Elektrikli araçlar için yapay zeka tabanlı rejeneratif enerji denetimi

Abstract

Ulaşım sektörü enerji tüketiminde önemli bir paya sahip olup bu sektörde genellikle fosil yakıtlı kaynaklar kullanılmaktadır. Petrol türevi olan bu kaynaklar karbon salınımları nedeniyle çevresel problemler oluşturmaktadır. Aynı zamanda araçlarda çoğunlukla içten yanmalı motorlar kullanılmaktadır ve bu motorların verimleri nispeten düşüktür. Elektrikli araçlar, içten yanmalı araçlardan farklı olarak bünyelerinde motor, sürücü ve batarya gibi üç temel bileşen içerir ve araç menzili önemli ölçüde bataryanın enerji kapasitesine bağlıdır. Dolayısıyla, bu enerjinin verimli kullanılması sürüş menzilini artıracağı gibi sürüş maliyetini de azaltacaktır. Elektrikli araçlarda, sürüş ve sürücü profiline göre, araç elektrik motorunun etkin kontrolü ile yavaşlama gerektiren yerlerde güç geri kazanımı yapılarak, ihtiyaç halinde kullanılmak üzere, bataryaya enerji depolanabilmektedir. Ayrıca, bu kazanım ile aracın sürtünmeli frenlemesi azaltılarak disk ve balata gibi aksamlar daha uzun süre kullanılmasına imkân sağlamaktadır. Frenleme anında aracın mevcut durumuna bağlı olarak mekanik ve rejeneratif fren miktarını, araç ve sürücü parametrelerinden bağımsız olarak kestirip sürüş mesafesini daha etkin hale getirebilmenin en iyi yollarından biri de insan gibi düşünen Yapay Zeka tabanlı bir rejeneratif enerji denetim sistemi oluşturmaktır. Bu tez çalışmasında, öncelikle bir elektrikli araç sistemi için benzetim modeli oluşturulmuş ve deneysel çalışmalar yapabilmek için laboratuvar ortamında endüstriyel tip test platformu tasarlanıp gerçekleştirilmiştir. Farklı koşulları içeren durum çalışmaları, benzetim modeli ve test platformunda çalıştırılmış ve bu sayede öğrenme modeli için gerekli veri seti elde edilmiştir. Öğrenen rejeneratif enerji denetim sistemi modeli için, Makine Öğrenmesi algoritmalarından, Doğrusal Regresyon, K-En Yakın Komşu, Karar Ağacı ve Rastgele Orman algoritması olmak üzere dört farklı model oluşturulmuş ve modellerin tahmin performans değerleri karşılaştırılmıştır. En iyi tahmin doğruluğu sonuçlarını veren Rastgele Orman algoritmasıyla oluşturulan öğrenme modeli araç test sisteminde genelleştirilmiş bir sürüş profili için kullanılarak benzetim modelinin deneysel doğrulaması yapılmış ve başarılı sonuçlar elde edilmiştir.

The transportation sector has a significant share in energy consumption and fossil fuel resources are generally used in this sector. These petroleum-derived resources cause environmental problems due to carbon emissions. At the same time, mostly internal combustion engines are used in vehicles and the efficiency of these engines is relatively low. Electric vehicles, unlike internal combustion vehicles, contain three basic components such as engine, driver and battery, and vehicle range is highly dependent on the energy capacity of the battery. Therefore, the efficient use of this energy will increase the driving range and reduce the driving cost. In electric vehicles, energy can be stored in the battery to be used in case of need, by recovering power in places that require deceleration with the effective control of the vehicle electric motor according to the driving and driver profile. In addition, with this gain, the frictional braking of the vehicle is reduced, allowing components such as discs and pads to be used for a longer period of time. One of the best ways to predict the amount of mechanical and regenerative braking depending on the current state of the vehicle at the moment of braking, independently of vehicle and driver parameters, and to make the driving distance more effective is to create an artificial intelligence-based regenerative energy control system that thinks like a human. In this thesis, first of all, a simulation model for an electric vehicle system has been created and an industrial type test platform has been designed and realized in the laboratory environment in order to conduct experimental studies. Case studies involving different conditions are run on the simulation model and test platform, and thus the necessary data set for the learning model is obtained. For the learning regenerative energy control system model, four different models from Machine Learning algorithms, namely Linear Regression, K-Nearest Neighbor, Decision Tree and Random Forest algorithm are employed and the prediction performance values of the models are compared. The learning model created with the Random Forest algorithm, which gives the best prediction accuracy results, is used for a generalized driving profile in the vehicle test system, experimental verification of the simulation model is made and successful results are obtained.