'si, bataryanın sağlık durumunun SoH doğru tahmin edilmesi ve kalan kullanım ömrünün ȋ‡ƒ‹‹‰•‡ˆ—Ž ‹ˆ‡ Ǧ Ȍ tahmini ile bataryanın güvenli ve verimli çalışmasının sağlanması için gereklidir ȏ͹ȐǤ

Elektrikli araçlarda akıllı bir batarya yönetim sistemi BMS için PHM gereklidir, çünkü güvenlik tehlikelerinden kaçınmak ve kullanım ömrünü uzatmak önemlidirȏͺȐǡȏͻȐ. Batarya SoH’ın doğru bir şekilde tahmin edilmesi ve RUL tahmini, batarya PHM'sinin iki önemli işlevidir. Bakım maliyetlerini en aza indirmek ve batarya ömrünü en üst düzeye çıkarmak, BMS'nin optimum çalışması için önemlidir ve güvenlik, verimlilik ve ‰ò˜enilirlik gibi faktörlere katkıda bulunmaktadır. LiǦ‹‘

7/129

bataryaların elektriksel performansı önemli ölçüde iyileşmiş ‘Ž•ƒ †ƒ eskimeyle birlikte kapasite düşüşlerinin üstesinden gelmek hala mümkün değildir ȏͶȐǤ

‹Ǧion bataryalar için etkili bir BMS kullanmak, bataryanın güvenli bir şekilde çalışmasını, fiziksel hasarın önlemesini ve termal bozulma ve hücre dengesizliği ile başa çıkmayı sağlar. BMS ayrıca, bataryanın farklı durumlarını ölçebilen ve değerlendirebilen, batarya şarj durumu SoC ve SoH doğruluğu için verileri kontrol eden ve güncelleyen, arızaları tespit eden, batarya voltajını eşitleyen ve aşırı şarj/aşırı deşarjı önleyen bir „ƒ–ƒ”›ƒ›Ú‡–‹•‹•–‡‹•—ƒ”ȏͳͲȐǤ

̵Žƒr için tekrarlanan şarj/deşarj işlemleriyle şarj kapasitesi azaldığından, batarya ömrü gibi hala çözülmesi gereken bazı zorluklar vardır. En dikkate değer olanı ise, SoC tahmini ve EV sürücülerinin batarya SoH durumudur. Doğru ‘ ˜‡ ‘ –ƒŠ‹Ž‡”‹›Ž‡ „‹” „ƒ–ƒ”›ƒ ›Ú‡–‹ •‹•–‡‹ǡ bataryadaki her bir hücrenin aşırı şarj olmasını veya aşırı deşarj olmasını önleyebilir ve tüm batarya ömrünü uzatabilir ȏͶȐ. Güvenlik tehlikelerinden kaçınmak ve kullanım ömrünü uzatmak için akıllı bir BMS için PHM gereklidir [6]. Batarya SoH ve RUL tahmini, bataryanın PHM'sinin iki önemli işlevidir ve bakım maliyetlerini en aza indirip, batarya ömrünü en üst düzeye çıkararak BMS'nin optimum çalışmasına katkıda „—Ž——” ȏ͹Ȑ. Sağlıklı durum, batarya sisteminin kararlılığını, güvenilirliğini, güvenliğini ve hatta tüm E̵›ı doğrudan ‡–‹Ž‡›‡„‹Ž‹”Ǥ

Bu çalışma, elektrikli araçlar için PHM ve BMS için analitik bir inceleme yaparak fırsat ve zorluklara bir giriş sunmakta ve batarya sağlığı yönetimi konusunda geleceğe yönelik bir araştırma gündemi sunmaktadır. İnceleme yayınında sunulan •‘”—Žƒ”Žƒ„‹”Ž‹te, daha fazla araştırma yapılması önemlidir.

Yayın dağılımı şu şekildedir, birinci bölümde elektrik araçlar prognostik ve batarya prognostiği ile ilgili literatür çalışmaları incelenmiştir. İkinci bölümde ise batarya sağlığıyla ‹Ž‰‹Ž‹ •‘”—Žƒ” ˜‡ œ‘”Ž—Žƒ”ǡ ò­ò…ò „ÚŽò†‡ „ƒ–ƒ”›ƒ ’”‘‰‘œ (öntanı) kavramları, dördüncü bölümde batarya yönetim sistemleri ve prognostik alanında yapılan çalışmalar, beşinde bölümde ise batarya alanında paylaşılan veri setleri karşılaştırmalı olarak gösterilmiştir. Son bölümde çalışmanın katkıları ve daha sonra yapılabile…‡ çalışmalar hakkında öneriler verilmiştir.

2 Elektrikli Araçlarda Prognostik ve Batarya Prognostiği

‹Ǧion bataryalar, elektrikli araçların enerji kaynağı olarak kullanılmaları için en uygun seçeneklerden biridir. Ancak, bu bataryaların ömrü sınırlıdır ve zamanla performansları azalmaktadır. Bu nedenle, batarya prognostiği elektrikli araçların sağlıklı çalışması için hayati öneme sahiptir. Batarya prognostiği, batarya ömrü, güvenilirliği ve performansını önceden tahmin etmek için kullanılan bir tekniktir. Bu teknik, bataryanın tam kapasiteye ulaşması, güvenli bir şekilde kullanılması ve araç sahiplerine uœ—˜ƒ†‡Ž‹ƒŽ‹›‡––ƒ•ƒ””—ˆ— sağlaması için gereklidir. Bu nedenle, elektrikli araçların yaygınlaşması ile birlikte batarya prognostiği konusu, araştırmacıların ve endüstrinin öncelikli konularından biri haline gelmiştir.

Bataryaların şarj profilleri ve zamanları elektrikli araçlar için oldukça önemlidir. Elektrikli araçlarda kullanılan LiǦ‹‘ bataryaların şarj edilmesi için üç farklı yöntem kullanılır [4]. ƒ„‹– ˜‘Ž–ƒŒ ›Ú–‡‹ ȋ‘•–ƒ– ‘Ž–ƒ‰‡ Ǧ CV), bataryanın şarj ‡†‹Žmesi için sabit bir voltaj kullanırken, sabit akım yöntemi

8/129

ȋ‘•–ƒ–—””‡–ǦCC), bataryanın şarj edilmesi için sabit bir akım kullanır ve bataryanın voltajı zamanla yükselir. Hızlı şarj yöntemi ise sabit akım ve sabit voltaj (Constant Current ‘•–ƒ–‘Ž–ƒ‰‡ǦȌ›Ú–‡Ž‡”‹‹„‹”‘„‹ƒ•›‘—†—” ve Şekil 1.'de gösterildiği gibi hızlı şarj prosedürü, özellikle zaman kazandıran özelliği nedeniyle LiǦ‹‘ „ƒ–ƒ”›ƒŽƒ” ‹­‹ yaygın olarak kullanılır ȏͶȐǤ

Şekil 1. Bir Li-ion batarya için sabit akım, sabit voltaj şarj profili

[4]. 2.1 Batarya Sağlığıyla İlgili Sorunlar ve Zorluklar Bataryalar için prognostik teknolojilerin geliştirilmesi ve uygulanması, bataryalarda meydana gelen elektrikǦ‹›ƒ•ƒŽ süreçlerin doğal karmaşıklığı nedeniyle zorlu ve karmaşıktır ȏͳͳȐ. Bu zorluklardan bazıları şunlardır: Batarya eskimesi sorunları: Yaşlanma süreçleri, elektrolit, anot ve katodun özelliklerinde ve bataryada kullanılan bileşenlerin yapısındaki geri dönüşü olmayan değişikliklerdir. Batarya eskime süreci iki kategoriye ayrılabilir; izlenmesi òò‘Žƒœƒƒiçinde kademeli bozulmayı içeren eskime süreçleri ve büyük bir sorun veya batarya performansında hızlı değişiklikler meydana gelene kadar herhangi bir özel modu veya gözlemlenebilir işareti olmayan eskime süreçleridir ȏͳʹȐǤ ‘œ—Žƒ ˆƒ–Ú”Ž‡”‹ǣ — ƒŽƒ†ƒ‹ ‘–‘‘–‹˜ uygulamalarındaki en önemli bozulma faktörleri; çevre sıcaklığı, boşaltma akımı oranı, şarj oranı (hızlı şarj), deşarj derinliği, tam şarj döngüleri arasındaki zaman aralıkları şekilde tanımlanabilir ȏͳ͵ȐǡȏͳͶȐǤ Batarya sağlığını izlemenin zorlukları: Batarya davranışını izlemenin en etkili ve basit yöntemi batarya voltajını, akımı, sıcaklığı ve bazı durumlarda basıncı gözlemlemeye dayanır ȏͳͷȐ. Bu değişkenlerden bazıları, cihazın ana işlevselliği kesintiye uğramadan batarya ile çalışırken ölçülebilir; buna ­‡˜”‹‹­‹ÚŽ­ò†‡‹”Ǥ Batarya sağlığını izlemek için özelliklerin değerlendirilmesi: Bir bataryadan elde edilen ham verilerden birçok özellik çıkarılabilir. En kullanışlı özellikler, batarya performansı sırasında göze çarpan eğilimleri temsil etmelidir ve bataryanın içindeki elektrokimyasal reaksiyonlara dayalı bozulmanın fiziksel nedenleriyle ilişkilendirilebilir ȏͳ͸ȐǤ PHM, arıza olaylarını belirlemek ve sistem riskini azaltmak için gerçek yaşam döngüsü koşulları altında bileşen veya sistem güvenilirliğini değerlendirmeye yönelik araç ve tekniklerden

oluşur ȏͳͳȐ. Batarya RUL'u, potansiyel batarya arıza süresi hakkında değerli bir tahmin sağlar. Bu, enerji depolama sistemlerinin güvenilirlik değerlendirmesi için önemlidir ȏ͹ȐǤ Bu nedenle, batarya SoH ve batarya RUL değerinin doğru tahmini, batarya çalışması için çok önemlidir.

2.2 Batarya Prognostik Kavramları Elektrikli araçların popülaritesindeki artış, bu araçların güç kaynaklarına olan bağımlılıklarından kaynaklanan yük artışıyla birlikte elektrik şebekelerini zorlayabilir. Bu nedenle, E̵Žarı güç kaynaklarını tamamlamanın yenilikçi yollarına ihtiyaç vardır. Ancak, LiǦion bataryalar, yüksek kapasitelerine rağmen güvenlik, dayanıklılık, tekdüzelik ve maliyetle ilgili sorunlar nedeniyle büyük seri/paralel bağlanma sayıları sınırlar. ƒ–ƒ”›ƒ ڏ”ònün hücre dengelemesi ile uzatılabileceği düşünülse de bunu gerçekleştirmek için zorluklarla karşılaşılmaktadır. Bu nedenle, LiǦion bataryaların güvenliği ve güvenilirliği, batarya sağlık sistemlerinin etkin kontrol ve yönetimini gerektirir. Çok sayıda araştırma, teknolojinin uygulamalarda hatalara neden olmaması ve başarısızlıklarının felaketlere yol açmaması için yapılır ȏͳ͹ȐǤ

BMS: Bir batarya takımının izlenmesi ve yönetimi için tasarlanmış, yazılım algoritmaları, sensörler, kontrolörler, iletişim ve hesaplama donanımının bir kombinasyonudur. BMS, bataryanın SoH, SoC ve RUL gibi bilgileri belirler. Ayrıca, bataryanın güvenli, verimli ve zararsız bir şekilde çalıştırılmasını sağlamak için çalışır ȏͳͺȐǡ ȏͳͻȐǤ ‹”­‘ ‡†ò•–”‹›‡Ž —›‰—Žƒƒ†ƒǡ ‹Ǧion bataryaları kullanan ana güç kaynakları için BMS'nin oldukça yararlı olduğu kanıtlanmıştır. ǡ„ƒ–ƒ”›ƒÚ”ò„‘›—…ƒ‘ǡ‘ǡ–ƒŠ‹Ž‡”‹‹‹œŽ‡”˜‡ gerçekleştirir. Bu nedenle, LiǦion bataryalar için BMS, bakım optimizasyonu desteği sağlamak için teşhis ve/veya prognostik temelinde bakım, lojistik ve sistem yapılandırma faaliyetlerini akıllıca gerçekleştirmeye yönelik bir karar sürecidir ȏʹͲȐ. Şekil ʹ'te gösterildiği gibi elektrikli araçlar için BMS oluşturmak için modüler bir yaklaşımın uygun olduğu görülmüştür ȏʹͳȐǤ‡”‹Ǧ ‹‘ „ƒ–ƒ”›ƒ ‘†òŽòǡ „‹” ‘†òŽ‡” ›Ú‡–‹ •‹•–‡‹ ȋ‘†—Žƒ” ƒƒ‰‡‡– ›•–‡ Ǧ MMS) tarafından kontrol edilir ve ›Ú‡–‹Ž‹”Ǥ ò ̵Ž‡” ‡”‡œ‹ „‹” ›Ú‡–‹ •‹•–‡‹ ȋ‡–”ƒŽ ƒƒ‰‡‡– ›•–‡ Ǧ CMS) tarafından kontrol edilir. BMS modülleri bağımsız bir modda çalıştığı için veri alışverişi gereklidir. BMS içinde veri alışverişi için kontrol edilebilir bir alıcıǦverici gereklidir. Bu mimari esnek, ölçeklenebilir ve yaygın olarak kabul görmüştür.

Şekil ʹǤƒ–ƒ”›ƒ›Ú‡–‹•‹•–‡‹‹‘†òŽ‡”‘•‡’–‹ Durum İzleme (Condition Monitoring ǦȌǣ‹”̵‹‹Ž ana görevi, batarya voltajı ve akımı, hücre voltajı, sıcaklık, yalıtım ve kilit (interlock) gibi bataryanın ölçülebilir durumlarını izlemektir ȏʹʹȐ. Batarya sağlık bilgileri, belirli profillerdeki cihazların sağlığını veya durumunu gösteren

Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi Autonomous Battery Management System in Electric Vehicles Literature Review

fiziksel parametreleri izleyen bir prosedür kullanılarak düzenli aralıklarla toplanır. Sıcaklık ve titreşim gibi hem dahili hem de harici parametreler bataryanın durumunu etkileyebilir. Literatür, titreşim yükünün ve sıcaklığın batarya performansını ‡–‹Ž‡›‡”‡ Šò…”‡ ƒ’ƒ•‹–‡•‹†‡ ڐ‡Ž‹ ƒœƒŽƒŽƒ”ƒ ˜‡ bozulmalara yol açtığını göstermektedir ȏʹ͵Ȑ. Aşırı voltaj veya aşırı ısınma gibi herhangi bir anormal durum tespit edilirse, BMS kullanıcıyı bilgilendirmeli ve önceden belirlenmiş bir düzeltici önlem almalıdır. Bu işlevlere ek olarak BMS, sistem sıcaklığını da izler ve daha iyi bir enerji tüketim s‹•–‡‹ sağlamak için bireysel bileşenler ve kullanıcılarla iletişim kurar ȏʹͶȐǤ

RUL: Bir bataryanın çalışma gereksinimlerini karşılayabileceği kalan süre veya şarj döngüsü sayısıdır ȏʹͷȐǡ ȏʹ͸Ȑ. RUL, azaltılmış maliyetler, geliştirilmiş doğruluk, güvenilirlik ve arızalardan kaçınma taleplerini karşılamak için araştırma ve üretim araçlarında BMS büyük önem vermiştir. RUL Eşitlik 1’deki gibi hesaplanabilir ȏʹͲȐǣ

???????????????????????????????????? = ???????????????????????? − ????????????????????????

(1)

—”ƒ†ƒ ˆ, bozulma tespit edildiğinde arıza süresinin rastgele bir değişkenidir ve T…, tahmin edilen sinyalin arıza süresini bir miktar geçtiği zamandır.

SoC: Kullanılabilir kapasiteyi temsil eder ve performansı optimize etmek ve batarya ömrünü uzatmak için karşılanması gereken en önemli koşullardan biridir ȏʹͷȐǤ

ƒ–ƒ”›ƒ ‘ǡ ƒ•‹— ƒ’ƒ•‹–‡‹ ›òœ†‡•‹ ‘Žƒ”ƒ ‹ˆƒ†‡ ‡†‹Ž‡ ‡˜…—– „ƒ–ƒ”›ƒ ƒ’ƒ•‹–‡•‹†‹”Ǥ ‘, çalışma akımı, sıcaklık ve voltaj gibi koşullara dayalı olarak tahmin edilir ȏʹ͹ȐǤ Batarya SoC, tam olarak şarj edildiğinde sahip olduğu enerjiye kıyasla bir hücrede kalan enerji miktarını tahmin eder ve kullanıcıya bir bataryanın şarj edilmesi gerekmeden önce ne kadar süre dayanacağına dair bir gösterge verir. SoC, zaman ‹­‹†‡ „ƒ–ƒ”ya kapasitesindeki değişikliği belirlemek için geçerli entegrasyon kullanılarak tipik olarak hesaplanır ve SoC basitçe Eşitlik 2’deki şekilde ifade edilir ȏͳͳȐǣ

????????????????????????????????????(????????????)

∫??????????????????0??????

????????????????????????(????????????)???????????????????????? ????????????0

100%

(2)

Burada, şarj akımı olarak I_b (t) ile tamamen boşalmış bir bataryaya iletilen şarj Q_0'ın t zamanındaki batarya kapasitesi olduğu şarj olarak ifade edilir.

SoH: Batarya RUL ile SoH arasında ayrım yapmak ڐ‡Ž‹†‹”Ǥ ƒ–ƒ”›ƒ ڏ”òǡ „ƒ–ƒ”›ƒ –‹’‹ǡ ƒŽœ‡‡•‹ ˜‡ „ƒ–ƒ”›ƒ üreticisinin destekleyebileceği döngülerin standart kullanımı ile tanımlanır. Kullanılmış bir bataryanın aynı türden yeni bir batarya ile karşılaştırıldığında beyan edilen performansını ve sağlık durumunu tanımlayan kavram, SoH olarak adlandırılır ȏͳͳȐ. Batarya performansının kademeli olarak bozulması, kapasiteyi azaltan ve kalan kullanım ömrünü kısaltan geri dönüşü olmayan kimyasal reaksiyonlardan kaynaklanır. Akım ve zamanı ölçerek bir SoC tanımlamak mümkün olsa da SoH için sabit bir tanım yoktur ve her üreticinin kendi tanımı vardır. SoH'yi belirlemek için bataryanın kapasite ve iç direnç gibi çeşitli özellikleri kullanılabilir. Ancak bu kesin bir ölçümden ziyade bir değerlendirme ve tahmindir ȏʹͺȐǤ ‘Ǣ ‡˜…—– gerçek kapasitenin nominal kapasiteye oranıdır. SoH Eşitlik 3’teki şekilde gösterilebilir ȏ͸Ȑǣ

????????????????????????????????????

???????????? 0

(3)

9/129

—”ƒ†ƒ – mevcut maksimum kullanılabilir kapasitedir ve Ͳ bataryanın çalışmaya başladığı andaki kapasiteyi temsil ‡†‡”Ǥ

Artımlı Kapasite (

…”‡‡–ƒŽ ƒ’ƒ…‹–› – IC): Şarj işlemi sırasında belirli bir voltaj adımı için kapasite artışı olarak tanımlanır ve Eşitlik 4’teki şekilde ifade edilirȏ͸Ȑǣ

????????????????????????

???????????????????????? ????????????????????????

????????????. ???????????????????????? ????????????????????????

(4)

Burada I şarj akımı, d– örnekleme zaman aralığı, d˜ ˜‘Ž–ƒŒ adımı olarak ifade edilir.

Ortalama Karekök Sapması (RootǦ‡ƒǦ“—ƒ”‡ ””‘” Ǧ RMSE): SoH tahmin sonuçlarının RMSE'si hedeflerden biri olarak belirlenmiştir. RMSE'nin ifadesi Eşitlik 5’teki şekilde ˜‡”‹Ž‹”ȏ͸Ȑǣ

????????????????????????????????????????????????

√???1?????????

∑ (????????????????????????????????????

????????????=1

Ô???????????? )2

(5)

—”ƒ†ƒ ???????????????????????????????????? ˜‡ Ô????????????ǡ sırasıyla gerçek SoH ve tahmini SoH'dir; m doğrulama için eleman numarasıdır.

Açık devre voltajı (Open Circuit Voltage Ǧ OCV): Bir diğer SoC tahmin yöntemi, bataryanın OCV’sini ölçmektir. Bu, SoC ve OCV arasındaki statik ilişkiye dayanan basit bir yöntemdir ȏʹͳȐǤ Bununla birlikte, SoC ve OCV arasındaki ilişki batarya malzemeleri arasında değişiklik gösterdiğinden, bu yaklaşım belirli batarya türleri ile sınırlıdır ȏʹ͵Ȑ. Şekil ͵’te görülebileceği gibi, bataryanın histerezisi, batarya boşaldığında düşük OCV'ye ve batarya şarj edildiğinde yüksek OCV'ye neden olduğundan dikkate alınmalıdır ȏʹͻȐǤ

Şekil 3. LiFePO4 bazlı bataryaların her adımda çeşitli dinlenme sürelerinden sonra ölçülen akım yönüne bağlı OCV eğrileri [29]

2.3 Batarya Yönetim Sistemleri ve Prognostik Alanında Yapılan Çalışmalar

‹Ǧion bataryalar, yüksek verimlilik, daha düşük hacim, küçük ağırlık, sıcaklık hassasiyeti ve bakım gibi avantajlar ‡†‡‹›Ž‡ ——– ˜‡”‹…‹ –‡‘Ž‘Œ‹Ž‡”†‡ „‹”‹†‹” ȏ͵ͲȐǡ ȏ͵ͳȐǤ — bataryalar, taşınabilir elektronik cihazlar, elektrikli araçlar, havacılık sistemleri ve yenilenebilir enerji kaynakları için güç depolama gibi birçok uygulamada parlak bir geleceğe sahiptir ȏ͵ʹȐ. BMS, batarya ile elektrikli araçlar arasında bir bağlayıcı

10/129

görevi gördüğü için LiǦ‹‘ „ƒ–ƒ”›ƒŽƒ” ‹­‹ ̵— –ƒŠ‹‹†‡ ڐ‡Ž‹ „‹” ”‘Ž ‘›ƒ”Ǥ ̵‹ ƒƒ Š‡†‡ˆŽ‡”‹ǡ „ƒ–ƒ”›ƒ •‹•–‡‹ hasarını önlemek, batarya ömrünü tahmin etmek ve artırmak ve batarya sisteminin doğru ve güvenilir bir çalışma koşulunda tutmaktır ȏ͵͵Ȑ. BMS, yazılım algoritmaları ile sensörler, kontrolörler, iletişim ve hesaplama donanımının bir ‘„‹ƒ•›‘—†—”ȏ͵ͶȐǤ

Batarya yönetim sistemleri ve prognostiği için çeşitli yöntemler bulunmaktadır. Yük akımları, uç gerilimleri ve yüzey sıcaklıkları gibi ölçülebilir değişkenlere dayalı bu yöntemleri Şekil Ͷ’te gösterildiği gibi temel olarak aşağıdaki üç kategoride sınıflandırılabilir ȏ͹ȐǤ

WƌŽŐŶŽƐƚŝŬ zƂŶƚĞŵůĞƌ

ĞŶĞLJƐĞů zƂŶƚĞŵůĞƌ

Model Tabanlı Veriye Dayalı

Şekil 4. Prognostik yöntemler

Deneysel Yöntemler: Bu yöntemler, batarya ile çalışmanın tarihsel deneysel verilerine ve bataryanın bozulmasının ana nedenleri hakkındaki önceki bilgilere bağlıdır.

Model Tabanlı Yöntemler: Deneysel yöntemlerin dezavantajlarının üstesinden gelmek için, çeşitli çalışma koşullarını ve çeşitli batarya türlerini içeren batarya sağlığı teşhis yöntemlerine ihtiyaç vardır. Bu yöntemler, fiziksel veya ƒ–‡ƒ–‹•‡Ž ‘†‡ŽŽ‡” ‘Žuşturarak bataryanın bozulma dinamiklerini tanımlamaya ve batarya SoH'sini tahmin etmeye çalışır.

Veriye Dayalı Yöntemler: Ölçülen verilerden veya çıkarılan ڜ‡ŽŽ‹Ž‡”†‡ „ƒ–ƒ”›ƒ„‘œ—Žƒ†‹ƒ‹Ž‡”‹‹ ‘†‡ŽŽ‡‡‹­‹ bir başka çözümdür.

2.4 Model Tabanlı Yöntemler

Model tabanlı yöntemler, veriye dayalı yöntemlerden farklı ‘Žƒ”ƒ „‹” ‘†‡Ž ˜‡›ƒ ƒ–‡ƒ–‹•‡Ž „‹” ‰Ú•–‡”‹ —ŽŽƒƒ”ƒ sonuçlar üretirler. Bu algoritmaların avantajları şunlardır: ‡”‹Ž‡”‹„‘›—–—„ò›ò‘Ž•ƒ„‹Ž‡›ò•‡’‡”ˆ‘”ƒ••‡”‰‹Ž‡”Ž‡”Ǥ —ǡ „ò›ò ڎ­‡Ž‹ ’”‘„Ž‡Ž‡”‹ ­Úœ‡ ‹­‹ ‹†‡ƒŽ†‹”Ǥ ƒ–‡ƒ–‹•‡Ž „‹” ‘†‡Ž‡ †ƒ›ƒƒ”ƒ •‘—­Žƒ” ò”‡–‹”Ž‡”ǡ „— nedenle sonuçlar daha doğru ve tekrarlanabilir olabilir. Veriye dayalı yöntemlere göre daha az veri gerektirirler. Bu, küçük veri kümeleri ile çalışırken faydalıdır.

Model tabanlı yöntemlerin dezavantajları ise şunlardır: Veri dağılımındaki değişikliklere iyi uyum sağlayamaz. Modelin doğru çalışması için düzenli olarak kontrol edilmesi ve ayarlanması gerekebilir çünkü model dışında çıktıyı etkileyen anlık faktörlerin h‡’•‹‹ ƒ’•ƒ›ƒƒ›ƒ„‹Ž‹” ȋڔǣ ‘”–ƒ sıcaklığı, kimyasal bileşenlerin dinamiği vb.).

Model tabanlı yöntemlerde, araştırmacıların kendilerinin önerdiği özgün matematiksel modeller dışında en sık rastlanan model tabanlı yöntem KF ve EKF'dir. Plett ȏ͵ͷȐ çalışmasında, hibrit elektrikli araçlarda BMS için Genişletilmiş Kalman

‹Ž–”‡•‹ ȋš–‡†‡† ƒŽƒ ‹Ž–‡” Ǧ EKF) algoritması ile SoC tahmini yapmaktadır. Çalışma, BMS'nin batarya şarj durumu, anlık kullanılabilir güç, güç azalması ve kapasite azalması gibi sağlık durumu göstergesi olan parametreleri tahmin

Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi Autonomous Battery Management System in Electric Vehicles Literature Review

edebileceğini ve zamanla hücre özelliklerine uyum sağlayabileceğini belirtmektedir. Kalman Filtresi (Kalman

‹Ž–‡”Ǧ Ȍǡ‘’–‹—†—”—–ƒŠ‹…‹•‹‘Žƒ”ƒƒ„—Ž‡†‹Ž‹”˜‡ açıklanan varsayımlara sahip doğrusal bir sistem için kullanılır. Doğrusal olmayan durumlar için zaman değişkenli (timeǦ variant) bir yaklaşım kullanılarak sistem doğrusala yaklaştırılabilir. Yazarlar bu yaklaştırılan sistemi daha sonra KF’de kullanılarak, gerçek doğrusal olmayan sistemi EKF ile modellemişlerdir. Bu model Eşitlik 6 ve Eşitlik 7’de gösterilmiştir.

????????????????????????+1 = ????????????(????????????????????????, ????????????????????????) + ????????????????????????

(6)

???????????????????????? = ????????????(????????????????????????, ????????????????????????) + ????????????????????????

(7)

—”ƒ†ƒ ???????????????????????? ǡ ???????????? œƒƒ‹†‡•‹†‡‹ •‹•–‡ †—”— ˜‡–Ú”òò –‡•‹Ž‡†‡”˜‡̶†—”—†‡Ž‡‹̶˜‡›ƒ̶•ò”‡­†‡Ž‡‹̶‘Žƒ”ƒ

adlandırılır. Durum denklemi, sistem dinamiklerinin gelişimini

yakalar. Sistem kararlılığı, dinamik kontrol edilebilirliği ve

bozulmaya karşı hassasiyetǡ „— †‡Ž‡†‡ „‡Ž‹”Ž‡‡„‹Ž‹”Ǥ

‹•–‡‡„‹Ž‹‡˜‡„‡Ž‹”Ž‡›‹…‹„‹”‰‹”†‹‘Žƒ”ƒ????????????????????????ǡ˜‡”‹Ž‹”‡ǡ???????????????????????? stokastik bir “süreç gürültüsü” veya “bozukluk” olarak

adlandırılan, sistemin durumunu etkileyen bazı ölçülmemiş

‰‹”†‹Ž‡”‹‘†‡ŽŽ‡‡–‡†‹”ǤSistem çıktısı ???????????????????????? ‘Žƒ”ƒ„‡Ž‹”–‹Ž‹”˜‡ bu çıktı, durumların ve girdinin doğrusal bir kombinasyonu

olarak hesaplanır. Ancak, belleksiz bir sistem çıktısının

ölçümünü etkileyen unsurlar da vardır. Bu unsurlar, "sensör

gürültüsü" olarak adlandırılan ???????????????????????? tarafından modellenir. ????????????(????????????????????????, ????????????????????????) doğrusal olmayan bir durum geçiş fonksiyonu olarak tanımlanmakta ve ????????????(????????????????????????, ????????????????????????) doğrusal olmayan bir ölçüm fonksiyonu olarak belirtilmektedir. Doğrusal olmayan sistem,

her adımda, ????????????(????????????????????????, ????????????????????????) ˜‡ ????????????(????????????????????????, ????????????????????????) „‹”‹…‹ †‡”‡…‡†‡ „‹” Taylor serisi açılımı ile doğrusallaştırılır. ????????????(. , . ) ˜‡ ????????????(. , . ) ̵‹

tüm çalışma noktalarında (????????????????????????, ????????????????????????) –ò”‡˜Ž‡‡„‹Ž‡–‡†‹”Ǥ — açılımlar Eşitlik 8 ve Eşitlik 9’da gösterilmiştir.

????????????????????????(????????????????????????,????????????????????????) ????????????????????????

????????????????????????(????????????????????????,????????????????????????) ????????????????????????

ȋͺȌ

????????????????????????(????????????????????????,????????????????????????) ????????????????????????

ȋͻȌ

????????????????????????(????????????????????????,????????????????????????) ????????????????????????

| }

Eşitlik 8 ve 9 kullanılarak doğrusallaştırılmış sistem denklemleri Eşitlik 10 ve 11'deki gibi oluşturulabilir.

????????????????????????+1 ≈ ??????̂?????????????????????????????????????????? + ????????????(???̂?????????????????????, ????????????????????????) − ??????̂?????????????????????̂????????????????????? + ???????????????????????? ???????????????????????? ≈ ??????̂?????????????????????????????????????????? + ????????????(???̂?????????????????????, ????????????????????????) − ??????̂?????????????????????̂????????????????????? + ????????????????????????

ȋͳͲȌ ȋͳͳȌ

ǡ –‡‡Ž ‘Žƒ”ƒ •–ƒ†ƒ”– ̵›‡ çok benzer. Başlatma adımı aynı kalır. Her tekrarda bir tahmin ve bir düzeltme adımı gerçekleştirilir. EKF'de, mevcut durumu tahmin etmek için yayılma adımı, KF'nin doğrusal modelini kullanırken doğrusal olmayan modele uygulanır. Hata kovaryans yayılımı v‡ƒŽƒ kazanç denklemleri, KF ile aynıdır, ancak artık doğrusallaştırılmış ??????̂??????????????????ƒ–”‹•‹????????????????????????'nin yerini alır ve ??????̂??????????????????ƒ–”‹•‹†‡ ????????????????????????'nin yerini alır. Durum tahmini güncellemesi aynı şekilde yapılır, ancak ???̂????????????????????? = ????????????(???̂?????????????????????, ????????????????????????) olarak hesaplanır ve hata ‘˜ƒ”›ƒ• ‰ò…‡ŽŽ‡‡•‹ •ƒ†‡…‡ ???????????????????????? ›‡”‹‡ ??????̂??????????????????̵‹ kullanılmasıyla farklılık gösterir.

Š‡ ˜‡ ƒ”Ǥ ȏ͵͸Ȑ çalışmasında, bir LithiumǦ’‘Ž›‡” batarya şarj durumunun tahmini için sağlam bir kayan mod

‰ÚœŽ‡…‹•‹ȋ‘„—•–Ž‹†‹‰Ǧ‘†‡„•‡”˜‡”ǦRSMO) sunmuştur.

Bunun için, bir batarya eşdeğer devre modeli (Battery

“—‹˜ƒŽ‡– ‹”…—‹– ‘†‡Ž Ǧ BECM) oluşturmuşlardır ve BECM,

gerçek zamanlı olarak bir unutma faktörü özyinelemeli en

ò­ò ƒ”‡Ž‡” ȋ ‘”‰‡––‹‰Ǧ ƒ…–‘” ‡…—”•‹˜‡ ‡ƒ•– “—ƒ”‡• Ǧ

FFRLS) algoritması kullanılarak tanımlamışlardır. Deneyler,

elektrikli araç sürüş döngülerinde LithiumǦ’‘Ž›‡” „ƒ–ƒ”›ƒ

òœ‡”‹†‡

‰‡”çekleştirilerek

önerilen

yaklaşım

doğrulamışlardır.

‡ ˜‡ ƒ”Ǥ ȏ͵͹Ȑ çalışmasında, SoH tahminlerinin önemi

˜—”‰—Žƒ›ƒ”ƒǡ‹Ǧ‹‘„ƒ–ƒ”›ƒŽƒ”‹­‹„‹”­‘ÚŽ­‡Ž‹

ƒ—•••ò”‡…‹

”‡‰”‡•›‘ ȋ

ƒ—••‹ƒ ”‘…‡•• ‡‰”‡••‹‘ Ǧ

Ȍ ‘†‡ŽŽ‡‡

yöntemi önermişlerdir. Yöntem, dalgacık analizi yöntemi

—ŽŽƒƒ”ƒ ‘ œƒƒ •‡”‹Ž‡”‹†‡ ò”‡•‡Ž „‘œ—Žƒǡ ›‡”‡Ž

yenilenme ve dalgalanmaları ayrıştırmıştır. Zaman indeksinin

dahil edildiği GPR, çıkarılan küresel bozulma eğilimine uyması

için kullanılır ve gecikme vektörü girişi ile GPR, yerel

yenilenmeyi ve dalgalanmaları tahmin etmek için

tasarlanmıştır. Önerilen yöntem, LiǦion bataryaların bozulma

testinden elde edilen deneysel verilerle doğrulanmış ve hem bir

adım için SoH tahmin performansları değerlendirilmiştir.

Model tabanlı bir başka çalışmada Huang ve ark. ȏ͵ͺȐǡ‹Ǧ‹‘

bataryaların yaşam ömrü boyunca çevrimiçi, SoC ve SoH

tahminleri için bir model geliştirmiş ve modelin sağlamlığının

kanıtlandığı belirtmişlerdir. Pilin eskimesiyle birlikte gerilim

değiştiğinden, pilin SOC'sini belirlemek için tek bir voltaj değe”‹

›‡–‡”Ž‹†‹”Ǥ—‡†‡Ž‡ǡ„—ƒƒŽ‡ǡ˜‡‘†‡ŽŽ‡‡•‹‹­‹

birim zaman gerilim düşümü, ????????????′ olarak adlandırılan yeni bir

parametre önermektedir. Eşitlik 12’de bu parametre

‰Ú•–‡”‹Ž‡–‡†‹”Ǥ

????????????′

∆???????????? ∆????????????

,

????????????′ = ?????????1??? − ????????????2

ȋͳʹȌ

—”ƒ†ƒ ∆???????????? deşarj esnasındaki gerilim düşüşüdür. ∆???????????? ‹•‡

deşarj süresidir. Önerilen çalışma, boşaltma işlemindeki birim

zaman voltaj düşüşü olan yeni bir değişken tanımlamakta ve bu

değişkeni kullanan yeni bir model önermektedir. SoC,

değişkenin belirlenmemiş katsayısı ile doğrusal bir ilişki olarak

‹ˆƒ†‡ edilmiştir. SoH, SoC'nin bir fonksiyonu olan bir

modifikasyon faktörü ile değişken ile doğrusal olduğu

bulunmuştur. Test hücrelerinden veri regresyonu, katsayıların

değerlerini vermektedir. Bu türetilmiş model, bataryanın anlık

SoC ve SoH'sini aynı anda taŠ‹ ‡†‡„‹Ž‡–‡ ˜‡ ­‡˜”‹‹­‹

gerçek zamanlı uygulamalar için kullanılabilmektedir.

ˆƒ”‹ ˜‡ ›— ȏ͵ͻȐ çalışmasında, EV bataryasının SOH ve

SOC’unu hesaplama zorluğuna bir çözüm olarak Digital Twin

önerilmektedir. XGBoost modeli ve EKF kullanılarak bataryanın

durumu tahmin edilir. EKF ile bataryanın durumu belirlenir ve

bakım için önemli bilgiler sağlanır. Doğru SOC tahminiyle

bataryanın ömrü uzatılabilir.

ƒ‰˜‡ƒ”ǤȏͶͲȐçalışmasında, EA ve hibrit araçlar için SoC

tahmini için bir yöntem önerilmektedir. Batarya yaşlanmasıyla

‹Ž‰‹Ž‹ ‘Žƒ”ƒǡ ‡Ž‡–”‘‹›ƒ•ƒŽ ‡’‡†ƒ• •’‡–”‘•‘’‹•‹

(electrochemical impedance spectroscopy) tabanlı bir model

‰ò…‡ŽŽ‡‡•–”ƒ–‡Œ‹•‹‡–‡‰”‡‡†‹Žiş ve bu yöntem, SoC tahmin

doğruluğunu önemli ölçüde artırmaktadır, bu da şarj ve deşarj

koşullarında gerçek değerlere daha yakın tahminler

sağlamaktadır.

ƒŽ†ƒÓƒ ˜‡ ƒ”Ǥ ȏͶͳȐ çalışmasında, ‡Ž‡–”‹Ž‹ ƒ”ƒ­

teknolojisinin yaygın kullanımının önündeki engellerden biri

olan batarya bozulmasının doğru bir şekilde ele alınması

gerektiği vurgulanmaktadır. Ticari bir elektrikli araç

bataryasının döngü yaşlanması üzerine kurulan bir

11/129

matematiksel model geliştirilmiş ve sıcaklık ile ‡Ž‡–”‹ akımının hızıgibi faktörlerin batarya bozulmasında belirleyici olduğu bulunmuştur. .alışma, farklı sürüş koşullarının batarya bozulmasına etkisini analiz eden bir model uygulaması da sunmaktadır.

Bu çalışmada incelenen model tabanlı yöntemler genel olarak bakıldığında, ortak bir algoritma ya da modeli kullanmaktan ziyade çalışmalar özgün bir matematiksel model kullandığı gözlemlenmektedir (ƒ„Ž‘ͳȌǤ ƒ„Ž‘ͳ. İncelenen çalışmaların model tabanlı yönteme göre sınıflandırılması

ڐ–‡ ƒ–‡ƒ–‹•‡Ž‘†‡Ž Parçacık Filtresi ƒŽƒ ‹Ž–”‡•‹ ‡‰”‡•›‘‘†‡Ž‹ ƒ›‡•‘†‡Ž‹ ò…”‡ ƒ”‘†‡Ž‹ Olasılık Fonksiyon Teorisi .‘YŽ­‡Ž‹–”‘’‹ Doğrusal Tahmin Hata Modeli

2.5 Veriye dayalı yöntemler

Veriye dayalı yöntemlere bakıldığında ise, LiǦ‹‘ „ƒ–ƒ”›ƒ Šò…”‡Ž‡”‹‹‘˜‡–ƒŠ‹‡†‡„‹Ž‡ ‡œ˜ƒ‹˜‡ƒ”Ǥ ȏͶʹȐ çalışmasında, Uyarlanabilir Sinir Ağı (Adaptive Neural ‡–™‘”• Ǧ †Ȍ ˜‡ ‹‡‡” ƒŠ‹ ƒ–ƒ ڐ–‡‹ ȋ‹‡ƒ” ”‡†‹…–‹‘ ””‘” ‡–Š‘†• Ǧ ǦȌ ‘Žƒ òœ‡”‡ ‹‹ ‘†‡Ž ‹Ž‡ PHM geliştirmişlerdir. Çalışmada AdNN tekniği kullanılarak girdilerin ağırlıklarla çarpılması ve ardından matematiksel bir ˆ‘•‹›‘Žƒ Š‡•ƒ’Žƒƒ”ƒ ›ƒ’ƒ› Ú”‘— ƒ–‹˜ƒ•›‘— –‡•‹Ž edilmiştir. Yazarlar yapay sinir ağlarını, yapay nöronları birleştirerek girdiler ve çıktılar arasındaki ilişkileri bulmak için kullanmışlardır.

‘‰˜‡ƒ”Ǥȏ͹Ȑçalışmasında, Dinamik Bayes Ağı (Dynamic ƒ›‡•‹ƒ‡–™‘”ǦDBN) kullanılarak şarj işleminden çıkarılan özelliklere dayalı olarak bataryanın bozulma modellemesi ve sağlık tahmini için olasılıksal bir yöntem sunmaktadır. Bazı CC veya CV şarj bilgilerinin olmaması durumunda bataryanın bozulma dinamiklerini karakterize etmek için CC şarjının artımlı kapasite analizi ile CV şarjının zaman sabitini birleştiren toplu bir özellik geliştirilmiştir. Benzer şekilde Hu ve ark. ȏͺȐ çalışmasında, elektrikli araçlarda batarya SoH göstergesi ve ’”‘‰‘œ— ‹­‹ •‡›”‡ „ƒ›‡• –ƒŠ‹‹ ‘†‡ŽŽ‡‡ ȋ’ƒ”•‡ ƒ›‡•‹ƒ ”‡†‹…–‹˜‡ ‘†‡Ž‹‰ Ǧ Ȍ ‡–‘†‘Ž‘Œ‹•‹ kullanmışlardır. Yaklaşım, otomatik olarak seçilen az sayıda temel işlevi kullanarak doğru ˜‡ ‡•‡ –ƒŠ‹Ž‡” ›ƒ’ƒ doğrusal olmayan bir model çıkarmıştır.

Elektrikli araçlarda kullanılan bir LityumǦ ‡”Ǧ ‘•ˆƒ–ȋ Ȍ bataryasında RUL ve eskime hızını tahmin etmek için Hemdani ˜‡ƒ”Ǥ ȏͶ͵Ȑ çalışmasında, LevenbergǦƒ”“—ƒ”†–ǦGeri Yayılma Sinir Ağı (Propagation Neural Network Ǧ ǦBPNN) adlı bir AdNN algoritması kullanılmıştır. BPNN algoritması yaygın olarak kullanılan çok katmanlı sinir ağı öğrenme algoritması ve denetimli öğrenme yöntemidir. BPNN algoritmasının, nöronlar arasındaki gradyanın hesaplanması ile hata düzeltme yaparak tahmini çıktı ile istenen çıktı arasındaki farkı azalttığı ifade ‡†‹Ž‡–‡†‹”Ǥ ‡ ˜‡ ƒ”Ǥ ȏͶͶȐ çalışmasında, model ’ƒ”ƒ‡–”‡Ž‡”‹‹ ‡†‹ ‡†‹‡ ƒ›ƒ”Žƒƒ ˜‡ ‘ –ƒŠ‹‹ sağlamak için Kalman filtrelemeye dayalı bir yöntem önerilmişlerdir. Önerilen yöntemin performansı, iki dinamik deşarj profili ile çevrilen LiFeP04 bataryalarından toplanan ˜‡”‹Ž‡” kullanılarak gösterilmiştir. Yayan ve ark. ȏͶȐ

12/129

çalışmasında, batarya şarj işlemi sırasında toplanan veriler kullanılarak SoH (DurumǦ‘ˆǦ‡ƒŽ–ŠȌ –ƒŠ‹ ‡†‹Ž‡–‡†‹”Ǥ Çalışmada, hızlı şarj işlemi sırasında toplanan veriler kullanılarak bataryanın SoH'si tahmin edilmiş ve bunun için önerilen derin sinir ağı yapısı olarak LSTMǦ‹ (Bidirectional LSTM) kullanılmıştır. LSTM, Recurrent Neural Network (RNN)'ye benzer ancak geçmiş verileri daha etkili bir şekilde kullanabilen ve uzun süreli bağlantıları koruyabilen bir sinir ağıdır. — ڜ‡ŽŽ‹Ž‡”‹ •ƒ›‡•‹†‡ǡ œƒƒ •‡”‹Ž‡”‹†‡‹ ƒ›„‘Žƒ ‰”ƒ†›ƒ ’”‘„Ž‡‹ †‡ ­ÚœòŽ‡„‹Ž‹”Ǥ ǡ œƒƒ dilimleri arasındaki bağımsızlığı sağlayarak tahmin ve sınıflandırma işlemleri için ideal bir araçtır. Şekil ͷ̵–‡ǡ–‡•–˜‡”‹ setindeki her dizi için tahmin edilen ve gerçek SoH değerleri ve tahmin hatası gösterilmektedir. Çalışmasın RMSE değerleri ise eğitim verisetinde 2.9022, doğrulama verisetinde 5.4212 ve test veri setinde ise 5.501 olarak hesaplanmıştır. Yazarların önerdikleri yığınlı BiLSTM modeli ileri ve geri verilerin birleştirilmesini içeren bir eğitim sürecine sahiptir. Model, pillerin SoH'sini diğer tekrarlayan ağlardan veya tek yönlü LSTM modellerinden daha güvenilir bir şekilde tahmin etmede başarılıdır.

–א ˜‡ ƒ”Ǥ ȏͶͷȐ çalışmasında, bir lityum demir fosfat ȋ‹ ‡ͶȌ „ƒ–ƒ”›ƒ Šò…”‡•‹‹ ‘̵•‹‹ –ƒŠ‹ ‡–‡ ‹­‹ otomatik öğrenme aracı olarak destek vektör makinesi ȋ—’’‘”– ‡…–‘” ƒ…Š‹‡ Ǧ SVM) kullanmışlardır. SVM, sınıflandırma ve regresyon problemleri için kullanılan „‹”†‹œ‹ ilgili denetimli öğrenme yöntemidir. SVM öncelikle sınıflandırma problemlerini çözmek için tasarlanmıştır, ancak daha sonra Support Vector Regression (SVR) adı verilen bir yöntemle regresyon problemlerini çözmek için genişletilmiştir ȏͶ͸ȐǤ

Şekil ͷǤ‹—ŽŽƒƒ”ƒƒ›ƒ˜‡ƒ”ǤȏͶȐ‘–ƒŠ‹‹ Farklı döngü sayıları altında batarya terminali voltaj eğrilerinin analizi ile LiǦ‹‘„ƒ–ƒ”›ƒ–ƒŠ‹‹‹­‹—˜‡ƒ”Ǥ ȏʹ͸Ȑçalışmasında ileri beslemeli sinir ağı (Feed Forward Neural ‡–™‘”ǦFFNN) kullanmışlardır. FFNN, istatistiksel modelde yaygın olarak kullanılan bir makine öğrenme yöntemidir ve doğrusal olmayan simülasyon yeteneği nedeniyle tercih edilir. Çalışmada, 3 katmanlı (giriş, gizli ve çıkış) bir FFNN önerilmiştir ve ağ parametreleri eğitim sürecinden

belirlendiğinde batarya çevrim ömrünün tahmin etmek için kullanılmıştır.

Šƒ‰ ȏͶ͹Ȑ ise çalışmasında, bir LiǦ‹‘ „ƒ–ƒ”›ƒ ’ƒ‡–‹ kullanarak, bataryanın şarj veya deşarj sürecindeki yerel voltaj değişimini ve kapasite değişimini SoH indeksleri olarak kullanarak, SoH'yi tahmin etmek için bir yöntem sunmuştur. ڐ–‡ǡ„‹”’ƒ”–‹òŽˆ‹Ž–”‡•‹‡ȋƒ”–‹…Ž‡ ‹Ž–‡”–PF) dayalı RUL tahmini gerçekleştirir. PF olasılık dağılımı bilinmeyen ve ölçümlerden gelen gürültülü verilere dayalı olarak bir sistemin durumunu tahmin etmek için kullanılan bir filtreleme algoritmasıdır. PF, LiǦ‹‘ „ƒ–ƒ”›ƒ ڏ”ò –ƒŠ‹ninde yaygın olarak kullanılmaktadır. Song ve ark. ȏͶͺȐ çalışmasında,‹Ǧ‹‘ bataryalar için doğruluk düzeltmeli XGBoost algoritmasına dayalı SoH tahmin yöntemi önermişlerdir. XGBoost modeli, eğri uydurma (overǦfitting) sorununu etkili bir şekilde ڐŽ‡›‡„‹Ž‡ ‹Ǧ‹‘ „ƒ–ƒ”›ƒ†ƒ ‘ –ƒŠ‹ ‡–‡ ‹­‹ kullanılmıştır. Yazarlar ayrıca XGBoost modelinin, random ˆ‘”‡•–ǡ Ǧ‡ƒ”‡•– ‡‹‰Š„‘” ȋȌǡ ǡ Ž‹‡‡” ”‡‰”‡•›‘ yöntemleri ile karşılaştırmış ve tahmin doğruluğunu Markov zinciri ile düzeltmişlerdir.

—˜‡ƒ”Ǥȏ͸Ȑçalışmasında, yeni bir özellik seçme yöntemi önermektedir. Yöntem, gerçek elektrikli araç verilerine dayalı ‘Žƒ”ƒǡ ȋ‹ˆˆ‹…—Ž–› ‘ˆ ‡ƒ–—”‡ …“—‹•‹–‹‘Ȍ ‘Žƒ”ƒ adlandırılan bir özellik edinme zorluğu kullanılarak ve parçacık •ò”ò•ò ‘’–‹‹œƒ•›‘— ȋƒ”–‹…Ž‡ ™ƒ” ’–‹‹œƒ–‹‘ Ǧ Ȍ algoritması kullanılarak optimize edilmektedir. Sırt (ridge) regresyonu kullanılarak seçilen özelliklerle SoH arasındaki ilişki modellemekte ve doğru özelliklerin belirlenmesine yardımcı olmaktadır. Doğru seçilmiş özellikler v‡Ž‹‡‡”‘†‡Ž birleştirilerek güvenilir bir SoH tahmini yapılabilmektedir. Gerçek bir elektrikli araçtaki üçlü batarya üzerinde çalışan ‘‰ ˜‡ ƒ”Ǥ ȏͶͻȐ, Çin Elektrikli Araçlar için Ulusal İzleme ve Yönetim Platformundan geçmiş çalışma verilerini türeten gerçek senaryo tabanlı bir termal kaçak tahmini sunmaktadır. Çalışma, batarya arızalarının teşhisi için değiştirilmiş çok ڎ­‡Ž‹ ‡–”‘’‹ ȋ‘†‹ˆ‹‡† —Ž–‹•…ƒŽ‡ –”‘’› – Ȍ yönteminin kullanmıştır. MMSE, örnek entropisine dayalı olarak hesaplanır ve genellikle teşhis işlemlerinde kullanılmaktadır. Örnek entropisi, zaman serisinin karmaşıklığını ölçebilmektedir. Ayrıca, gerçek araç kazası òœ‡”‹†‡ „ƒ–ƒ”›ƒ durumlarının değerlendirilmesi ve batarya termal kaçaklarına karşı koruma sağlanması için çok düzeyli anormal katsayılar belirlemeyi de ele almaktadır.

Elektrikli araç kullanımı için küresel batarya performanslarının gerçek zamanlı tahmini için Barr´ ve ark. ȏͷͲȐ çalışmasında, performans düzeyine göre batarya sinyallerinin davranışındaki değişikliklere dayalı bir model oluşturulmuşlardır. Sunulan yöntem, gerçek zamanlı batarya performanslarının tahminini mümkün kılmak için batarya sinyallerinin davranışındaki değişikliklere dayalı bir model oluşturmaktadır. Bu model, gerçek kullanımlarda belirli hızlanma profillerine karşılık gelen batarya sinyallerinin seçilmesinden oluşmuştur. Daha sonra, her bir SoH özelliği için batarya davranışını belirlemek üzere bu voltaj ve akım modelleri kullanılmıştır. İncelenen örüntüler, sinyal işleme teknikleri kullanılarak karşılaştırmış ve batarya performansının tahmin edilmesi için istatistiksel öğrenme yöntemleri uygulanmıştır.

‘”‰‡ ˜‡ ƒ”Ǥ ȏͷͳȐ çalışmasında ise, yaşlanma verilerine uygulanan makine öğrenimi regresyon yöntemlerini kullanarak ‹Ǧion bataryaların RUL tahmini yapmışlardır. Yapay sinir ağları ile yaşlanma verilerinin temsilinin nasıl oluşturulacağı araştırılmış ve tahmin performansları elde edilmiştir. Çalışma, düşük hesaplamalı yaklaşımları kullanarak veri kümesinde ilk çalışma olduğu belirtilmiştir.

Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi Autonomous Battery Management System in Electric Vehicles Literature Review

‘ƒ ˜‡ ƒ”Ǥ ȏͷʹȐ çalışmasında, batarya kapasitesinin tahmin edilmesi için yeni makine öğrenimi algoritmaları ve belirsizlik ölçülmesi için metrikler tanımlamışlardır. Çalışma batarya sağlığı ve belirsizlik yönetimi akışı (Battery Health and …‡”–ƒ‹–› ƒƒ‰‡‡– ‹’‡Ž‹‡ Ǧ BHUMP) adlı yeni bir makine öğrenimi algoritması önermektedir. Bu algoritma, batarya SoH'sinin ve belirsizliğinin gerçek zamanlı tahminini yapabilen bir veri işleme yöntemi kullanmaktadır. BHUMP, çeşitli batarya tasarımları ve kimyaları üzerinde test edilmiş ve herhangi bir hücre kimyasına ve çalışma koşuluna —›ƒ”Žƒƒ„‹Ž‡ǡ ڎ­‡Ž‡‡„‹Ž‹” „‹” ‘ –ƒŠ‹‹ ‘Žƒ”ƒ sunulmuştur. Geliştirilen algoritma, bataryaların içsel bozulmasını yakalayabilen bir dizi mühendislik özelliği kullanarak ve batarya performansını iyileştirdiği, hücre ömrünü uzattığı gözlemlenmiştir.

ƒ‹˜‡ƒ”Ǥȏͷ͵Ȑçalışmasında, batarya SoC tahmin edilmesi için regresyon modelleri kullanarak voltaj aralığının seçimini, bataryanın CCǦCV şarjı ve sağlık faktörünü kullanarak gerçekleştirmişlerdir. Sağlık parametresinin çıkarılması ve regresyon modeli yardımıyla SoH ile sağlık parametresi arasında doğrusal bir ilişki açıklanmıştır. Şekil ͸ǡ‘–ƒŠ‹‹ için geliştirdikleri akış şemasını göstermektedir ȏͷ͵ȐǤŠƒ‰˜‡ ƒ”Ǥ ‹•‡ ȏͷͶȐ çalışmasında, batarya hücresi SoH'sini tahmin etmek için çarpışma deformasyon özellikleri kullanarak bir yöntem önermektedir. Yeni batarya hücreleri çarpışma etkilerinin araştırılması için test edilmiş ve deforme olmuş Šò…”‡Ž‡”‹ Šƒ•ƒ” ƒ”ƒ–‡”‹œƒ•›‘— ‰‡rçekleştirilerek sınıflandırılmıştır. Deformasyona uğramış batarya hücrelerinin sınıflandırılması için, 3D tarama yöntemiyle bozulma verileri elde edilmiş ve ardından bu 3D görüntü örneklerinden geometrik özellikler türetilerek örüntü tanıma yapay sinir ağı tabanlı bir yöntem kullanılmıştır.

Şekil ͸ǤSoH tahmini için akış şeması Deneysel veriler kullanılarak Liu ve ark. ȏͷͷȐçalışmasında, ‹Ǧion bataryaların ömür özellikleri analiz etmişlerdir. Bataryaların ömrü, döngü sayısıyla değişir ve batarya kapasitesi, deşarj verimliliği, enerji verimliliği, iç direnç ve batarya ömrü ile diğer parametrelerdeki değişiklikler incelemiştir. Çalışmada, SoH'yi tahmin etmek için voltaj eğrisi uydurma yöntemi kullanılmıştır. ƒ‰ ˜‡ ƒ”Ǥ ȏͷ͸Ȑ çalışmasında, Peukert Yasası'na dayalı dinamik bir batarya SoH tahmin yöntemi önermişlerdir. Önerilen yöntem, kapasite kaybını Peukert katsayısı ile

13/129

ilişkilendirilmiş ve bozulma tutarsızlığını ortadan kaldırmıştır. Çoklu deşarj testi ile Peukert katsayısı hesaplanarake batarya sağlığı tahmin edilmiştir.

–”‘‡˜‡…ŠƒŽ–œ ȏͷ͹Ȑçalışmasında, artımlı kapasite analizi ȋ

…”‡‡–ƒŽ ƒ’ƒ…‹–› ƒŽ›•‹• Ǧ ICA) tekniğinin LMO/NMC ȋ‹ʹͶȀ‹‹‘ʹ) tabanlı E‹Ǧion bataryaların kapasite azalmasını ve SoH'sini tahmin etmek için kullanmışlardır. ICA tekniği kullanılarak elde edilen artımlı kapasite değerlerinden birine karşılık gelen voltaj değerleri, bataryanın kapasite kaybı ile ilişkilendirilmiştir. Chowdhur› ˜‡ ƒ”Ǥ ȏͷͺȐ çalışmasında, seri olarak bağlanan LiǦ‹‘ „ƒ–ƒ”›ƒ Šò…”‡Ž‡”‹‹ ‘̵•‹‹ dengelemek için DC/DC dönüştürücüler aracılığıyla bağlanan batarya hücreleri için basitleştirilmiş bir SoH dengeleme topolojisi önermişlerdir. Yöntem, tek tek hücrelerin kontrolünü „‹rleştirerek, sistemdeki en düşük SoH batarya hücresiyle birleştirerek, genel batarya ünitesinin SoH'sini arttırdığı ve bataryanın değiştirme maliyetlerini azalttığı gözlemlenmiştir. ƒ‰ ˜‡ ƒ”Ǥ ȏͷͻȐ çalışmasında, (hibrit) elektrikli araçlar için kurşun asitli batarya SoC tahmini sorununu ele almaktadır. Bu sorun, sürücü ve otomatik enerji yönetimi için doğru bir şekilde kalan batarya kapasitesini tahmin etmekle ilgilidir. Çalışma, sorunun tanımını, m‡˜…—–­Úœò›Ú–‡Ž‡”‹‹ǡ›‡‹„‹”­Úœò yöntemi önerisini ve bu yöntemin performansının deneysel ƒƒŽ‹œ‹‹‹­‡”‡–‡†‹”Ǥ

Š‘— ˜‡ ƒ”Ǥ ȏ͸ͲȐ çalışmasında, BMS ve bulut büyük veri platformunun birleşiminin mimarisini önermektedir. Ortalama voltaj düşüşü (Mean Voltage Falloff – Ȍ ڎ­òŽ‡”‹ kullanılarak bir kapasite ve MVF regresyon modeli kurulmuştur. Kapasite ve MVF, bulut büyük veri platform—ƒ yüklenmiş ve MVF'nin ortalaması ve varyansı tahmin edilmiştir, böylece LiǦion batarya sağlık durumuna ilişkin aralık tahmini ve kalan faydalı ömrün belirlenmesi için olasılık yoğunluk fonksiyonu tahmini gerçekleştirilmiştir. Çalışma NASA batarya yaşlaƒ˜‡”‹•‡–‹ȏ͸ͳȐile test edilmiştir.

— ˜‡ ƒ”Ǥ ȏ͸ʹȐ çalışmasında, LiǦion bataryaların çok tipli arıza teşhisinde kullanılabilecek bir araçǦbulut işbirlikçi yöntemini tanıtmaktadır. İlk olarak, normal ve arızalı batarya modüllerinin şarjǦdeşarj koşulları simüle edilerek batarya •‹•–‡‹‹ •‹òŽƒ•›‘ ‘†‡Ž‹ ‘luşturulmuştur. Hücre farkı modeli kullanılarak araç tarafındaki özellik farklılıkları çıkartılmış ve karar ağacı sınıflandırıcısı eğitilerek gerçek zamanlı takip için muhakeme eşikleri belirlenmiştir. Batarya sistemleri için farklı arızaların simülasyon †‡‡›Ž‡”‹ •‘—…—†ƒǡ „ƒ–ƒ”›ƒ •‹•–‡Ž‡”‹ •‹òŽƒ•›‘ ‘†‡Ž‹ ȋƒ––‡”› ›•–‡‹—Žƒ–‹‘ ‘†‡Ž Ǧ BSSM) oluşturulmuştur. Bu model hem normal batarya modüllerinin hem de arızalı batarya modüllerinin şarjǦdeşarj durumlarını simüle etmek için kullanılmaktadır.

ƒ‰˜‡ƒ”Ǥȏ͸͵Ȑ çalışmasında, derin öğrenme yöntemleri kullanılarak batarya bozulma özellikleri elde edilmiş ve bataryanın kalan kullanım ömrü tahmini üzerinde deneysel sonuçlar gösterilmiştir. NASA ȏ͸ͳȐ ˜‡ šˆ‘”† ȏ͸ͶȐ „ƒ–ƒ”›ƒ bozulma veri kümeleri kullanılarak doğrulanan bir yöntem, sunulan modelin, RMSE'nin %1'den az olduğu durumlarda SoH tahmin doğruluğu ve genelliği sağladığını göstermektedir.

— ˜‡ ƒ”Ǥ ȏ͸ͷȐ çalışmasında, BMS çevrimiçi verilere dayanan çoklu bireysel algoritmaları önermektedir. Çalışma, ortak kapasite tahmini için indüklenmiş sıralı ağırlıklı ortalama ȋ

†—…‡† ”†‡”‡† ‡‹‰Š–‡† ˜‡”ƒ‰‡ Ǧ

Ȍ ‘’‡”ƒ–Ú”òò tanıtmaktadır. Ayrıca, genetik algoritmƒ ȋ

‡‡–‹… Ž‰‘”‹–Š Ǧ GA) tarafından optimize edilen sinir ağının çalışması, BMS'den tarihsel durum mesajı ile güçlü sağlamlık ve doğru tahmin için büyük veri platformuna yüklenmiştir. Çalışma NASA batarya yaşlanma veri seti ȏ͸ͳȐ ile test edilmiştir. Ayrıca Chehade ve —••‡‹ ȏ͸͸Ȑ çalışmasında, LiǦ‹‘ „ƒ–ƒ”›ƒ Šò…”‡Ž‡”‹‹

14/129

kapasitesini tahmin etmek için bir yöntem önermişlerdir. Yöntem, bir Gauss Süreç Regresyon modelini kullanmaktadır. Önerilen yöntem, yüksek tahmin doğruluğu ve sağlamlığın yanı sıra, farklı batarya hücreleri arasındaki kapasite eğilimlerini ilişkilendirme yeteneğine sahiptir. Farklı batarya hücrelerinin çoklu kapasite eğilimlerini işbirlikçi bir şekilde modellemek için İşbirlikçi Gauss süreci regresyonu (Collaborative Gaussian ’”‘…‡•• ”‡‰”‡••‹‘ Ǧ

Ȍ ‘Žƒ”ƒ ƒ†Žƒndırılan, kovaryans işlevine sahip çok çıkışlı bir Gauss süreci önerilmiştir. Çalışma NASA batarya yaşlanma veri seti ȏ͸ͳȐile test edilmiştir.

ƒ‰ ˜‡ ƒ”Ǥ ȏ͸͹Ȑ çalışmasında, gelecekteki batarya yönetim sistemleri için bulut işbirliği ve dijital ikiz teknolojisi önermişlerdir. Batarya yönetimi için bulut tarafı iş birliğinin dört katmanlı ağ bağlantılı mimarisi sunulmuştur. Bataryanın dijital ikiz modeli oluşturulmuş ve batarya tüm yaşam döngüleri boyunca hassas ve güvenli bir şekilde yönetilmesi sağlanmıştır. Eksik veri problemlerini çözmek için, bir tahmin modeli tasarlanmıştır. Model, eksikliği sorununun üstesinden gelmek için işbirlikçi özellik çıkarıcı kullanılmış ve karmaşıklık sorunları için artırılmış gizli katmana sahip bir sinir ağı kullanılmıştır. Berghout ve ark. ȏ͸ͺȐ çalışmasında, NASA „ƒ–ƒ”›ƒ ˜‡”‹ •‡–‹‹ ȏ͸ͳȐ kullanarak, doğrusal regresyon ‘†‡ŽŽ‡”‹ǡ †‡•–‡ ˜‡–Ú” ƒ‹‡•‹ǡ

ƒ—•• •ò”‡­ ”‡‰”‡•›‘—ǡ aşırı öğrenme makinesi ve yapay sinir ağları yöntemleri incelemişlerdir. Çalışmada, batarya ömrü döngülerinin bozulma modelleri ve etiketlerinin eksikliği problemler‹‡ odaklanılmıştır.

Ayrıca BMS ve prognostik alanında yapılan gözden geçirme çalışmaları da mevcuttur. ‡œ˜ƒ‹œƒ‹ƒ‹˜‡ƒ”Ǥ ȏͳͶȐǡƒ”‹„ƒ ˜‡ ƒ”Ǥ ȏʹͲȐ çalışmalarında, batarya PHM tekniklerinin ‹…‡Ž‡‡•‹‹ •—ƒ”ƒǡ „ƒ–ƒ”›ƒ ò”‡–‹…‹Ž‡”‹ǡ ‘–‘‘„‹Ž tasarımcıları ve elektrikli araç sürücüleri için bu alandaki temel ihtiyaçlara odaklanmaktadır. Literatürün analitik bir incelemesini yapan çalışmalarda, BMS fırsat ve zorluklarına giriş yapılmaktadır. Ayrıca, batarya sağlığı yönetimi konusunda geleceğe yönelik araştırma gündemi sunulmakta ve bu inceleme çalışmalarında ortaya konulan sorunlarla birlikte daha fazla araştırma yapmanın önemine dikkat çekilmektedir. MS’inde akım, voltaj ve sıcaklık gibi doğrudan bataryadan ölçülebilen değişkenler, SoC'nin doğru bir tahminini sağlamak için kullanılabilir. Şekil ͹, bazı örneklerle SoC teknikleri sınıflandırmasının özetini göstermektedir ȏ͸ͻȐǡȏ͹ͲȐǤ

Şekil ͹ǤÚ‡Ž‹‘–ƒŠ‹›Ú–‡Ž‡”‹

ƒ”ƒŠ ˜‡ ƒ”Ǥ ȏʹͺȐ çalışmasında, kapsamlı literatür

çalışmaları yürüterek bataryaların SoH tahmini için modellerin

ve yöntemlerin ilerlemesi, zorlukları, endişeleri ve fütüristik

yönleri hakkında bilgi sunmaktadır. SoH tahmini için yöntemler

˜‡ ‘†‡ŽŽ‡”ǡ ƒ˜ƒ–ƒŒ ˜‡ †‡œƒ˜ƒ–ajları ile sistematik olarak

Tablo 2’de özetlenmiştir. Ayrıca, Roscher ve Sauer ȏʹͳȐ‹Ǧ‹‘

„ƒ–ƒ”›ƒ ›Ú‡–‹ •‹•–‡Ž‡”‹‹ „‹” ‹…‡Ž‡‡•‹‹ ›ƒ’ƒ”ƒǡ „‹”

‹­‹†‡‹ ƒƒ ڎ­ò ’ƒ”ƒ‡–”‡Ž‡”‹ǡ †—”— –ƒŠ‹

yöntemleri, hücre eşitleme sorunları, termal yönetim

stratejileri ve araştırma eğilimleri ve ilerlemeleri dahil olmak

òœ‡”‡–‡‡Ž—•—”Žƒrı ve zorlukları önerilerle tartışmaktadır.

ƒ„Ž‘ ʹǤ ‹Ǧion pilin sağlık durumu tahmini için çeşitli

›Ú–‡Ž‡”‹‹…‡ŽƒƒŽ‹œ‹

ò”

‡”­‡ ƒŠ‹‹ ƒŠ‹‹

Šƒ–ƒ

†‡‡›•‡Ž yaklaşık yaklaşık

‘—Ž‘„

‘†‡Ž ͸͵Ǥͺͷ ͸ͻǤ͹ͺ δͳͲ

Sayımı

Ž‡–”‘‹›ƒ• ‘†‡Ž ͺͷ

ͺ͸Ǥʹ͹ δʹǤͳ

ƒŽ’‡†ƒ• Tabanlı

’‡–”‘•‘’‹•‹

Sinir Ağı

‡”‹›‡ ͺʹ

ͺʹǤ͵

δͲǤͷ

‡•–‡‡–Ú” ‡”‹›‡ ͸ͲǤ͵ͷ ͷͻǤͳͻ δʹ

ƒ‹‡•‹

ƒŽƒ ‹Ž–”‡•‹ ‘†‡Ž ͺͶǤ͵͸ ͺ͸Ǥͷ͹ ≤5

ƒ›ƒ‘†

‘†‡Ž ͻͲǤͳ͵ ͻͲǤʹ͸ δʹǤͷ

ڜŽ‡…‹•‹

Bulanık Mantık ‡”‹›‡ ͺͺ

ͻͳǤ͸ʹ ͳǤͶ–ͻǤʹ

ƒ „ƒ–ƒ”›ƒ ‘ –ƒŠ‹ ›Ú–‡Ž‡”‹‹ „‹” ‹…‡Ž‡‡•‹‹

›ƒ’ƒ ‘—”ƒ ˜‡ ƒ”Ǥ ȏ͹ͳȐ çalışmasında, ana avantajlarını ve

gerçek zamanlı otomotiv uyumluluğu ve özellikle hibrit elektrik

uygulamaları açısından sınırlamalarına işaret etmektedir.

Çalışmada gerçek zamanlı fizibilitesini ve doğruluğunu

göstermek için model tabanlı uyarlamalı fil–”‡Ž‡‡ —ŽŽƒƒ

çevrimiçi ve yerleşik bir SoH tahmin yönteminin deneysel

doğrulaması yapılmaktadır.

Bataryaların sağlık durumu ve şarj durumunu tahmin

etmek, günümüzde batarya verilerinin daha fazla kullanılabilir

hale gelmesi ve bilgi işlem gücü yeteneklerinin geliştirilmesi

sayesinde, veriye dayalı yaklaşımların, özellikle makine

öğrenimi yöntemlerinin ’‘’òŽ‡” ŠƒŽ‡ ‰‡Ž‡•‹‡ ‡†‡

olmuştur. Xiong ve ark. ȏ͹ʹȐ çalışmasında, bu iki yaklaşımı

karşılaştırmak amacıyla; ileri beslemeli sinir ağları, tekrarlayan

sinir ağları, destek vektör ƒ‹‡Ž‡”‹ǡ”ƒ†›ƒŽ–‡‡Žˆ‘•‹›‘Žƒ”

ve Hamming ağları gibi makine öğrenimi yöntemlerine

†ƒ›ƒƒ „ƒ–ƒ”›ƒ †—”—— –ƒŠ‹ ›Ú–‡Ž‡”‹‹ „‹”

incelemesini sunmuşlardır. İnceleme, yöntemler arasındaki

karşılaştırmaları yaparak, bataryaların şarj durumu ve sağlı

†—”—— –ƒŠ‹‹ için makine öğrenimi yaklaşımlarını

açıklamıştır. Bu karşılaştırmalar, veri kalitesi, girdiler ve

çıktılar, test koşulları, batarya türleri ve belirtilen doğruluk

açısından yapılmıştır.

Bataryaların şarj durumunu tahmin etmek için kullanılan

tahmin yöntemleri ve algoritmaları ayrı ayrı ele alan bir başka

‹…‡Ž‡‡ ‹‘‰ ˜‡ ƒ”Ǥ ȏ͹͵Ȑǡ Šò…”‡ ƒ’ƒ•‹–‡•‹ǡ †‹”‡­ ˜‡

voltajdaki tutarsızlıkların mevcut olduğu batarya takımları için

gelişmiş karakterize edici seçimi ve sapma düzeltme

yöntemlerini tarif etmektedir. İnceleme, batarya şarj

durumunun doğru tahmini için temel geri bildirim faktörŽ‡”‹‹

†‡ •—ƒ” ˜‡ „ƒ–ƒ”›ƒ ›Ú‡–‹ •‹•–‡Ž‡”‹ ˜‡ ‡‡”Œ‹ ›Ú‡–‹‹ stratejileri için uygun bir yöntemin seçilmesine yardımcı olmaktadır. Son olarak, inceleme, elektrikli araçlar ve batarya enerji depolama sistemleri için akıllı batarya yönetim •‹•–‡Ž‡”‹‹geliştirilmesi için olası öneriler sunarak, bir dizi temel faktör ve zorluğu da vurgulamaktadır.

‹Ǧion bataryaların güvenli ve güvenilir çalışması, BMS tarafından sağlanabilmektedir. Bu sistem, batarya SoC'sini değerlendirebilen ve aşırı şarj/aşırı deşarjdan koruyan stratejiler uygulayarak bataryanın kalan kullanılabilir ‡‡”Œ‹•‹‹ „‡Ž‹”Ž‡›‡„‹Ž‡–‡†‹”Ǥ ‘̵‹ ­‘ ڐ‡Ž‹ „‹” parametre olduğu için, mevcut LiǦion bataryaların SoC'lerinin şarj/deşarj kabiliyetleri, E̵Žarın güvenli ve verimli çalışmasına katkı sağlamaktadır. Bu nedenle, BMS'nin geliştirilmesi ve yeni ‡•‹Ž uygulamalarında SoC tahmini için olası önerilerle birlikte birçok faktörü ve zorluğu vurgulayan inceleme Hannan ˜‡ƒ”ǤȏͳͲȐǡ‰‡Ž‡…‡–‡‹›ò•‡–‡‘Ž‘Œ‹uygulamaları için gelişmiş SoC tahmin yöntemlerinin ve LiǦion bataryaların enerji yönetim sistemlerinin geliştirilmesine çalışmaları göstermiştir.

ƒ‘ ˜‡ ƒ”Ǥ ȏ͹ͶȐ çalışmasında SoH'nin bozulma mekanizması ve ana tanımları, literatürler özetlenerek açıklamışlardır. Çalışmada SoH tahmini ve tahmin yöntemleri, model tabanlı yöntemler, veriye dayalı yöntemler ve füzyon teknolojisi yöntemleri tartışılmıştır. Mevcut ana akım SoH tahmin ve tahmin yöntemlerinin avantajları ve dezavantajları özetlenmiştir. Yazarlar, bulut platformu ve diğer teknolojilerle birleştirilen yenilikçi özellik çıkarma ve çoklu algoritma bağlantısının, sağlık durumu tahmini ve LiǦ‹‘ „ƒ–ƒ”›ƒ ’‡”ˆ‘”ƒnsının geliştirilmesinde önemli bir rol oynadığını „‡Ž‹”–‡–‡†‹”Ǥ

„†‡ŽƒƒŽ ˜‡ ƒ”Ǥ ȏ͹ͷȐ çalışmasında, EA çekiş sistemi için Bulanık Mantık kullanarak, batarya enerji yönetimi tekniği sunmaktadır. Önerilen teknik, endirekt alan odaklı indüksiyon ‘–‘”— –ƒŠ”‹ •‹•–‡‹‹ †òœ‡Ž‡‡›‹ ƒƒ­Žƒƒ–ƒ ˜‡ Ž‹Ǧ‹‘ batarya bankasının şarj durumu azalmasını ve sağlık durumu bozulmasını en aza indirmektedir. Ayrıca sürüş profilleri veya yol bilgisi gerektirmeden çalışır ve batarya ömrünü uzatmaya yardımcı olur. Gerçek zamanlı bir prototip EV çekiş sistemi üzerinde yapılan deneyler, önerilen tekniklerin gelen‡•‡Ž yöntemlere kıyasla batarya SOC'unda daha az azalma ve SOH bozulması sağladığını göstermektedir.

‘‰˜‡ƒ”Ǥȏ͹͸Ȑçalışmasında, EA bataryaları için gerçek zamanlı bir arıza teşhis ve izolasyon şeması sunar. Yüksek frekanslı Ayrık dalgacık ayrışımı (Discrete wavelet decomposition) kullanılarak erken arıza sinyallerinin özellikleri çıkarılır ve termal kaçış öncesinde bƒ–ƒ”›ƒ arızalarını doğru bir şekilde tespit edip izole eder. Önerilen yöntemin güvenilirliği ve stabilitesi gerçek araç işletme verileri üzerinde doğrulanmıştır. Bu, sürücüleri ve yolcuları gerçek dünya araç işletmesinde korur.

‹ ˜‡ ƒ”Ǥ ȏ͹͹Ȑ çalışmasında, elektrikli araç bataryalarının güvenliği için önemli olan bir batarya arıza teşhis yöntemi sunmaktadır. Bu yöntem, LSTM ve eşdeğer devre modelinin (Equivalent Circuit Model) birleşimini kullanarak, batarya arızalarını doğru bir şekilde tespit etmekte ve termal kaçış gibi ciddi olayları önceden tahmin etmektedir. Çin'deki bir araç izleme merkezinden elde edilen gerçek işletme verileri, yöntemin etkinliğini doğrulamaktadır.

Bu çalışma karşılaşılan veriye dayalı yöntemlerde ise en sık gözlemlenen algoritma Destek Vektör Makineleri olmuştur ȋƒ„Ž‘͵ȌǤ

15/129

ƒ„Ž‘ ͵. İncelenen çalışmaların veriye dayalı yönteme göre

‡•–‡‡–Ú”ƒ‹‡•‹

İleri Beslemeli Yapay Sinir Ağı

Uyarlamalı Yapay Sinir Ağı

ƒ•‰‡Ž‡”ƒ

‡‰”‡•›‘‘†‡Ž‹ Radyal Tabanlı Fonksiyon Ağı

‡‡–‹Ž‰‘”‹–ƒŽƒ”

Ȁ.‡˜‹”‹…‹

Anahtarlı Kapasite Peukerts Kuralı

‘‘•–

Artırımlıƒ’ƒ•‹–‡ƒŽ‹œ‹ ”‘™ƒ”‡‡–‹

ǦEn yakın Komşular

Tekrarlamalı Yapay Sinir Ağı

Tablo 4 ve Tablo 5, incelenen çalışmaların yıllara ve

†‡”‰‹Ž‡”‡ ‰Ú”‡ dağılımlarını göstermektedir. 2001 ile 2023

arasında incelenen çalışmalara odaklandığımızda, IEEE komitesindeki dergi ve konferanslarda yayınlanan çalışmaların batarya alanındaki araştırmalar için oldukça popüler olduğunu

gözlemliyoruz. Yıllara göre yapıla„‹”‹…‡Ž‡‡ǡ•‘†Ú‡†‡

yapılan çalışmaların (44 adet) eski çalışmalara göre (35 adet)

daha yüksek bir yoğunlukta olduğunu ortaya koymaktadır.

ƒ„Ž‘ Ͷ. İncelenen çalışmaların yayınlanan yıllara ‰Ú”‡

Yayın Yılı

Daha Eski

ƒ„Ž‘ ͷ. İncelenen çalışmaların yayınlanan †‡”‰‹Ž‡”‡ ‰Ú”‡ sınıflandırılması

Dergi Adı

IEEE Dergi ve Konferansları

Journal of Power Sources

Energies

Renewable and Sustainable Energy 3

Reviews

World Electric Vehicle Journal

Applied Energy

Electronics

Journal of Energy Storage

DİĞER

16/129

2.6 Literatürde Kullanılan Veri Setleri

Batarya özellikleri ve performansı üzerine yapılan çalışmalarda kullanılan veri setleri literatürde sıkça karşılaşılmaktadır. Şekil ͺ’†‡‰‡‡Ž„‹”„ƒ–ƒ”›ƒ–‡•–•‹•–‡‹„Ž‘ diyagramı ‰Ú”òŽ‡–‡†‹” ȏ͹ͺȐ. Bu çalışmada incelenen literatürde en yayın olarak kullanılan NASA batarya veri setidir ȏ͸ͳȐ. Bu veri setinin için kullanılan test tezgâhı özellikleri:

• ‹›ƒ•ƒ†ƒ„—Ž—ƒ‹Ǧion 18650 boyutlu şarj edilebilir ’‹ŽŽ‡”ǡ ȋͳͺǦ͸ͷǦͲǡ ͳͺ  ­ƒ’ǡ ͸ͷ  —œ—Ž— ˜‡ Ͳ •‹Ž‹†‹”‹’‹ŽȌ

• Programlanabilir 4 kanallı DC elektronik yük, • Programlanabilir 4 kanallı DC güç kaynağı, • Voltmetre, ampermetre ve termokupl sensör takımı, • Özel ÇBS ekipmanları, • Çeşitli çalışma koşulları empoze etmek için çevre odası, • PXI kasa tabanlı DAQ ve deney kontrolü

Şekil ͺ. Batarya test sistemi blok diyagramı Bu çalışmalarda kullanılan „ƒ–ƒ”›ƒ ˜‡”‹ •‡–Ž‡”‹ ƒ„Ž‘ ͸’†ƒ özetlenmiştir. Veri setleri, bataryaların farklı özellikleri ve performanslarına göre farklılık göstermektedir. Bazı veri setleri, bataryaların ömrü ve yaşlanması hakkında bilgi sağlamak amacıyla tasarlanmışken, bazıları bataryaların kapasitesi ve enerji yoğunluğu gibi performans özellikleri hakkında bilgi vermektedir. — ˜‡”‹ •‡–Ž‡”‹ǡ „ƒ–ƒ”›ƒ ›Ú‡–‹ sistemleri ve batarya prognostik uygulamaları gibi batarya teknolojisi ile ilgili birçok alanda kullanılmaktadır. İnternette açık kullanıma sunulan aşağıdaki veri setleri bataryaların özellikleri ve performansı hakkında daha kapsamlı bir anlayış sağlamak için araştırmalarda yaygın olarak kullanılmaktadır. Aşağıdaki tabloda "gr", "grafit, "Cal", takvim yaşlanmasını, "Chrg" şarj protokolü ve "Dhrg" deşarjını, "E", "enerji" anlamına gelmektedir. “IR” iç direnci ve empedansı belirtir.

Autonomous Battery Management System in Electric Vehicles Literature Review Metin Yılmaz, Eyüp Çinar, Ahmet Yazıcı

ƒ„Ž‘͸. Literatürde yaygın olarak kullanılan veri setleri

‡”‹•‡–‹

ƒ–ƒ”›ƒŠò…”‡•‹

ȏ͸ͳȐǡȏ͹ͻȐ

ͳͺ͸ͷͲʹŠ

ͳͺ͸ͷͲʹǤʹŠ ’”‹•ƒ–‹…ͳǤͳŠ ’”‹•ƒ–‹…ͳǤ͵ͷŠ

’‘—…ŠͳǤͷŠ

ͳͺ͸ͷͲͳǤͳŠ Ȁ‰”

ƒ†‹ƒȏͺʹȐ

ͳͺ͸ͷͲ—Ž–‹’Ž‡•

Test değişkenleri Veri içeriği Hücre sayısı

ǡ ͵Ͷ

ǡ ʹͺ

Š”‰ǡŠ”‰

ǡ ͳͷ

ǡ ͳʹ

ͳ͸

ǡ ͳʹͶ

ʹ͵͵

Š”‰ǡǡ

ͺ͸

šˆ‘”†ȏ͸ͶȐ

ͳͺ͸ͷͲ͵ŠȀ‰”

Š”‰ǡƒŽ

ʹͺ

ȏͺ͵Ȑ

ͳͺ͸ͷͲʹǤͺŠǦȀ‰” –

ͳͷ

‡”‡Ž‡›ȏͺͶȐ

ͳͺ͸ͷͲʹǤ͸ŠȀ‰”

ͳ

Xi’an Jiaotong ȏͺͷȐ

’‘—…Šʹ͹ŠȀ‰”

–

ʹ

ͳͷŠ —–‘‘–‹˜‡‹Ǧ‹‘‡ŽŽ•ƒ‰‡ȏͺ͸Ȑ

‡ȏͺ͹Ȑ ›…Ž‡‹ˆ‡”‡†‹…–‹‘ȏͺͺȐ

Ǧ ͳǤͳŠ

–ƒˆ‘”†ȏͺͻȐ

ͶǤͺͷŠǦȀ‰”

Š”‰ǡŠ”‰ǡ Š”‰ǡŠ”‰ǡ Š”‰ Š”‰

ͳ͵ͷ Ǧ

ƒ•–ǦŠƒ”‰‹‰ȏͻͲȐ

›–Š‡–‹…ȏͻͳȐ

ƒƒ•‘‹…ȏͻʹȐ

ͳǤͳŠ Ȁ‰” ͳǤͳŠ Ȁ‰” ͳͺ͸ͷͲʹǤͻŠ Ȁ‰”

3 Sonuçlar ve Öneriler

Bu çalışma, elektrikli araçlarda akıllı bir batarya yönetim sistemi için doğru prognostik ve sağlık yönetimi konusunda literatür incelemesi yapmıştır. Bu inceleme, elektrikli araçlarda akıllı batarya yönetim sistemlerinin önemini vurgulamakta ve bu alanda çalışma yapmayı düşünenaraştırmacılar ve endüstri uzmanları için sağlam bir başlangıç noktası sağlamayı amaçlamaktadır.

Mevcut çalışmalar, doğru batarya SoC ve batarya SoH tahminlerinin, batarya ömrünün uzatılması ve güvenliğin sağlanması açısından kritik olduğunu göstermektedir. Elektrikli ƒ”ƒ­ –‡‘Ž‘Œ‹•‹†‡‹ ‹Ž‡”Ž‡‡Ž‡”Ž‡ „‹”Ž‹–‡ǡ „ƒ–ƒ”›ƒ ›Ú‡–‹ sistemlerinin doğruluğu ve güvenilirliği, araç performansı ve sürüş güvenliği açısından giderek daha büyük önem kazanmaktadır. Bu nedenle, gelecekteki araştırmaların bu alanda daha fazla odaklanması ve batarya yönetim sistemlerinin daha da iyileştirilmesi gerekmektedir. Bu bağŽƒ†ƒǡ „— çalışmanın sağladığı literatür özeti ve vurguladığı kritik noktalar, ileriki araştırmalar için önemli bir kılavuz niteliği taşımaktadır.

Š”‰ Š”‰ Š”‰

ǡ Ͷͺ

ǡ Ǧ

Ancak, bu alanda hala bazı açık problemler bulunmaktadır. Gelecekteki araştırmalar, elektrikli araçların batarya yönetim sistemlerini daha da geliştirmek için aşağıdaki konulara ‘†ƒŽƒƒ„‹Ž‹”ǣ

ƒ–ƒ”›ƒ ‘†‡ŽŽ‡”‹ ˜‡ ”‘‰‘•–‹ ڐ–‡Ž‡”‹ǣ ƒ–ƒ”›ƒ davranışını daha doğru bir şekilde modelleyen ve tahmin eden yeni batarya modelleri ve prognostik yöntemlerin geliştirilmesi önemlidir. Bu, bataryanın gerçek zamanlı performansının daha ‹›‹‹œŽ‡‡•‹‹˜‡tahmin edilmesini sağlayacaktır.

Veri Analitiği ve Büyük Veri: Elektrikli araçlar, büyük miktarda veri üreten bir ortam oluşturur. Bu verilerin etkili bir şekilde analiz edilmesi ve kullanılması, batarya sağlık durumunun daha iyi anlaşılmasına ve gelecekteki arıza veya sorunların öncedentahmin edilmesine yardımcı olacaktır.

Optimum Şarj ve Boşaltma Stratejileri: Batarya ömrünü uzatmak için optimize edilmiş şarj ve boşaltma stratejilerinin geliştirilmesi önemlidir. Bu stratejiler, bataryanın performansını artırmak ve enerji verimliliğini optimize etmek ‹­‹bataryanın çalışma koşullarını en uygun şekilde belirlemeyi Š‡†‡ˆŽ‡‡Ž‹†‹”Ǥ

17/129

EM O Bilimsel Dergi 2024 Cilt:14 Sayı: 2

‡‹ ƒŽœ‡‡Ž‡” ˜‡ ‡‘Ž‘Œ‹Ž‡”ǣ ƒ–ƒ”›ƒ –‡‘Ž‘Œ‹Ž‡”‹ sürekli olarak gelişmektedir. Gelecekteki araştırmalar, bataryaların enerji yoğunluğunu artıran ve maliyetleri düşüren yeni malzemelerin ve teknolojilerin keşfine odaklanabilir.

—ڐ‡”‹Ž‡”ǡ‡Ž‡–”‹Ž‹ƒ”ƒ­Žƒ”‹­‹†ƒŠƒ‰ò˜‡Ž‹ǡ†ƒŠƒ˜‡”‹Ž‹ ve daha dayanıklı batarya yönetim sistemlerinin geliştirilmesine katkıda bulunacaktır.

Etik kurul onayı ve çıkar çatışması beyanı

Hazırlanan makalede etik kurul izni alınmasına gerek yoktur. Hazırlanan makalede herhangi bir kişi/kurum ile çıkar çatışması bulunmamaktadır.

Yazar Katkıları literatür incelemesi, bilimsel yayının hazırlanması, çalışma konsepti ve tasarım, taslağın oluşturulması, revizyon, çalışma konsepti ve tasarım, taslağın oluşturulması, revizyon konularında katkı sağlamıştır.

Teşekkür

Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu’nun (TUBİTAK) 22AG040 nolu “Sürdürülebilir Kentler için İleri Teknolojiler Platformu (SÜİT)” projesi tarafından desteklenmiştir.

ƒœƒ”Žƒ”†ƒ Metin Yılmaz 100/2000 Y ‘–‘”ƒ „—”•— öğrencisidir.

Kaynaklar ȏͳȐ J. Deng, C. Bae, A. Denlinger, ve T. Miller, “Electric Vehicles Batteries: Requirements and Challenges”, Jouleǡ …Ǥ Ͷǡ •› ͵ǡ ••Ǥ ͷͳͳǦͷͳͷǡ ƒ”Ǥ ʹͲʹͲǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ‘—Ž‡ǤʹͲʹͲǤͲͳǤͲͳ͵Ǥ ȏʹȐ Ǥƒ”‘‰‹—ǡ Ǥ

ǤǤ—鄃—ǡǤƒƒ‰ǡǤ

ƒ”‡†‹ƒǡ ve D. U. Sauer, “Comprehensive study of the influence of ƒ‰‹‰ ‘ –Š‡ Š›•–‡”‡•‹• „‡Šƒ˜‹‘” ‘ˆ ƒ Ž‹–Š‹— ‹”‘ ’Š‘•’Šƒ–‡ …ƒ–Š‘†‡Ǧ„ƒ•‡† Ž‹–Š‹— ‹‘ „ƒ––‡”› –  ‡š’‡”‹‡–ƒŽ ‹˜‡•–‹‰ƒ–‹‘ ‘ˆ –Š‡ Š›•–‡”‡sis”, Applied Energyǡ …Ǥ ͳ͹ͳǡ ••Ǥ ͸ʹͻǦ͸Ͷͷǡ ƒœǤ ʹͲͳ͸ǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤƒ’‡‡”‰›ǤʹͲͳ͸ǤͲʹǤͲͺ͸Ǥ ȏ͵Ȑ Ǥ Ǥ ‘“—‡ǡ Ǥ Ǥ ƒƒǡ ˜‡ Ǥ ‘Šƒ‡†ǡ Model Development of Charge Equalization Controller for Lithium-Ion BatteryǤʹͲͳ͸Ǥ ȏͶȐ U. Yayan, A. T. Arslan, ve H. Yucel, “A Novel Method for ‘”‡†‹…–‹‘‘ˆƒ––‡”‹‡•ƒ•‡†‘–ƒ…‡†™‹–Š Quick Charge Data”, Applied Artificial Intelligenceǡ…Ǥ͵ͷǡ •› ͸ǡ ••Ǥ ͶʹͳǦͶ͵ͻǡ ƒ›Ǥ ʹͲʹͳǡ †‘‹ǣ ͳͲǤͳͲͺͲȀͲͺͺ͵ͻͷͳͶǤʹͲʹͳǤͳͻͲͳͲ͵͵Ǥ ȏͷȐ B. Yu, H. Qiu, L. Weng, K. Huo, S. Liu, ve H. Liu, “A Health

†‹…ƒ–‘” ˆ‘” –Š‡ Ž‹‡ ‹ˆ‡–‹‡ •–‹ƒ–‹‘ ‘ˆ ƒ Ž‡…–”‹… ‡Š‹…Ž‡ ‘™‡” ‹ǦIon Battery”, World Electric Vehicle Journalǡ …Ǥ ͳͳǡ •› ͵ǡ ”–Ǥ •› ͵ǡ ›ŽǤ ʹͲʹͲǡ †‘‹ǣ ͳͲǤ͵͵ͻͲȀ™‡˜ŒͳͳͲ͵ͲͲͷͻǤ ȏ͸Ȑ J. Wu, X. Cui, H. Zhang, ve M. Lin, “Health Prognosis With ’–‹‹œ‡† ‡ƒ–—”‡ ‡Ž‡…–‹‘ ˆ‘” ‹–Š‹—Ǧ

‘ ƒ––‡”› ‹ Electric Vehicle Applications”, IEEE Transactions on Power Electronicsǡ …Ǥ ͵͸ǡ •› ͳͳǡ ••Ǥ ͳʹ͸Ͷ͸Ǧͳʹ͸ͷͷǡ ƒ•Ǥ ʹͲʹͳǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹͳǤ͵Ͳ͹ͷͷͷͺǤ ȏ͹Ȑ G. Dong, W. Han, ve Y. Wang, “Dynamic Bayesian ‡–™‘”Ǧƒ•‡† ‹–Š‹—Ǧ

‘ ƒ––‡”› ‡ƒŽ–Š ”‘‰‘•‹• for Electric Vehicles”, IEEE Transactions on Industrial

18/129

Electronicsǡ…Ǥ͸ͺǡ•›ͳͳǡ••ǤͳͲͻͶͻǦͳͲͻͷͺǡƒ•ǤʹͲʹͳǡ†‘‹ǣ ͳͲǤͳͳͲͻȀ

ǤʹͲʹͲǤ͵Ͳ͵ͶͺͷͷǤ ȏͺȐ X. Hu, J. Jiang, D. Cao, ve B. Egardt, “Battery Health ”‘‰‘•‹• ˆ‘” Ž‡…–”‹… ‡Š‹…Ž‡• •‹‰ ƒ’Ž‡ –”‘’› and Sparse Bayesian Predictive Modeling”, IEEE Transactions on Industrial Electronicsǡ …Ǥ ͸͵ǡ •› Ͷǡ ••Ǥ ʹ͸ͶͷǦʹ͸ͷ͸ǡ‹•ǤʹͲͳ͸ǡ†‘‹ǣͳͲǤͳͳͲͻȀ

ǤʹͲͳͷǤʹͶ͸ͳͷʹ͵Ǥ ȏͻȐ G. Dong, Z. Chen, J. Wei, ve Q. Ling, “Battery Health ”‘‰‘•‹••‹‰”‘™‹ƒ‘–‹‘‘†‡Ž‹‰ƒ†ƒ”–‹…Ž‡ Filtering”, IEEE Transactions on Industrial Electronicsǡ…Ǥ ͸ͷǡ •› ͳͳǡ ••Ǥ ͺ͸Ͷ͸Ǧͺ͸ͷͷǡ ƒ•Ǥ ʹͲͳͺǡ †‘‹ǣ ͳͲǤͳͳͲͻȀ

ǤʹͲͳͺǤʹͺͳ͵ͻ͸ͶǤ ȏͳͲȐ ǤǤƒƒǡǤǤǤ‹’—ǡǤ—••ƒ‹ǡ˜‡Ǥ‘Šƒ‡†ǡ “A review of lithiumǦ‹‘ „ƒ––‡”› •–ƒ–‡ ‘ˆ …Šƒ”‰‡ ‡•–‹ƒ–‹‘ ƒ† ƒƒ‰‡‡– •›•–‡ ‹ ‡Ž‡…–”‹… ˜‡Š‹…Ž‡ applications: Challenges and recommendations”, Renewable and Sustainable Energy Reviewsǡ…Ǥ͹ͺǡ••Ǥͺ͵ͶǦ ͺͷͶǡ‹ǤʹͲͳ͹ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ”•‡”ǤʹͲͳ͹ǤͲͷǤͲͲͳǤ ȏͳͳȐ S. M. Rezvanizaniani, Z. Liu, Y. Chen, ve J. Lee, “Review ƒ† ”‡…‡– ƒ†˜ƒ…‡• ‹ „ƒ––‡”› Š‡ƒŽ–Š ‘‹–‘”‹‰ ƒ† ’”‘‰‘•–‹…•–‡…Š‘Ž‘‰‹‡•ˆ‘”‡Ž‡…–”‹…˜‡Š‹…Ž‡ȋȌ•ƒˆ‡–› and mobility”, Journal of Power Sourcesǡ…Ǥʹͷ͸ǡ••ǤͳͳͲǦ ͳʹͶǡƒœǤʹͲͳͶǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͳͶǤͲͳǤͲͺͷǤ ȏͳʹȐ Ǥ‡œŽvd., “Life prediction of batteries for selecting the technically most suitable and cost effective battery”, Journal of Power Sourcesǡ…ǤͳͶͶǡ•›ʹǡ••Ǥ͵͹͵Ǧ͵ͺͶǡƒœǤ ʹͲͲͷǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͲͶǤͳͳǤͲͶͷǤ ȏͳ͵Ȑ Ǥ ”‡–ƒǦDeu ve T. Donaire, “Determination of an ageing factor for lead/acid batteries. 1. Kinetic aspects”, Journal of Power Sourcesǡ …Ǥ ͷͺǡ •› ʹǡ ••Ǥ ͳʹ͵Ǧ133, Şub. ͳͻͻ͸ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀͲ͵͹ͺǦ͹͹ͷ͵ȋͻ͸ȌͲʹ͵͹ͳǦ͵Ǥ ȏͳͶȐ K. Qian, C. Zhou, M. Allan, ve Y. Yuan, “Modeling of Load ‡ƒ† —‡ –‘ ƒ––‡”› Šƒ”‰‹‰ ‹ ‹•–”‹„—–‹‘ Systems”, IEEE Transactions on Power Systemsǡ…Ǥʹ͸ǡ•› ʹǡ ••Ǥ ͺͲʹǦͺͳͲǡ ƒ›Ǥ ʹͲͳͳǡ †‘‹ǣ ͳͲǤͳͳͲͻȀǤʹͲͳͲǤʹͲͷ͹Ͷͷ͸Ǥ ȏͳͷȐ M. Urbain, S. Rael, B. Davat, ve P. Desprez, “State •–‹ƒ–‹‘ ‘ˆ ƒ ‹–Š‹—Ǧ

‘ ƒ––‡”› Š”‘—‰Š ƒŽƒ Filter”, içinde 2007 IEEE Power Electronics Specialists Conferenceǡ ƒœǤ ʹͲͲ͹ǡ ••Ǥ ʹͺͲͶǦʹͺͳͲǤ †‘‹ǣ ͳͲǤͳͳͲͻȀǤʹͲͲ͹ǤͶ͵ͶʹͶ͸͵Ǥ ȏͳ͸Ȑ R. C. Kroeze ve P. T. Krein, “Electrical battery model for use in dynamic electric vehicle simulations”, içinde 2008 IEEE Power Electronics Specialists ConferenceǡƒœǤʹͲͲͺǡ ••Ǥͳ͵͵͸Ǧͳ͵ͶʹǤ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲͲͺǤͶͷͻʹͳͳͻǤ ȏͳ͹Ȑ Z. B. Omariba, L. Zhang, ve D. Sun, “Review on Health ƒƒ‰‡‡–›•–‡ˆ‘”‹–Š‹—Ǧ

‘ƒ––‡”‹‡•‘ˆŽ‡…–”‹… Vehicles”, Electronicsǡ…Ǥ͹ǡ•›ͷǡ”–Ǥ•›ͷǡƒ›ǤʹͲͳͺǡ†‘‹ǣ ͳͲǤ͵͵ͻͲȀ‡Ž‡…–”‘‹…•͹ͲͷͲͲ͹ʹǤ ȏͳͺȐ Ǥ

—‘ǡ Ǥ ƒ‹ǡ Ǥ Š‡ǡ

Ǥ ƒ‰ǡ ˜‡

Ǥ Šƒ‰ǡ “Computational prediction and experimental evaluation of nitrate reduction to ammonia on rhodium”, Journal of Catalysisǡ …Ǥ ͶͲʹǡ ••Ǥ ͳǦͻǡ ‹Ǥ ʹͲʹͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ…ƒ–ǤʹͲʹͳǤͲͺǤͲͳ͸Ǥ ȏͳͻȐ ǤǤ†™ƒ”‹ǡǤ‡•‹”‹†‹•ǡǤƒŒ‘‘ǡǤƒ”–‹‡œǦ‘–ƒ•ǡ˜‡ V. Esfahanian, “A review of Battery Electric Vehicle technology and readiness levels”, Renewable and

Sustainable Energy Reviewsǡ…Ǥ͹ͺǡ••ǤͶͳͶǦͶ͵Ͳǡ‹ǤʹͲͳ͹ǡ †‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ”•‡”ǤʹͲͳ͹ǤͲ͵Ǥͳ͵ͺǤ ȏʹͲȐ K. Javed, R. Gouriveau, ve N. Zerhouni, “State of the art ƒ† –ƒš‘‘› ‘ˆ ’”‘‰‘•–‹…• ƒ’’”‘ƒ…Š‡•ǡ –”‡†• ‘ˆ ’”‘‰‘•–‹…• ƒ’’Ž‹…ƒ–‹‘• ƒ† ‘’‡ ‹••—‡• –‘™ƒ”†• maturity at different technology readiness levels”, Mechanical Systems and Signal Processingǡ…ǤͻͶǡ••ǤʹͳͶǦ ʹ͵͸ǡ›ŽǤʹͲͳ͹ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ›••’ǤʹͲͳ͹ǤͲͳǤͲͷͲǤ

Autonomous Battery Management System in Electric Vehicles Literature Review Metin Yılmaz, Eyüp Çinar, Ahmet Yazıcı

ȏʹͳȐ Z. Li, “LithiumǦ

‘ ƒ––‡”› ƒƒ‰‡‡– ›•–‡ ˆ‘” Electric Vehicles”, International Journal of Performability Engineeringǡ …Ǥ ͳͶǡ ”ƒǤ ʹͲͳͺǡ †‘‹ǣ ͳͲǤʹ͵ͻͶͲȀ‹Œ’‡ǤͳͺǤͳʹǤ’ʹͺǤ͵ͳͺͶ͵ͳͻͶǤ ȏʹʹȐ Ǥ ƒŠ‹‹Ǧ‹…Š‹ǡ Ǥ ŒŠƒǡ Ǥ ƒ”‘–‹ǡ ˜‡ ǤǦǤ Š‘™ǡ “Battery Management System: An Overview of Its Application in the Smart Grid and Electric Vehicles”, EEE Ind. Electron. Mag.ǡ …Ǥ ͹ǡ •› ʹǡ ••Ǥ ͶǦͳ͸ǡ ƒœǤ ʹͲͳ͵ǡ †‘‹ǣ ͳͲǤͳͳͲͻȀ

ǤʹͲͳ͵ǤʹʹͷͲ͵ͷͳǤ ȏʹ͵Ȑ D. Tingting, L. Jun, Z. Fuquan, Y. Yi, ve J. Qiqian, “Analysis ‘–Š‡‹ˆŽ—‡…‡‘ˆ‡ƒ•—”‡‡–‡””‘”‘•–ƒ–‡‘ˆ…Šƒ”‰‡ estimation of LiFePO4 power Battery”, içinde 2011 International Conference on Materials for Renewable

Energy & Environmentǡ ƒ›Ǥ ʹͲͳͳǡ ••Ǥ ͸ͶͶǦ͸ͶͻǤ †‘‹ǣ ͳͲǤͳͳͲͻȀ

ǤʹͲͳͳǤͷͻ͵Ͳͺͻ͵Ǥ ȏʹͶȐ Y. Xing, E. W. M. Ma, K. L. Tsui, ve M. Pecht, “Battery Management Systems in Electric and Hybrid Vehicles”, Energiesǡ …Ǥ Ͷǡ •› ͳͳǡ ”–Ǥ •› ͳͳǡ ƒ•Ǥ ʹͲͳͳǡ †‘‹ǣ ͳͲǤ͵͵ͻͲȀ‡ͶͳͳͳͺͶͲǤ ȏʹͷȐ

Ǥ Ǥ ‹˜‡”ƒǦƒ””‡”ƒǡ Ǥ —Ó‘œǦ

ƒŽ‡ƒ‘ǡ ˜‡ Ǥ Ǥ ƒ”‹‡–‘ǦMaldonado, “SoC Estimation for LithiumǦ‹‘ Batteries: Review and Future Challenges”, Electronicsǡ…Ǥ ͸ǡ •› Ͷǡ ”–Ǥ •› Ͷǡ ”ƒǤ ʹͲͳ͹ǡ †‘‹ǣ ͳͲǤ͵͵ͻͲȀ‡Ž‡…–”‘‹…•͸ͲͶͲͳͲʹǤ ȏʹ͸Ȑ J. Wu, C. Zhang, ve Z. Chen, “An online method for lithiumǦ ‹‘ „ƒ––‡”› ”‡ƒ‹‹‰ —•‡ˆ—Ž Ž‹ˆ‡ ‡•–‹ƒ–‹‘ —•‹‰ importance sampling and neural networks”, Applied Energyǡ …Ǥ ͳ͹͵ǡ ••Ǥ ͳ͵ͶǦͳͶͲǡ ‡Ǥ ʹͲͳ͸ǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤƒ’‡‡”‰›ǤʹͲͳ͸ǤͲͶǤͲͷ͹Ǥ ȏʹ͹Ȑ Ǥ ƒƒ†ƒ••ǡ Ǥ ƒ”ƒǡ Ǥ Š‹–‡ǡ ˜‡ Ǥ Ǥ ‘’‘˜ǡ “Mathematical modeling of the capacity fade of LiǦ‹‘ cells”, Journal of Power Sourcesǡ…Ǥͳʹ͵ǡ•›ʹǡ••Ǥʹ͵ͲǦʹͶͲǡ ›ŽǤʹͲͲ͵ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀͲ͵͹ͺǦ͹͹ͷ͵ȋͲ͵ȌͲͲͷ͵ͳǦ͹Ǥ ȏʹͺȐ ǤǤƒ”ƒŠvd., “A Review of State of Health Estimation ‘ˆ ‡”‰› –‘”ƒ‰‡ ›•–‡•ǣ ŠƒŽŽ‡‰‡• ƒ† ‘••‹„Ž‡ ‘Ž—–‹‘• ˆ‘” —–—”‹•–‹… ’’Ž‹…ƒ–‹‘• ‘ˆ ‹Ǧ

‘ ƒ––‡”› Packs in Electric Vehicles”, Journal of Electrochemical Energy Conversion and Storageǡ…Ǥͳ͸ǡ•›Ͷǡƒ”ǤʹͲͳͻǡ†‘‹ǣ ͳͲǤͳͳͳͷȀͳǤͶͲͶʹͻͺ͹Ǥ ȏʹͻȐ M. A. Roscher ve D. U. Sauer, “Dynamic electric behavior ƒ† ‘’‡Ǧ…‹”…—‹–Ǧ˜‘Ž–ƒ‰‡ ‘†‡Ž‹‰ ‘ˆ ‹ ‡ͶǦ„ƒ•‡† lithium ion secondary batteries”, Journal of Power Sourcesǡ …Ǥ ͳͻ͸ǡ •› ͳǡ ••Ǥ ͵͵ͳǦ͵͵͸ǡ …ƒǤ ʹͲͳͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͳͲǤͲ͸ǤͲͻͺǤ ȏ͵ͲȐ Ǥ ƒ•œƒǡ Ǥ ƒ‡”ǡ Ǥ Š‹ǡ ˜‡ Ǥ Š”‹•–‡•‡ǡ “Modeling stationary lithiumǦ‹‘ „ƒ––‡”‹‡• ˆ‘” optimization and predictive control”, içinde 2017 IEEE Power and Energy Conference at Illinois (PECI), Şub. ʹͲͳ͹ǡ••ǤͳǦ͹Ǥ†‘‹ǣͳͲǤͳͳͲͻȀ

ǤʹͲͳ͹Ǥ͹ͻ͵ͷ͹ͷͷǤ ȏ͵ͳȐ J. Ordoñez, E. J. Gago, ve A. Girard, “Processes and –‡…Š‘Ž‘‰‹‡• ˆ‘” –Š‡ ”‡…›…Ž‹‰ ƒ† ”‡…‘˜‡”› ‘ˆ •’‡– Ž‹–Š‹—Ǧion batteries”, Renewable and Sustainable Energy Reviewsǡ …Ǥ ͸Ͳǡ ••Ǥ ͳͻͷǦʹͲͷǡ ‡Ǥ ʹͲͳ͸ǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤ”•‡”ǤʹͲͳͷǤͳʹǤ͵͸͵Ǥ ȏ͵ʹȐ M. Dubarry, A. Devie, ve B. Y. Liaw, “The Value of Battery Diagnostics and Prognostics”, Journal of Energy and Power Sourcesǡ…Ǥͳǡ••ǤʹͶʹǦʹͶͻǡ›ŽǤʹͲͳͶǤ ȏ͵͵Ȑ Ǥ ƒ‘™†ǡ Ǥ –‘‹‡ǡ Ǥ ƒ”ǡ Ǥ ƒ–ƒ‹”‡ǡ Ǥ ƒ ‡ Bossche, ve J. Van Mierlo, “Battery Management ›•–‡—ƒŽƒ…‹‰ ‘†—Žƒ”‹œƒ–‹‘ ƒ•‡† ‘ ƒ ‹‰Ž‡ ™‹–…Š‡†ƒ’ƒ…‹–‘”ƒ†‹Ǧ‹”‡…–‹‘ƒŽȀ‘˜‡”–‡” with the Auxiliary Battery”, Energiesǡ…Ǥ͹ǡ•›ͷǡ”–Ǥ•›ͷǡ ƒ›ǤʹͲͳͶǡ†‘‹ǣͳͲǤ͵͵ͻͲȀ‡͹Ͳͷʹͺͻ͹Ǥ ȏ͵ͶȐ A. Allam, S. Onori, S. Marelli, ve C. Taborelli, “Battery ‡ƒŽ–Š ƒƒ‰‡‡– ›•–‡ ˆ‘” —–‘‘–‹˜‡

’’Ž‹…ƒ–‹‘•ǣ ”‡–”‘ƒ…–‹˜‹–›Ǧ„ƒ•‡† ƒ‰‹‰ ’”‘’ƒ‰ƒ–‹‘

study”, içinde 2015 American Control Conference (ACC)ǡ

‡Ǥ

ʹͲͳͷǡ

͹Ͳ͵Ǧ͹ͳ͸Ǥ

ͳͲǤͳͳͲͻȀǤʹͲͳͷǤ͹ͳ͹Ͳͺͳ͹Ǥ

ȏ͵ͷȐ G. L. Plett, “Extended Kalman filtering for battery

ƒƒ‰‡‡–•›•–‡•‘ˆ‹Ǧ„ƒ•‡†„ƒ––‡”›’ƒ…•ǣ

Part 1. Background”, Journal of Power Sourcesǡ…Ǥͳ͵Ͷǡ•›

ʹǡ ••Ǥ ʹͷʹǦ261,

Ağu.

2004,

doi:

ͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͲͶǤͲʹǤͲ͵ͳǤ

ȏ͵͸Ȑ Ǥ Š‡ǡ Ǥ Š‡ǡ Ǥ ƒ‹ǡ Ǥ ƒ‘ǡ

‹ǡ ˜‡ Ǥ ƒ’‘‘”ǡ

“Robust Adaptive SlidingǦ‘†‡ „•‡”˜‡” •‹‰

‡—”ƒŽ‡–™‘”ˆ‘”‹–Š‹—Ǧ

‘ƒ––‡”›–ƒ–‡‘ˆŠƒ”‰‡

Estimation in Electric Vehicles”, IEEE Transactions on

Vehicular Technologyǡ …Ǥ ͸ͷǡ •› Ͷǡ ••Ǥ ͳͻ͵͸ǦͳͻͶ͹ǡ ‹•Ǥ

ʹͲͳ͸ǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲͳͷǤʹͶʹ͹͸ͷͻǤ

ȏ͵͹Ȑ ǤǦ

Ǥ‡ǡ

ǤǦǤŠ‡ǡ

ǤǦ ǤŠ‡ǡ˜‡ǤǦF. Ma, “State of health

‡•–‹ƒ–‹‘ ‘ˆ Ž‹–Š‹—Ǧ‹‘ „ƒ––‡”‹‡•ǣ —Ž–‹•…ƒŽ‡

Gaussian process regression modeling approach”, AIChE

Journalǡ …Ǥ ͸ͳǡ •› ͷǡ ••Ǥ ͳͷͺͻǦͳ͸ͲͲǡ ʹͲͳͷǡ †‘‹ǣ

ͳͲǤͳͲͲʹȀƒ‹…ǤͳͶ͹͸ͲǤ

ȏ͵ͺȐ ǤǦǤ—ƒ‰ǡǤǦǤ•‡‰ǡ

ǤǦǤ‹ƒ‰ǡǤǦǤŠƒ‰ǡ˜‡Ǥ

Pecht, “An Online SOC and SOH Estimation Model for

‹–Š‹—ǦIon Batteries”, Energiesǡ…ǤͳͲǡ•›Ͷǡ”–Ǥ•›Ͷǡ‹•Ǥ

ʹͲͳ͹ǡ†‘‹ǣͳͲǤ͵͵ͻͲȀ‡ͳͲͲͶͲͷͳʹǤ

ȏ͵ͻȐ Ǥ

ƒˆƒ”‹ ˜‡ ǤǦC. Byun, “Prediction of the Battery State

•‹‰–Š‡‹‰‹–ƒŽ™‹ ”ƒ‡™‘”ƒ•‡†‘–Š‡ƒ––‡”›

Management System”, IEEE Accessǡ …Ǥ ͳͲǡ ••Ǥ ͳʹͶ͸ͺͷǦ

ͳʹͶ͸ͻ͸ǡʹͲʹʹǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹʹǤ͵ʹʹͷͲͻ͵Ǥ

ȏͶͲȐ L. Wang, X. Zhao, Z. Deng, ve L. Yang, “Application of

‡Ž‡…–”‘…Š‡‹…ƒŽ ‹’‡†ƒ…‡ •’‡…–”‘•…‘’› ‹ „ƒ––‡”›

ƒƒ‰‡‡– •›•–‡ǣ –ƒ–‡ ‘ˆ …Šƒ”‰‡ ‡•–‹ƒ–‹‘ ˆ‘”

aging batteries”, Journal of Energy Storageǡ …Ǥ ͷ͹ǡ •Ǥ

ͳͲ͸ʹ͹ͷǡ…ƒǤʹͲʹ͵ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ‡•–ǤʹͲʹʹǤͳͲ͸ʹ͹ͷǤ

ȏͶͳȐ

Ǥ ƒŽ†ƒÓƒǡ

Ǥ Ǥ ƒ”–Àǡ

Ǥ ƒ‘”ƒǡ Ǥ

Ǥ •‡•‹‘ǡ Ǥ

Oñederra, ve M. González, “Empirical Electrical and

Degradation Model for Electric Vehicle Batteries”, IEEE

Accessǡ …Ǥ ͺǡ ••Ǥ ͳͷͷͷ͹͸Ǧͳͷͷͷͺͻǡ ʹͲʹͲǡ †‘‹ǣ

ͳͲǤͳͳͲͻȀǤʹͲʹͲǤ͵ͲͳͻͶ͹͹Ǥ

ȏͶʹȐ M. Rezvani, M. AbuAli PhD, S. Lee, J. Lee, ve J. Ni PhD, “A

‘’ƒ”ƒ–‹˜‡ƒŽ›•‹•‘ˆ‡…Š‹“—‡•ˆ‘”Ž‡…–”‹…‡Š‹…Ž‡

Battery Prognostics and Health Management (PHM)”,

program adı: Commercial Vehicle Engineering Congress,

›ŽǤ ʹͲͳͳǡ ••Ǥ ʹͲͳͳǦͲͳǦʹʹͶ͹Ǥ †‘‹ǣ ͳͲǤͶʹ͹ͳȀʹͲͳͳǦͲͳǦ

ʹʹͶ͹Ǥ

ȏͶ͵Ȑ

Ǥ ‡†ƒ‹ǡ Ǥ ‘Ž–ƒ‹ǡ Ǥ

Ǥ ‡Ž‘—†‹ǡ ˜‡ Ǥ Šƒƒ”‹ǡ

“Prediction of aging of battery for electric vehicles based

on a modified version of neural networks”, içinde 2021

29th Mediterranean Conference on Control and

Automation (MED)ǡ ƒœǤ ʹͲʹͳǡ ••Ǥ ͵͵͸Ǧ͵ͶͳǤ †‘‹ǣ

ͳͲǤͳͳͲͻȀͷͳͶͶͲǤʹͲʹͳǤͻͶͺͲͳ͸ͳǤ

ȏͶͶȐ W. He, N. Williard, C. Chen, ve M. Pecht, “State of charge

‡•–‹ƒ–‹‘ ˆ‘” ‡Ž‡…–”‹… ˜‡Š‹…Ž‡ „ƒ––‡”‹‡• —†‡” ƒ

adaptive filtering framework”, içinde Proceedings of the

IEEE 2012 Prognostics and System Health Management

Conference (PHM-2012 Beijing)ǡ ƒ›ǤʹͲͳʹǡ ••Ǥ ͳǦͷǤ †‘‹ǣ

ͳͲǤͳͳͲͻȀǤʹͲͳʹǤ͸ʹʹͺͺͶͻǤ

ȏͶͷȐ

ǤǤŽ˜ƒ”‡œ–אǡǤ

ƒ”…Àƒ‹‡–‘ǡ Ǥ

Ǥ†‡‘•

—‡œǡ Ǥ

ž…Š‡œ ƒ•Š‡”ƒ•ǡ Ǥ

‘œžŽ‡œ ‡‰ƒǡ ˜‡ Ǥ Ǥ ‘“—‡ÓÀ

Gutiérrez, “Battery stateǦ‘ˆǦ…Šƒ”‰‡ ‡•–‹ƒ–‘” —•‹‰ –Š‡

SVM technique”, Applied Mathematical Modellingǡ …Ǥ ͵͹ǡ

•› ͻǡ ••Ǥ ͸ʹͶͶǦ͸ʹͷ͵ǡ ƒ›Ǥ ʹͲͳ͵ǡ †‘‹ǣ

ͳͲǤͳͲͳ͸ȀŒǤƒ’ǤʹͲͳ͵ǤͲͳǤͲʹͶǤ

ȏͶ͸Ȑ A. Mammone, M. Turchi, ve N. Cristianini, “Support

vector machines”, içinde WIREs Computational Statisticsǡ

ƒ•ǤʹͲͲͻǡ••Ǥʹͺ͵ǦʹͺͻǤ†‘‹ǣͳͲǤͳͲͲʹȀ™‹…•ǤͶͻǤ

19/129

ȏͶ͹Ȑ S. Zhang, “A new method for lithiumǦion battery’s SOH

estimation and RUL prediction”, içinde 2018 13th IEEE

Conference on Industrial Electronics and Applications

(ICIEA)ǡ ƒ›Ǥ ʹͲͳͺǡ ••Ǥ ʹ͸ͻ͵Ǧʹ͸ͻ͹Ǥ †‘‹ǣ

ǤʹͲͳͺǤͺ͵ͻͺͳ͸͸Ǥ

ȏͶͺȐ S. Song, C. Fei, ve H. Xia, “LithiumǦ

‘ ƒ––‡”›

•–‹ƒ–‹‘ ƒ•‡†‘

‘‘•–Ž‰‘”‹–Š™‹–Š……—”ƒ…›

Correction”, Energiesǡ…Ǥͳ͵ǡ•›Ͷǡ”–Ǥ•›Ͷǡ…ƒǤʹͲʹͲǡ†‘‹ǣ

ͳͲǤ͵͵ͻͲȀ‡ͳ͵ͲͶͲͺͳʹǤ

ȏͶͻȐ

Ǥ ‘‰ vd., “Thermal Runaway Prognosis of Battery

›•–‡• •‹‰ –Š‡ ‘†‹ˆ‹‡† —Ž–‹•…ƒŽ‡ –”‘’› ‹ ‡ƒŽǦ

World Electric Vehicles”, IEEE Transactions on

Transportation Electrificationǡ …Ǥ ͹ǡ •› Ͷǡ ••Ǥ ʹʹ͸ͻǦʹʹ͹ͺǡ

”ƒǤʹͲʹͳǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹͳǤ͵Ͳ͹ͻͳͳͶǤ

ȏͷͲȐ A. Barr´, F. Suard, M. Gérard, ve D. Riu, “A RealǦ–‹‡ƒ–ƒǦ

†”‹˜‡‡–Š‘†ˆ‘”ƒ––‡”›‡ƒŽ–Š”‘‰‘•–‹…•‹Ž‡…–”‹…

Vehicle Use”, PHM Society European Conferenceǡ…Ǥʹǡ•›ͳǡ

”–Ǥ•›ͳǡʹͲͳͶǡ†‘‹ǣͳͲǤ͵͸ͲͲͳȀ’Š‡ǤʹͲͳͶǤ˜ʹ‹ͳǤͳͷͳͶǤ

ȏͷͳȐ I. JORGE, A. SAMET, T. MESBAHI, ve R. BONÉ, “New ANN

”‡•—Ž–•‘ƒƒŒ‘”„‡…Šƒ”ˆ‘”–Š‡’”‡†‹…–‹‘‘ˆ

of Lithium Ion batteries in electric vehicles”, içinde 2020

19th IEEE International Conference on Machine Learning

and Applications (ICMLA)ǡ”ƒǤʹͲʹͲǡ••ǤͳʹͶ͸Ǧͳʹͷ͵Ǥ†‘‹ǣ

ͷͳʹͻͶǤʹͲʹͲǤͲͲͳͻ͸Ǥ

ȏͷʹȐ Ǥ ‘ƒǡ Ǥ ƒš‡ƒǡ Ǥ ‘„—ǡ Ǥ ‡…Š–ǡ ˜‡ Ǥ Ž›ǡ

“Machine learning pipeline for battery stateǦ‘ˆǦŠ‡ƒŽ–Š

estimation”, Nat Mach Intellǡ …Ǥ ͵ǡ •› ͷǡ ”–Ǥ •› ͷǡ ƒ›Ǥ

ʹͲʹͳǡ†‘‹ǣͳͲǤͳͲ͵ͺȀ•Ͷʹʹͷ͸ǦͲʹͳǦͲͲ͵ͳʹǦ͵Ǥ

ȏͷ͵Ȑ P. Jain, S. Saha, ve V. Sankaranarayanan, “Novel method

–‘ •–‹ƒ–‡ ‘ ‘ˆ ‹–Š‹—ǦIon Batteries”, içinde 2021

Innovations in Energy Management and Renewable

Resources(52042), Şub. 2021, ss. 1ǦͷǤ †‘‹ǣ

ͷʹͲͶʹǤʹͲʹͳǤͻ͵ͺ͸ͺͺͳǤ

ȏͷͶȐ J. Zhang, X. Liu, A. Simeone, ve D. Lv, “A deformationǦ

„ƒ•‡† ƒ’’”‘ƒ…Š –‘ –Š‡ ‘ ‡•–‹ƒ–‹‘ ‘ˆ …‘ŽŽ‹†‡†

Ž‹–Š‹—Ǧion batteries”, IOP Conf. Ser.: Earth Environ. Sci.ǡ

…Ǥ Ͷ͸͵ǡ •› ͳǡ •Ǥ ͲͳʹͲ͹ͳǡ ƒ”Ǥ ʹͲʹͲǡ †‘‹ǣ ͳͲǤͳͲͺͺȀͳ͹ͷͷǦ

ͳ͵ͳͷȀͶ͸͵ȀͳȀͲͳʹͲ͹ͳǤ

ȏͷͷȐ X. Liu, J. Li, Z. Yao, Z. Wang, R. Si, ve Y. Diao, “Research on

„ƒ––‡”› ‡•–‹ƒ–‹‘ ƒŽ‰‘”‹–Š ‘ˆ ‡‡”‰› •–‘”ƒ‰‡

frequency modulation system”, Energy Reportsǡ …Ǥͺǡ ••Ǥ

ʹͳ͹Ǧʹʹ͵ǡƒ›ǤʹͲʹʹǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ‡‰›”ǤʹͲʹͳǤͳͳǤͲͳͷǤ

ȏͷ͸Ȑ A. Yang, Y. Wang, K. L. Tsui, ve Y. Zi, “LithiumǦ‹‘ƒ––‡”›

SOH Estimation and Fault Diagnosis with Missing Data”,

‹­‹†‡ 2019 IEEE International Instrumentation and

Measurement Technology Conference (I2MTC)ǡ ƒ›Ǥ

ʹͲͳͻǡ••ǤͳǦ͸Ǥ†‘‹ǣͳͲǤͳͳͲͻȀ

ʹǤʹͲͳͻǤͺͺʹ͸ͺͺͺǤ

ȏͷ͹Ȑ ǤǦI. Stroe ve E. Schaltz, “SOH Estimation of LMO/NMCǦ

„ƒ•‡† Ž‡…–”‹… ‡Š‹…Ž‡ ‹–Š‹—Ǧ

‘ ƒ––‡”‹‡• •‹‰ –Š‡

Incremental Capacity Analysis Technique”, içinde 2018

IEEE Energy Conversion Congress and Exposition (ECCE)ǡ

›ŽǤ

ʹͲͳͺǡ

ʹ͹ʹͲǦʹ͹ʹͷǤ

ͳͲǤͳͳͲͻȀǤʹͲͳͺǤͺͷͷ͹ͻͻͺǤ

ȏͷͺȐ S. Chowdhury, M. N. Bin Shaheed, ve Y. Sozer, “An

–‡‰”ƒ–‡† –ƒ–‡ ‘ˆ ‡ƒŽ–Š ȋȌ ƒŽƒ…‹‰ ‡–Š‘† ˆ‘”

‹–Š‹—ǦIon Battery Cells”, içinde 2019 IEEE Energy

Conversion Congress and Exposition (ECCE)ǡ›ŽǤʹͲͳͻǡ••Ǥ

ͷ͹ͷͻǦͷ͹͸͵Ǥ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲͳͻǤͺͻͳʹͻ͵ʹǤ

ȏͷͻȐ S. Pang, J. Farrell, J. Du, ve M. Barth, “Battery stateǦ‘ˆǦ

charge estimation”, içinde Proceedings of the 2001

American Control Conference. (Cat. No.01CH37148)ǡƒœǤ

ʹͲͲͳǡ

ͳ͸ͶͶǦͳ͸Ͷͻ

…ǤʹǤ

ͳͲǤͳͳͲͻȀǤʹͲͲͳǤͻͶͷͻ͸ͶǤ

ȏ͸ͲȐ Y. Zhou, H. Gu, T. Su, X. Han, L. Lu, ve Y. Zheng, “Remaining

—•‡ˆ—Ž Ž‹ˆ‡ ’”‡†‹…–‹‘ ™‹–Š ’”‘„ƒ„‹Ž‹–› †‹•–”‹„—–‹‘ ˆ‘”

20/129

Ž‹–Š‹—Ǧ‹‘ „ƒ––‡”‹‡• „ƒ•‡† ‘ ‡†‰‡ ƒ† …Ž‘—† collaborative computation”, Journal of Energy Storageǡ…Ǥ ͶͶǡ •Ǥ ͳͲ͵͵Ͷʹǡ ”ƒǤ ʹͲʹͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤ‡•–ǤʹͲʹͳǤͳͲ͵͵ͶʹǤ ȏ͸ͳȐ “LiǦion Battery Aging Datasets | NASA Open Data Portal”. Erişim: 27 Nisan 2023. [Çevrimiçi]. Erişim adresi: Š––’•ǣȀȀ†ƒ–ƒǤƒ•ƒǤ‰‘˜Ȁ†ƒ–ƒ•‡–Ȁ‹Ǧ‹‘Ǧƒ––‡”›Ǧ‰‹‰Ǧ ƒ–ƒ•‡–•Ȁ—Œͷ”ǦœŒ†„ ȏ͸ʹȐ C. Xu, L. Li, Y. Xu, X. Han, ve Y. Zheng, “A vehicleǦ…Ž‘—† …‘ŽŽƒ„‘”ƒ–‹˜‡ ‡–Š‘† ˆ‘” —Ž–‹Ǧ–›’‡ ˆƒ—Ž– †‹ƒ‰‘•‹• ‘ˆ Ž‹–Š‹—Ǧion batteries”, eTransportationǡ…Ǥͳʹǡ•ǤͳͲͲͳ͹ʹǡ ƒ›ǤʹͲʹʹǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ‡–”ƒǤʹͲʹʹǤͳͲͲͳ͹ʹǤ ȏ͸͵Ȑ Ǥ ƒ‰ vd., “LithiumǦ

‘ ƒ––‡”› –ƒ–‡ ‘ˆ ‡ƒŽ–Š •–‹ƒ–‹‘ ™‹–Š —Ž–‹Ǧ ‡ƒ–—”‡ ‘ŽŽƒ„‘”ƒ–‹˜‡ ƒŽ›•‹• and Deep Learning Method”, Batteriesǡ…Ǥͻǡ•›ʹǡ”–Ǥ•›ʹǡ Şub. 2023, doi: 10.3390/batteries9020120. ȏ͸ͶȐ C. Birkl, “Oxford Battery Degradation Dataset 1”, 2017, Erişim: 27 Nisan 2023. [Çevrimiçi]. Erişim adresi: Š––’•ǣȀȀ‘”ƒǤ‘šǤƒ…Ǥ—Ȁ‘„Œ‡…–•Ȁ——‹†ǣͲ͵„ƒͶ„ͲͳǦ…ˆ‡†Ǧ Ͷ͸†͵Ǧͻ„ͳƒǦ͹†Ͷƒ͹„†ˆ͸ˆƒ… ȏ͸ͷȐ Ǥ — vd., “A cloudǦ‡†‰‡ …‘ŽŽƒ„‘”ƒ–‹˜‡ •–”ƒ–‡‰› ˆ‘” …ƒ’ƒ…‹–› ’”‘‰‘•–‹… ‘ˆ Ž‹–Š‹—Ǧ‹‘ „ƒ––‡”‹‡• „ƒ•‡† ‘ dynamic weight allocation and machine learning”, Energyǡ …Ǥ ʹ͵ͻǡ •Ǥ ͳʹʹͳͺͷǡ …ƒǤ ʹͲʹʹǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤ‡‡”‰›ǤʹͲʹͳǤͳʹʹͳͺͷǤ ȏ͸͸Ȑ A. A. Chehade ve A. A. Hussein, “A Collaborative Gaussian ”‘…‡•• ‡‰”‡••‹‘ ‘†‡Ž ˆ‘” ”ƒ•ˆ‡” ‡ƒ”‹‰ ‘ˆ ƒ’ƒ…‹–› ”‡†• ‡–™‡‡ ‹ǦIon Battery Cells”, IEEE Transactions on Vehicular Technologyǡ …Ǥ ͸ͻǡ •› ͻǡ ••Ǥ ͻͷͶʹǦͻͷͷʹǡ›ŽǤʹͲʹͲǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹͲǤ͵ͲͲͲͻ͹ͲǤ ȏ͸͹Ȑ Y. Wang, R. Xu, C. Zhou, X. Kang, ve Z. Chen, “Digital twin ƒ†…Ž‘—†Ǧ•‹†‡Ǧ‡†…‘ŽŽƒ„‘”ƒ–‹‘ˆ‘” ‹–‡ŽŽ‹‰‡–„ƒ––‡”› management system”, Journal of Manufacturing Systemsǡ …Ǥ ͸ʹǡ ••Ǥ ͳʹͶǦͳ͵Ͷǡ …ƒǤ ʹͲʹʹǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ•›ǤʹͲʹͳǤͳͳǤͲͲ͸Ǥ ȏ͸ͺȐ T. Berghout, M. Benbouzid, Y. Amirat, ve G. Yao, “LithiumǦ ‹‘ ƒ––‡”› –ƒ–‡ ‘ˆ ‡ƒŽ–Š ”‡†‹…–‹‘ ™‹–Š ƒ ‘„—•– ‘ŽŽƒ„‘”ƒ–‹˜‡ —‰‡–‡† ‹††‡ ƒ›‡” ‡‡†ˆ‘”™ƒ”† Neural Network Approach”, IEEE Transactions on Transportation Electrificationǡ ••Ǥ ͳǦͳǡ ʹͲʹ͵ǡ †‘‹ǣ ͳͲǤͳͳͲͻȀǤʹͲʹ͵Ǥ͵ʹ͵͹͹ʹ͸Ǥ ȏ͸ͻȐ S. Piller, M. Perrin, ve A. Jossen, “Methods for stateǦ‘ˆǦ charge determination and their applications”, Journal of Power Sourcesǡ …Ǥ ͻ͸ǡ •› ͳǡ ••Ǥ ͳͳ͵ǦͳʹͲǡ ƒœǤ ʹͲͲͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀͲ͵͹ͺǦ͹͹ͷ͵ȋͲͳȌͲͲͷ͸ͲǦʹǤ ȏ͹ͲȐ ǤǦǤŠ‹ƒ‰ǡǤǦǤ‡ƒǡ˜‡

ǤǦC. Ke, “Online estimation of ‹–‡”ƒŽ ”‡•‹•–ƒ…‡ ƒ† ‘’‡Ǧ…‹”…—‹– ˜‘Ž–ƒ‰‡ ‘ˆ Ž‹–Š‹—Ǧ ion batteries in electric vehicles”, Journal of Power Sourcesǡ …Ǥ ͳͻ͸ǡ •› ͺǡ ••Ǥ ͵ͻʹͳǦ͵ͻ͵ʹǡ ‹•Ǥ ʹͲͳͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͳͳǤͲͳǤͲͲͷǤ ȏ͹ͳȐ N. Noura, L. Boulon, ve S. Jemeï, “A Review of Battery –ƒ–‡ ‘ˆ ‡ƒŽ–Š •–‹ƒ–‹‘ ‡–Š‘†•ǣ ›„”‹† Ž‡…–”‹… Vehicle Challenges”, World Electric Vehicle Journalǡ…Ǥͳͳǡ •›Ͷǡ”–Ǥ•›Ͷǡ”ƒǤʹͲʹͲǡ†‘‹ǣͳͲǤ͵͵ͻͲȀ™‡˜ŒͳͳͲͶͲͲ͸͸Ǥ ȏ͹ʹȐ C. Vidal, P. Malysz, P. Kollmeyer, ve A. Emadi, “Machine ‡ƒ”‹‰ ’’Ž‹‡† –‘ Ž‡…–”‹ˆ‹‡† ‡Š‹…Ž‡ ƒ––‡”› –ƒ–‡ ‘ˆ Šƒ”‰‡ƒ†–ƒ–‡‘ˆ‡ƒŽ–Š•–‹ƒ–‹‘ǣ–ƒ–‡Ǧ‘ˆǦ–Š‡ǦArt”, IEEE Accessǡ …Ǥ ͺǡ ••Ǥ ͷʹ͹ͻ͸ǦͷʹͺͳͶǡ ʹͲʹͲǡ †‘‹ǣ ͳͲǤͳͳͲͻȀǤʹͲʹͲǤʹͻͺͲͻ͸ͳǤ ȏ͹͵Ȑ R. Xiong, J. Cao, Q. Yu, H. He, ve F. Sun, “Critical Review on –Š‡ ƒ––‡”› –ƒ–‡ ‘ˆ Šƒ”‰‡ •–‹ƒ–‹‘ ‡–Š‘†• ˆ‘” Electric Vehicles”, IEEE Accessǡ…Ǥ͸ǡ••Ǥͳͺ͵ʹǦͳͺͶ͵ǡʹͲͳͺǡ †‘‹ǣͳͲǤͳͳͲͻȀǤʹͲͳ͹Ǥʹ͹ͺͲʹͷͺǤ ȏ͹ͶȐ Ǥ ƒ‘ vd., “A Review of LithiumǦ

‘ ƒ––‡”› –ƒ–‡ ‘ˆ Health Estimation and Prediction Methods”, World

Electric Vehicle Journalǡ…Ǥͳʹǡ•›͵ǡ”–Ǥ•›͵ǡ›ŽǤʹͲʹͳǡ†‘‹ǣ

ͳͲǤ͵͵ͻͲȀ™‡˜ŒͳʹͲ͵Ͳͳͳ͵Ǥ

ȏ͹ͷȐ A. S. Abdelaal, S. Mukhopadhyay, ve H. Rehman, “Battery

‡”‰› ƒƒ‰‡‡– ‡…Š‹“—‡• ˆ‘” ƒ Ž‡…–”‹… ‡Š‹…Ž‡

Traction System”, IEEE Accessǡ …Ǥ ͳͲǡ ••Ǥ ͺͶͲͳͷǦͺͶͲ͵͹ǡ

ʹͲʹʹǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹʹǤ͵ͳͻͷͻͶͲǤ

ȏ͹͸Ȑ

Ǥ‘‰vd., “Fault Prognosis and Isolation of LithiumǦ

ƒ––‡”‹‡• ‹ Ž‡…–”‹… ‡Š‹…Ž‡• ‘•‹†‡”‹‰ ‡ƒŽǦ…‡ƒ”‹‘

Thermal Runaway Risks”, IEEE Journal of Emerging and

Selected Topics in Power Electronicsǡ…Ǥͳͳǡ•›ͳǡ••ǤͺͺǦͻͻǡ

Şub. 2023, doi: 10.1109/JESTPE.2021.3097827.

ȏ͹͹Ȑ D. Li, Z. Zhang, P. Liu, Z. Wang, ve L. Zhang, “Battery Fault

‹ƒ‰‘•‹• ˆ‘” Ž‡…–”‹… ‡Š‹…Ž‡• ƒ•‡† ‘ ‘Ž–ƒ‰‡

„‘”ƒŽ‹–› „› ‘„‹‹‰ –Š‡ ‘‰ Š‘”–Ǧ‡”

‡‘”› ‡—”ƒŽ ‡–™‘” ƒ† –Š‡ “—‹˜ƒŽ‡– ‹”…—‹–

Model”, IEEE Transactions on Power Electronicsǡ…Ǥ͵͸ǡ•›

ʹǡ ••Ǥ ͳ͵Ͳ͵Ǧ1315, Şub. 2021, doi:

ͳͲǤͳͳͲͻȀǤʹͲʹͲǤ͵ͲͲͺͳͻͶǤ

ȏ͹ͺȐ B. Jiang, Z. Chen, ve F. Chen, “Influence of Sampling Delay

‘–Š‡•–‹ƒ–‹‘‘ˆ‹–Š‹—Ǧ

‘ƒ––‡”›ƒ”ƒ‡–‡”•ƒ†

an Optimized Estimation Method”, Energiesǡ…Ǥͳʹǡ•›ͳͲǡ

”–Ǥ•›ͳͲǡ…ƒǤʹͲͳͻǡ†‘‹ǣͳͲǤ͵͵ͻͲȀ‡ͳʹͳͲͳͺ͹ͺǤ

ȏ͹ͻȐ “Prognostics center of excellence Ǧ data repository”,

NASA Ames Progn Res Center. Erişim: 29 Nisan 2023.

Š––’ǣȀȀ™™™Ǥƒ•ƒǤ‰‘˜Ȁ‹–‡ŽŽ‹‰‡–Ǧ•›•–‡•Ǧ†‹˜‹•‹‘

ȏͺͲȐ “Battery Data | Center for Advanced Life Cycle

Engineering”, CALCE battery research group. Erişim: 29

Š––’•ǣȀȀ…ƒŽ…‡Ǥ—†Ǥ‡†—Ȁ„ƒ––‡”›Ǧ†ƒ–ƒ

ȏͺͳȐ “Experimental Data Platform”, Toyota Research

Institute. Erişim: 29 Nisan 2023. [Çevrimiçi]. Erişim

ƒ†”‡•‹ǣŠ––’•ǣȀȀ†ƒ–ƒǤƒ–”Ǥ‹‘ȀͳȀ

ȏͺʹȐ “Data for degradation of commercial lithiumǦ‹‘…‡ŽŽ•ƒ•

a function of chemistry and cycling conditions”, Sandia

National Lab. Erişim: 29 Nisan 2023. [Çevrimiçi]. Erişim

ƒ†”‡•‹ǣŠ––’•ǣȀȀ™™™Ǥ„ƒ––‡”›ƒ”…Š‹˜‡Ǥ‘”‰Ȁ•Ž̴•–—†›ǤŠ–Ž

ȏͺ͵Ȑ Ǥ ”‡‰‡” vd., “Degradation of Commercial LithiumǦ

Cells as a Function of Chemistry and Cycling Conditions”,

J. Electrochem. Soc.ǡ…Ǥͳ͸͹ǡ•›ͳʹǡ•ǤͳʹͲͷ͵ʹǡ…ƒǤʹͲʹͲǡ

†‘‹ǣͳͲǤͳͳͶͻȀͳͻͶͷǦ͹ͳͳͳȀƒ„ƒ‡͵͹Ǥ

ȏͺͶȐ D. Gun, H. Perez, ve S. Moura, “Berkeley: eCal fast

charging test data”. Dryad, s. 293617695 bytes, 2015.

†‘‹ǣͳͲǤ͸Ͳ͹ͺȀͳ͵Ǥ

ȏͺͷȐ S. Zhang, “Data for: A dataǦ†”‹˜‡ …‘—Ž‘„ …‘—–‹‰

‡–Š‘†ˆ‘”•–ƒ–‡‘ˆ…Šƒ”‰‡…ƒŽ‹„”ƒ–‹‘ƒ†‡•–‹ƒ–‹‘‘ˆ

Ž‹–Š‹—Ǧ‹‘ „ƒ––‡”› Ǧ Mendeley Data”. Erişim: 29 Nisan

ʹͲʹ͵Ǥ

Š––’•ǣȀȀ†ƒ–ƒǤ‡†‡Ž‡›Ǥ…‘Ȁ†ƒ–ƒ•‡–•Ȁ…ͷ†š™͸™ͻʹȀͳ

ȏͺ͸Ȑ M. Luzi, “Automotive LiǦion Cell Usage Data Set”. IEEE, 07

Eylül 2018. Erişim: 29 Nisan 2023. [Çevrimiçi]. Erişim

ƒ†”‡•‹ǣ

Š––’•ǣȀȀ‹‡‡‡Ǧ

†ƒ–ƒ’‘”–Ǥ‘”‰Ȁ†‘…—‡–•Ȁƒ—–‘‘–‹˜‡ǦŽ‹Ǧ‹‘Ǧ…‡ŽŽǦ—•ƒ‰‡Ǧ

†ƒ–ƒǦ•‡–

ȏͺ͹Ȑ “eVTOL Battery Dataset”. Carnegie Mellon University, 18

ƒ”–ʹͲʹͳǤ†‘‹ǣͳͲǤͳͳͺͶȀͳȀͳͶʹʹ͸ͺ͵ͲǤ˜͵Ǥ

ȏͺͺȐ “DataǦ†”‹˜‡ ’”‡†‹…–‹‘ ‘ˆ „ƒ––‡”› …›…Ž‡ Ž‹ˆ‡ „‡ˆ‘”‡

capacity degradation”, Cycle Life Prediction. Erişim: 29

Š––’•ǣȀȀ†ƒ–ƒǤƒ–”Ǥ‹‘ȀͳȀ’”‘Œ‡…–•Ȁͷ…Ͷͺ††ʹ„…͸ʹͷ†͹ͲͲͲͳ

ͻˆ͵ʹͲͶ

ȏͺͻȐ G. Pozzato, A. Allam, ve S. Onori, “LithiumǦ‹‘ „ƒ––‡”›

ƒ‰‹‰ †ƒ–ƒ•‡– „ƒ•‡† ‘ ‡Ž‡…–”‹… ˜‡Š‹…Ž‡ ”‡ƒŽǦ†”‹˜‹‰

profiles”, Data Brief, c. 41, s. 107995, Şub. 2022, doi:

ͳͲǤͳͲͳ͸ȀŒǤ†‹„ǤʹͲʹʹǤͳͲ͹ͻͻͷǤ

Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi Autonomous Battery Management System in Electric Vehicles Literature Review

Metin Yılmaz, Eyüp Çinar, Ahmet Yazıcı ȏͻͲȐ ǤǤ––‹ƒvd., “ClosedǦŽ‘‘’‘’–‹‹œƒ–‹‘‘ˆˆƒ•–Ǧ…Šƒ”‰‹‰ protocols for batteries with machine learning”, Natureǡ…Ǥ ͷ͹ͺǡ •› ͹͹ͻͷǡ ••Ǥ ͵ͻ͹Ǧ402, Şub. 2020, doi: ͳͲǤͳͲ͵ͺȀ•Ͷͳͷͺ͸ǦͲʹͲǦͳͻͻͶǦͷǤ ȏͻͳȐ M. Dubarry, “Graphite//LFP synthetic training diagnosis dataset”, c. 1, May. 2020, doi: 10.17632/bs2j56pn7y.1. ȏͻʹȐ P. Kollmeyer, “Panasonic 18650PF LiǦion Battery Data”, …ǤͳǡƒœǤʹͲͳͺǡ†‘‹ǣͳͲǤͳ͹͸͵ʹȀ™›Š–ͺ›͹–‰ǤͳǤ

21/129

Özgeçmişler

Metin Yılmaz, Eskişehir Osmangazi Üniversitesi’nde (ESOGÜ) doktora öğrencisidir. Yedi yıl boyunca Tusaş Motor Sanayii A.Ş.’de kıdemli yazılım mühendisi olarak çalıştı. 2020 yılında bilgisayar mühendisliği alanında yüksek lisans derecesini aldı. ESOGÜ’de Akıllı Fabrika ve Robotik Laboratuvarı’nın bir parçası olarak Türkiye Bilimsel ve Teknik Araştırma Kurumu (TÜBİTAK) doktora bursiyeri öğrencisidir. Ayrıca 100/2000 Yükseköğretim Kurulu (YÖK) doktora bursiyeridir. Araştırma çalışmaları, robotik sistemler, yapay zeka ile endüstriyel sistemlerde hata tespiti ve tahmini konularına odaklanmaktadır.

Doç. Dr. Eyüp Çınar, Fulbright Bursiyeri olarak 2010 yılında New York, ABD’deki Rochester Institute of Technology’de Elektrik ve Mikroelektronik Mühendisliği alanında yüksek lisans derecesini almıştır. Aynı üniversitenin Mikrosistem Mühendisliği bölümünde doktorasına devam etmiş ve 2015 yılında doktora derecesini almıştır. Sonrasında, ABD’de yaklaşık dört yıl boyunca çeşitli şirketlerde Kıdemli Mühendis olarak endüstriyel deneyim kazanmıştır. New York eyaletindeki dünyaca ünlü GLOBALFOUNDRIES Fab8 çip üretim tesisinde Kıdemli Gelişmiş Süreç Kontrol mühendisi olarak, yarı iletken üretiminde hata tahmini, sınıflandırma ve süreç kontrolü üzerine çalışmıştır. Daha sonra, San Jose, CA’daki ASML-HMI Ar-Ge merkezinde Kıdemli Yarı İletken Desenleme Veri Bilimcisi olarak çalışmaya devam etmiştir. 2019 yılında Dr. Eyüp Çınar, 2023’ten beri Bilgisayar Mühendisliği Doçenti ve Eskişehir Osmangazi Üniversitesi’nde öğretim üyesidir. Aynı zamanda Elektrik ve Elektronik Mühendisleri Enstitüsü’nün (IEEE) kıdemli üyesidir.

Prof. Dr. Ahmet Yazıcı, 2000 ve 2005 yıllarında Eskişehir Osmangazi Üniversitesi’nde (ESOGÜ) kontrol sistemleri alanında yüksek lisans ve doktora derecelerini almıştır. 2007 Darpa Urban Challenge’da OSU-ACT Ekibi üyesiydi. 2005 yılından beri Eskişehir Osmangazi Üniversitesi Bilgisayar Mühendisliği Bölümü’nde çalışmaktadır. Akıllı Fabrika ve Robotik Laboratuvarı’nın kurucusudur. Ayrıca ESOGÜ’de Akıllı Sistemler Araştırma Merkezi’nin müdürüdür. Mevcut araştırma ilgi alanları arasında akıllı araçlar, Akıllı Fabrika ve Otonom Sistemler bulunmaktadır.

22/129