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

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.