Derin öğrenme ve veri odaklı yaklaşımlar kullanarak batarya sağlık durumu (SOH) tahmini

Abstract

Bu çalışma, lityum-iyon bataryaların sağlık durumu (State of Health - SOH) tahmini için derin öğrenme ve veri odaklı yaklaşımların etkinliğini incelemektedir. Bataryaların güvenli ve verimli çalışabilmesi için SOH değerinin doğru şekilde tahmin edilmesi büyük önem taşımaktadır. Bu kapsamda, NASA ve CALCE gibi yaygın veri kümeleri üzerinde GRU, LSTM, MLP, CNN ve Attention gibi farklı derin öğrenme modelleri eğitilerek karşılaştırılmıştır. Ayrıca, transfer öğrenme yaklaşımı kullanılarak bir veri setinde eğitilen modeller, başka bir veri seti üzerinde yeniden eğitilerek kullanılmıştır. Bu sayede, sınırlı veri bulunan durumlarda model başarımının artırılması hedeflenmiştir. Modellerin performansı; ortalama mutlak hata (MAE), ortalama kare hata (MSE) ve determinasyon katsayısı (R²) gibi metriklerle değerlendirilmiştir. Elde edilen sonuçlar, derin öğrenme tabanlı yöntemlerin SOH tahmininde yüksek doğruluk sağladığını ve transfer öğrenme ile yeniden eğitilmiş modellerin farklı veri kümeleri arasında başarılı bir şekilde uygulanabildiğini göstermektedir.

This study investigates the effectiveness of deep learning and data-driven approaches for the estimation of the State of Health (SOH) of lithium-ion batteries. Accurate SOH estimation is crucial for ensuring the safe and efficient operation of batteries. In this context, various deep learning models, including GRU, LSTM, MLP, CNN, and Attention-based networks, were trained and compared using widely adopted datasets such as NASA and CALCE. Furthermore, a transfer learning approach was employed, where models trained on one dataset were retrained and applied to another dataset. This approach aims to enhance model performance in scenarios with limited data availability. The performance of the models was evaluated using metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and the coefficient of determination (R²). The results demonstrate that deep learning-based methods provide high accuracy in SOH estimation and that retrained models using transfer learning can be effectively applied across different datasets.