Lityum iyon bataryalarda sağlık durumunun makine öğrenmesi iler kestirimi

Abstract

Bu çalıĢmada batarya sağlık durumunun belirlenmesi için makine öğrenmesi yöntemi kullanılmıĢtır. Bu amaçla bataryanın deĢarj olması esnasında elde edilen akım, kapasite azalması, gerilim gibi değerler kullanılmıĢtır. Literatürdeki diğer yöntemlerden farklı olarak, deĢarj gerilim grafiğindeki diz-dirsek noktaları belirlenerek gerilimdeki değiĢimler daha ayrıntılı olarak dikkate alınmıĢtır. Belirlenen giriĢ verileri kullanılarak batarya sağlık durumunun belirlenebilmesi için k-En Yakın KomĢu yöntemi ve Rastgele Orman Regresyon yöntemi olmak üzere iki farklı makine öğrenmesi algoritması oluĢturulmuĢtur. GerçekleĢtirilen sağlık durumu belirleme yazılımı için PYHTON dili kullanılmıĢtır. Batarya sağlık durumunun belirlenmesi için kullanılan yöntemlerin baĢarısı iki farklı senaryo ile değerlendirilmiĢtir. Ġlk senaryo tüm batarya verilerinin karıĢık olarak değerlendirilip, tüm bataryalara ait verilerden oluĢan eğitim ve test verilerinin oluĢturulması ile gerçekleĢtirilmiĢtir. Diğer senaryo ise elde bulunan 12 bataryadan 11’ini eğitim verisini kalan 1 bataryanın ise test verisini oluĢturduğu durumdur. Burada 12 bataryanın her biri ayrı ayrı test verisi olarak değerlendirilmiĢtir.

In this study, machine learning method was used to determine the battery health. For this purpose, values such as current, capacity decrease, voltage obtained during the discharge of the battery were used. Unlike other methods in the literature, the knee-elbow points in the discharge voltage graph are determined and the changes in voltage are taken into account in more detail. Two different machine learning algorithms, namely the k-Nearest Neighbor method and the Random Forest Regression method, were used in order to determine the battery health status by using the specified input data. PYHTON was used for the implemented health status determination software. The success of the methods used to determine the battery health status was evaluated with two different scenarios. The first scenario was carried out by evaluating all battery data in a mixed manner and creating training and test data consisting of data for all batteries. The other scenario is where 11 of the 12 batteries are the training data and the remaining 1 battery is the test data. Here, each of the 12 batteries is evaluated separately as test data.