Lityum İyon Batarya Kapasitesinin Genetik Algoritma Destekli Yapay Sinir Ağı Yöntemleri İle Tahmini

Abstract

Lityum-iyon pillerin sundukları kullanım kolaylığı ve maliyet avantajları, bu pillerin yaygınlaşmasına katkı sağlamış, ancak ömür ve güvenilirlik konusundaki endişeler, doğru kapasite ve sağlık bilgilerine erişimin önemini artırmıştır. Bu çalışma, lityum-iyon pillerin kapasitesini yüksek doğrulukla tahmin etmek için iki farklı veri seti kullanarak geliştirilen yöntemleri sunmaktadır. İlk olarak, NASA'nın deneysel veri seti kullanılmıştır. Şarj ve deşarj döngüleri sırasında elde edilen akım ve gerilim verileri kullanılarak dört temel özellik çıkarılmıştır. Bu özellikler ile batarya kapasiteleri arasındaki ilişki, Pearson korelasyon katsayısı ile analiz edilmiştir. Korelasyon analizi sonucunda bazı bataryalarda özellik sayısı üçe indirilmiş ve tahmin doğruluğunu artırmak için uygun özellikler seçilmiştir. Genetik Algoritma (GA) kullanılarak Evrişimli Sinir Ağı (CNN), Geriye Yayılım (BP) ve Tekrarlayan Sinir Ağı (RNN) algoritmalarının parametre optimizasyonu gerçekleştirilmiştir. GA, doğal seçilim ve genetik süreçleri kullanarak en iyi performansı sağlayan parametreleri daha kısa sürede belirlemiştir. Bu yöntemin performansı, beş farklı metrik kullanılarak değerlendirilmiştir: Ortalama Kare Hata (MSE), Ortalama Karekök Hata (RMSE), Normalleştirilmiş Ortalama Karekök Hata (NRMSE), Ortalama Mutlak Hata (MAE) ve Kare Korelasyonu (R2). 100 eğitim verisi kullanılarak yapılan tahminlerde, %0.1176 RMSE değeri ile 68 veri tahmini yapılmıştır. Bu sonuç, literatürdeki benzer çalışmalara kıyasla 2.5 katlık bir iyileşme düzeyini temsil etmektedir. İkinci çalışmada ise, Oxford'un deneysel veri seti kullanılarak şarj ve deşarj çevrimlerinden elde edilen gerilim verilerinden üç karakteristik özellik çıkarılmıştır. Bu özellikler ile pil kapasiteleri arasındaki ilişki, Pearson korelasyon katsayısı ile analiz edilmiş ve tüm piller için uygun olduğu görülmüştür. Yine CNN, BP ve RNN algoritmalarının parametre optimizasyonu, %25, %50 ve %75 eğitim verisi kullanılarak GA ile gerçekleştirilmiştir. GA, en iyi performansı sağlayan parametreleri belirlemek için doğal seçilim ve genetik süreçleri kullanmıştır. Bu yöntemin doğruluğu da MSE, RMSE, NRMSE, MAE ve R2 metrikleri ile değerlendirilmiştir. Cell1 için, %0.0068 Ah RMSE değeri ile 60 eğitim verisi kullanılarak 23 veri tahmini yapılmıştır. Bu çalışma, lityum-iyon pillerin kapasitesini yüksek doğrulukla tahmin etmek için GA ile optimize edilmiş sinir ağı modellerinin kullanımının etkinliğini göstermektedir. NASA ve Oxford veri setleri üzerinde yapılan tahminler, yöntemlerin üstün doğrulukta sonuçlar verdiğini ve pil ömrü ve güvenilirliği konusundaki endişelerin giderilmesine katkıda bulunduğunu ortaya koymaktadır.The ease of use and cost advantages of lithium-ion batteries have contributed to their widespread adoption, but concerns about lifespan and reliability have increased the importance of access to accurate capacity and health information. This study presents methods developed using two different data sets to predict the capacity of lithium-ion batteries with high accuracy. First, NASA's experimental data set was used. Four key features were extracted using current and voltage data obtained during charge and discharge cycles. The relationship between these characteristics and battery capacities is analyzed with Pearson correlation coefficient. As a result of the correlation analysis, the number of features was reduced to three in some batteries and appropriate features were selected to improve the prediction accuracy. Genetic Algorithm (GA) was used to optimize the parameters of Convolutional Neural Network (CNN), Back Propagation (BP) and Recurrent Neural Network (RNN) algorithms. GA uses natural selection and genetic processes to determine the parameters that provide the best performance in a shorter time. The performance of this method was evaluated using five different metrics: Mean Square Error (MSE), Root Mean Square Error (RMSE), Normalized Root Mean Square Error (NRMSE), Mean Absolute Error (MAE) and Correlation of Squares (R2). Using 100% training data, 68 data predictions were made with an RMSE of 0.1176%. This result represents a 2.5- times improvement compared to similar studies in the literature. In the second study, three characteristics were extracted from the voltage data obtained from charge and discharge cycles using Oxford's experimental dataset. The relationship between these characteristics and battery capacities was analysed with Pearson correlation coefficient and found to be appropriate for all batteries. Again, parameter optimization of CNN, BP and RNN algorithms was performed with GA using 25%, 50% and 75% training data. The GA used natural selection and genetic processes to determine the parameters that provide the best performance. The accuracy of this method was evaluated by MSE, RMSE, NRMSE, MAE and R2 metrics. For Cell1, 23 data predictions were made using 60 training data with an Ah RMSE of 0.0068%. This study demonstrates the effectiveness of using GA-optimized neural network models to predict the capacity of lithium-ion batteries with high accuracy. The predictions on NASA and Oxford datasets reveal that the methods provide results with superior accuracy and contribute to addressing concerns about battery life and reliability.