Tez No	İndirme	Tez Künye	Durumu
596162		Elektrikli araçlardaki lityum iyon bataryalar için şarj durumu tahmini / State of charge estimation for lithium-ion batteries in electric vehicles Yazar:EGE ANIL BOSTAN Danışman: DOÇ. DR. VOLKAN SEZER Yer Bilgisi: İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Mekatronik Ana Bilim Dalı / Mekatronik Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Bilim ve Teknoloji = Science and Technology ; Mekatronik Mühendisliği = Mechatronics Engineering Dizin:	Onaylandı Yüksek Lisans Türkçe 2019 88 s.
Fosil yakıt rezervlerinin tükenmesi,atmosfere sera gazı salınımı artışı ve son yıllarda kendini gösteren küresel ısınma tehlikesi elektrikli araçlara duyulan ilginin artmasına neden olmuştur.Elektrikli araçların karbon salınımını düşürmesi ve yüksek verime sahip olması bu tür araçların kullanımı arttırmış ve otomotiv sektöründe kabul görmesini kolaylaştırmıştır. Elektrikli araçların en önemli sorunlarından biri menzil sorunudur.Menzil sorununu çözmek için elektrikli araçların güç kaynağının seçimi iyi yapılmalıdır.Lityum iyon bataryalar sahip oldukları üstün özelliklerden dolayı elektrikli araç uygulamalarında en fazla tercih edilen güç kaynağıdır.Lityum iyon bataryalar düşük ağırlıkta olması,hızlı şarj edilebilmesi,yüksek enerji yoğunluğuna sahip olması,düşük kendiliğinden deşarj oranı ve uzun yaşam süresinden dolayı en fazla tercih edilen güç kaynaklarının başında yer alır. Lityum iyon bataryalarla beraber çalışan Batarya Yönetim Sistemleri (BYS), bataryanın güvenli bir şekilde çalışabilmesi için batarya şarj durumunu doğru tahmin etmelidir.Batarya şarj durumu ,bataryada kalan enerji miktarı hakkında bize fikir verir.Böylece bataryayı fazla şarj etmekten veya fazla deşarj etmekten korumuş oluruz.Fakat bataryanın şarj durumunu tahmin etmek batarya içinde gerçekleşen elektro-kimyasal reaksiyonlardan dolayı bir hayli zordur.Bundan dolayı batarya şarj durumunu tahmin etmek için çeşitli yöntemler geliştirilmiştir. Batarya Şarj Durumu,bataryada ne kadar kapasite kaldığını anlamamıza yarayan önemli bir değişkendir.Bu değişken sayesinde bataryayı fazla şarj ve deşarjdan durumundan korumuş oluruz. Ne yazık ki batarya şarj durumu direk ölçülebilen bir değişken değildir.Aynı zamanda akım,sıcaklık ve dış ekenlerden etkilendiğinden dolayı tahmin etmek epey zordur.Bundan dolayı çeşitli ölçülebilen (gerilim,akım ve sıcaklık gibi) değişkenler bataryanın sarj durumunu kestirmek için kullanılır. Bu tezde batarya şarj durumunu doğru tahmin etmek için kullanılan yöntemler araştırılmış ve bu yöntemler kullanılarak batarya şarj durumu tahmini yapılmıştır. Genişletilmiş Kalman Filtresi (GKF) ve Kokusuz Kalman Filtresi (KKF) gibi model tabanlı yaklaşımlar bataryanın sahip olduğu dinamik davranışı kestirmek amacıyla bir batarya hücre modeliyle beraber çalışmaktadır.Bundan dolayı 51 Ah lik lityum iyon bataryanın dinamik davranışını kestirmek amacıyla batarya hücre modeli geliştirilmesi kararlaştırılmıştır.Bu çalışmada literatürde yer alan elektro-kimyasal modellerinden eşdeğer devre modellerine kadar tüm modeller tanıtılmıştır.Eşdeğer devre modelinin daha verimli olmasından dolayı literatürde yer alan sıfırıncı dereceden eşdeğer devre modeli(Rint Model) ,birinci dereceden eşdeğer devre modeli ve ikinci dereceden eşdeğer devre modeli geliştirilmiştir.Batarya hücre modellerinin parametrelerinin bulunması için bataryaya Hibrit Darbe Güç Karakterizasyonu (HPPC) testi uygulanmış ve sonuçlarından yararlanarak MATLAB Parameter Estimation Toolbox yardımıyla bataryanın çeşitli eşdeğer devre modelleri geliştirilmiştir.Geliştirilen batarya hücre modellerinin doğrulanması için dinamometre ölçüm verisi olan WLTP (Dünya Çapında Uyumlaştırılmış Hafif Araç Testi) araca uygulanmıştır.Geliştirilen eşdeğer devre modellerinin terminal gerilimleri gerçek deney verisiyle karşılaştırılarak batarya hücre modeli doğrulanması yapılmıştır.Geliştirilen hücre modelleri birbirleriyle karşılaştırılarak en uygun hücre modeli belirlenmiştir.Her hücre modelinin karesel ortalama hata oranları hesaplanmıştır.En iyi benzetim sonucunu veren ikinci dereceden eşdeğer devre modelin bu çalışmada kullanılmasına karar verilmiştir. Batarya Yönetim Sistemleri (BYS) geliştirilirken Batarya Şarj Durumu tahmini için en yaygın olarak kullanılan yöntemlerden biri Coulomb Sayma Yöntemi veya bir diğer adıyla Amper-Saat yöntemidir. Zamana göre akımın integrali alınarak batarya şarj durumu tahmini yapılmıştır ancak batarya şarj durumu tahminin başarısı başlangıç batarya şarj durumu değerinin kestirimine bağlıdır.Ayrıca akım sensöründen gelen verinin güvenirliliği batarya şarj durumu tahminini büyük oranda etkiler.Coulomb Sayma Yöntemi ölçüm gürültüsünden kolayca etkilendiği için uzun süreli kullanımlarda doğru sonuçlar vermediği gözlemlenmiştir. Fakat bu çalışmada gözlemlendiği üzere Genişletilmiş Kalman Filtresi (GKF) ve Kokusuz Kalman Filteri (KKF) gibi doğrusal olmayan gözleyiciler başlangıç batarya şarj durumu bilinmese dahi ölçüm gürültülerini filtreleyerek iyi bir batarya şarj durumu tahmininde bulunabilir. Diğer batarya şarj durumu tahmini yaklaşımı ise açık devre gerilimi (ADG) ve Batarya Şarj Durumu (BŞD) çizelgesi yardımıyla batarya şarj durumu tahmini yöntemidir. Fakat açık devre gerilimi ölçümünün yapılması için batarya terminal geriliminin açık devre gerilimi değerine yakınsamasının beklenilmesi gereklidir. Bundan dolayı batarya belirli bir süre dinlenmeye bırakılmalıdır.Bundan dolayı ADG-BŞD yöntemi anlık tahminde kullanışlı değildir.Fakat bu yöntem geliştirilen batarya hücre modeliyle beraber kullanılarak modelden gelen batarya terminal geriliminden açık devre gerilimi değeri hesaplanabilir.Böylece batarya şarj durumu tahmininde bulunulabilir.Bu model tabanlı yaklaşım bu çalışmada uygulanılmış fakat gürültülere karşı dayanıklı olmadığı gözlemlenmiştir.Bir filtre tasarımının gerekliliği görülmüştür.Aynı zamanda modelleme hataları yanlış batarya şarj durumu tahminine neden olmaktadır. Model tabanlı yaklaşım bir filtre yardımıyla ölçüm gürültülerine karşı daha dayanıklı hale getirilebilir.Bu çalışmada ikinci dereceden eşdeğer modelinin parametrelerinden faydalanarak durum-uzay modeli kurulmuştur.Batarya modelinin doğrusal olmayan davranışı Genişletilmiş Kalman Filtresi algoritması tarafından Taylor açılımı yöntemini kullanarak kullanılarak birinci dereceden doğrusallaştırılmıştır.GKF yöntemiyle batarya modelinden ve akımdan yararlanarak gerilim hesabı yapılmıştır.Hesaplanan gerilim ölçülen gerilimden çıkarılarak Kalman kazancı hesaplanmış ve batarya şarj durumu tahmini yapılmıştır.Ölçüm gürültüsü böylece filtrelenmiştir.Fakat Genişletilmiş Kalman Filtresinin (GKF) doğrusallaştırmadaki hatası ve GKF yönteminde kullanılan Jakobiyan matrislerinin türetilme ve hesaplama zorluğundan dolayı batarya şarj durumu tahmininde hata meydana gelmiştir.Bu tür hatalardan kurtulmak amacıyla yeni yaklaşımların geliştirilmesinin gerekliliği ortaya çıkmıştır. GKF yaklaşımının eksikliklerini gidermek amacıyla geliştirilen Kokusuz Kalman Filtresi (KKF) doğrusallaştırmaya ihtiyaç duymadan uygulanan gelişmiş bir kalman filtresi yöntemidir.Aynı zamanda KKF yönteminde GKF yönteminde uygulanan karmaşık Jakobiyan matrisleri hesaplanmaz böylece doğrusal olmayan sistemin durum kestiriminde daha başarılıdır. Kokusuz Kalman Filtresi (KKF) kokusuz dönüşüm yöntemini kullanarak durum dağılımlarını kestirmeye çalışır.Kokusuz dönüşüm yönteminde durum dağılımlarını tahmnin etmek için sigma noktaları isimli noktalar belirlenerek bu noktalar doğrusal olmayan fonksiyondan geçirilir.Bu yolla GKF de daha önce karşılaşılan doğrusallaştırma hatalarına yakalanmadan tahmin yapılır.Bu çalışmada KKF yöntemi geliştirildikten sonra Batarya Şarj Durumu tahmini için kullanılmıştır.GKF yöntemine göre daha iyi sonuçlar vermiştir. Bu çalışmada batarya şarj durumu tahmini için kullanılan açık devre gerilimi (ADG) ve Batarya Şarj Durumu (BŞD) çizelgesi yöntemi,model tabanlı yaklaşım, Genişletilmiş Kalman Filtresi Yöntemi ve Kokusuz Kalman Filtresi yöntemi teker teker uygulanmıştır ve tahmin başarıları karesel ortalama hata oranlarına göre hesaplanmıştır.Coulomb sayma yöntemi başlangıç batarya şarj durumu değerinin bilinmesinin gerekliliği ve zamanla akım sensöründe gerçekleşen hata birikmesinden dolayı uygun olmadığına karar verilmiştir.Gerilim tabanlı ölçüm yöntemlerinden biri olan açık devre gerilimi (ADG) ve Batarya Şarj Durumu (BŞD) çizelgesi yöntemi bataryanın belirli bir süre dinlenmesinin gerekliliğinden dolayı anlık tahiminde kullanılması uygun olmadığına karar verilmiştir.Model tabanlı yaklaşımın ise ölçüm gürültülerine karşı dayanıklı olmadığı ortaya çıkmıştır.Gürültülere karşı dayanıklı olan Genişletilmiş Kalman Filtresi bataryanın doğrusal olmayan davranışını doğrusallaştırarak batarya şarj durumu tahmininde bulunur fakat doğrusallaştırma sırasında gerçekleşen hatadan dolayı batarya şarj durumu tahmini istenilen seviyede başarı gösterememiştir.Doğrusallaştırma işlemine gerek kalmadan çalıştırılan Kokusuz Kalman Filtresi başlangıç batarya şarj durumu tahmini değerinin yanlış verilmesine ve ölçüm gürültüsünün olmasına rağmen en doğru sonucu veren yöntem olmuştur.Bundan dolayı bu çalışmada KKF,en doğru batarya şarj durumu tahmini yöntemi olarak belirlenmiştir.
In recent years, the electric vehicles (EVs) earned reputation due to increasing global warming potential, releasing green gas into the atmosphere and depletion of fossil fuels. These factors affect the automotive industry in terms of the transition from internal combustion engines (ICEs) to electric vehicles (EVs). The governments of the industrializing countries encourage EV development and production. Many of the developed countries have declared that they are going to restrict to fuel-based vehicle production. The governments privilege EV owners such as free or low-cost charging and lower transportation taxes. Although EVs became popular in the market, their challenges and unsolved issues still exist, such as range anxiety. It is a fear of the person driving an electric car that the battery will run out before the destination. In order to develop efficient EVs, the power source using in EVs should be selected carefully. Most of the EVs use battery pack as the power source, Lithium-ion batteries have high energy storage densities and a clear advantage over other batteries for electrifying transportation, and this makes them very preferable. In recent years lithium-ion (Li-ion) cells have been used as a kind of most popular battery pack in electric vehicles due to their superior properties. They have higher power/energy density, higher cell voltage, and lower self-discharge rate as compared to another kind of batteries. Battery management system (BMS) functioning lithium-ion battery determines battery states to provide safe operation. BMS can predict how much capacity remains in the battery pack to dispel range anxiety. State of Charge (SOC) is one of the crucial parameters that refers to how much capacity remains in the battery. In addition to this, SOC prevents battery over-charge and over-discharge. Unfortunately, SOC is not able to be measured directly, and it is affected by the number of factors, such as current, ambient temperature, and external disturbances. Thus some prediction methods via measurable parameters (voltage, current, and temperature, etc.) are being used to estimate correct SOC. In this thesis, several SOC estimation approaches have been investigated to get accurate SOC. They have been presented and analyzed in terms of estimation accuracy. For model-based approaches including Extended Kalman Filter (EKF) and Unscented Kalman Filter (UKF) battery equivalent circuit model has been developed to simulate the dynamic behavior of 51 Ah NMC lithium-ion battery cell. Many kinds of battery models have been introduced from electrochemical models to the equivalent circuit model in the literature. The Equivalent Circuit Model (ECM) provides us a more efficient method to emulate the dynamic behavior of the battery. ECM uses basic circuit elements (resistors and capacitors) instead of dealing with inconvenient chemical reactions occurring in the battery. In this work, several kinds of ECM including Rint Model, First order RC model, and Second-Order RC model have been compared with each other. The real world dynamometer measurement data (HPPC WLTP, etc.) have been used to identify and validate the model parameters. Hybrid Pulse Power Characterization (HPPC) test data and the parameters of the equivalent circuit models have been estimated by using MATLAB Parameter Estimation Toolbox The obtained models have been validated with laboratory measurement that has been obtained via the Worldwide Harmonised Light Vehicle Test Procedure (WLTP). The most efficient battery cell model has been determined using laboratory measurements.In order to determine the most efficient cell model, Root Mean Square Error-values have been calculated for each cell model.After the comparison of the cell models, it is observed that the best efficient cell model is the Second Order RC model. The most known and popular method for SOC estimation is Coulomb counting or Ampere-hour integral. In this method, SOC is calculated by integrating the current over time. The level of success for this approach highly depends on the correct estimation of initial SOC. In addition, the performance of the Coulomb counting method depends on the quality of the data coming from the current sensor. It is observed that Coulomb counting can be easily affected by measurement noise, and it may cause drift error by the time of progress. However, this method is used by combining with other methods to make an accurate SOC estimation. Coulomb Counting method combining with the equivalent circuit model (ECM) can be a good approach to get accurate SOC. However, in this work, it is observed that EKF and UKF based nonlinear observers should be developed to provide robustness to measurement noise.In addition to that EKF and UKF based non-linear observers provide good estimation without knowing initial SOC value. Another simplified approach is SOC estimation with an open-circuit voltage (OCV)-SOC lookup table. However, OCV measurement needs a resting time period until the battery terminal voltage converges to OCV value. This method is not efficient for online SOC estimation; however, it can be used with the battery model, OCV can be determined from battery terminal voltage, and SOC estimation can be performed by looking OCV-SOC lookup table. However, purely using the OCV-SOC table this generates a large error if the model is not developed correctly. On the other hand, if the OCV-SOC map is used together with the battery model, this is called as model-based SOC estimation approach.OCV can be determined from battery terminal voltage, and SOC estimation can be performed by looking OCV-SOC lookup table. Although this method known as Model-Based Estimation is quite efficient, it is not robust to measurement noise. In this work, EKF and UKF based non-linear observers have been developed to provide robustness to the measurement noise. In addition, these algorithms do not require the correct initial SOC value. Kalman Filter approaches are commonly used to estimate SOC. It provides an efficient estimation of the system state such as battery voltage and SOC. However, battery dynamics is quite non-linear. It means that a linearization should be done to approach real system behavior. In this work, two kinds of Kalman Filters method has been implemented to estimate accurate SOC value. Extended Kalman Filter Method (EKF) does linearization by using Taylor Series Method. However, this approach may bring some errors. On the other hand, Unscented Kalman Filter (UKF) applies the unscented transformation to approach state distribution by using sample points called sigma points. For this reason, UKF is an efficient method in terms of robustness for non-linear estimation. Model-based approaches focus on the dynamic battery behavior, mostly using equivalent circuit me, which includes battery current as of the input and terminal voltage as the output. Non-linear behavior of the battery model can be linearized with Extended Kalman Filter (EKF). The filter determines the voltage based on the integrated current and battery model. Estimated cell voltage is compared with measured cell voltage, and their difference is used to specify Kalman gain to estimate SOC.EKF algorithm uses first-order Taylor series for linearization of the non-linear system and non-linear function has been linearized around the mean.It means that EKF can produce first-order approximation errors. In addition to the derivation of the Jacobian matrices is no easy task and it causes some error in the State of Charge (SOC) estimation. In this work, it is observed that although the EKF algorithm tracks the Real SOC value better than other conventional methods, EKF produces some estimation error due to factors such as linearization and derivation of the Jacobian matrix. In order to get rid of these problems, an alternative approach has been developed. Unscented Kalman Filter that works with the equivalent circuit model has been implemented to overcome the deficiencies of EKF.UKF has better accuracy in estimating the state of the non-linear system than EKF.In addition to that UKF does not need to calculate Jacobian matrices that are non-trivial.UKF bases on numerical approximation to approach state distribution.UKF method applies the unscented transformation that computes a set of sigma points transforming through the non-linear function to approximate the Gaussian distribution of the state variables. In this way, Unscented Transform avoids linearizing around the mean as Taylor expansion does. In this work, UKF has been employed and it is observed that UKF has higher accuracy in non-linear estimation problems than EKF. In conclusion, All state of charge (SOC) estimation methods including Purely OCV-SOC Map, OCV-SOC Map with Battery Model, Extended Kalman Filter Method, and Unscented Kalman Filter Method were compared with each other and their Root Mean Square Error (RMSE) values have been evaluated. The coulomb Counting method is not an efficient method due to unknown initial SOC value and measurement error that may cause drift error by the time of progress. For purely OCV-SOC map based estimation, the battery should be rested enough amount of time which is not possible with online SOC estimation. Model-Based Estimation is quite efficient, it is not robust to measurement noise. Although the EKF algorithm tracks the Real SOC value better than other conventional methods, EKF produces some estimation error due to factors such as linearization and derivation of the Jacobian matrix.UKF based estimation method which does not need linearization based estimation provides the best performance comparing to the other approaches. Although initial SOC value has been given incorrectly.In addition, UKF is robust to measurement noise.