Hibrit araçlar için yapay zeka tabanlı bir kontrol stratejisi

Dünya çapında ulaşım sisteminin büyük çoğunluğunu içten yanmalı motorlu (İYM) taşıtlar oluşturmaktadır. İYM'lu taşıtlar enerji kaynağı olarak petrol kaynaklarını kullanmaktadır ve karbon salımını çok fazla yaparak küresel ısınma ve çevre kirliliğine sebep olmaktadırlar. Hibrit elektrikli araçların geliştirilmesindeki en temel gerekçelerden biri karbon salınımını azaltmaktır. Literatürde hibrit elektrikli araçların enerji kontrol yöntemi için yapılan çok sayıda çalışmalar mevcuttur. Bu çalışmada paralel hibrit elektrikli aracın deneysel modelinde sürüş çevrimlerinde yakıt tüketimi ve karbon emisyon değerlerini minimize etmek için kural tabanlı yeni bir kontrol yöntemi önerilmiştir. Önerilen kontrol yöntemi içten yanmalı motorun optimum noktada çalışmasını sağlamaktadır. Ayrıca elektrik motoru (EM) düşük hızlarda daha sık devreye girmekte ve elektrik motoru jeneratör olarak da çalışabilmektedir. Ardından, ECE-15 (Şehir içi çevrim), EUDC (Şehir Dışı Çevrim) ve WLTC (Dünya Çapında Uyumlu Hafif Taşıtlar Test Çevrim) ve NEDC (Yeni Avrupa Sürüş Çevrimi) sürüş döngüleri kullanılarak paralel hibrit elektrikli bir aracın yakıt tüketimi değerleri Matlab simülasyon ortamında hesaplanmıştır. Minimum ve maksimum değerlere yakın %55 ve %65 batarya değerleri seçilerek, aracın yakıt tüketiminin farklı SOC değerlerindeki değişimi gözlemlenmiştir. %55 SOC değerine sahip paralel hibrit elektrikli aracın EUDC çevriminde %9,6 ve ECE-15 çevriminde %29,3, NEDC sürüş çevriminde %17 yakıt verimliliği elde edilmiştir. %65 SOC değerine sahip paralel hibrit elektrikli aracın yakıt verimliliği, NEDC sürüş çevriminde %35,7, EUDC çevriminde %50,1, ECE-15 sürüş çevriminde %52,3, WLTC sürüş çevriminde enerji kontrol yönetim stratejisi sayesinde %49,35 yakıt tasarrufu elde edilmiştir. Önerilen kontrol stratejisi, tahrik sistemleri en yüksek seviyede çalıştırılarak temel akü durumunun sürekli kontrolü ve içten yanmalı motorun optimum verimliliği sağlanmıştır. Bu çalışmada, paralel hibrit aracın Matlab ortamında ECE-15, EUDC ve NEDC sürüş çevrimlerinde ve ayrıca çeşitli SOC seviyelerinde bir simülasyon modeli oluşturularak yeni bir veri seti elde edilmiştir. Bu veri seti araç tahrik sistemine etki eden bütün bileşenler göz önünde bulundurularak oluşturulmuştur. Bu çalışmada, yedi farklı makine öğrenimi yöntemi (ML) kullanılmıştır. Bu yöntemler regresyon, rastgele ağaç, rastgele orman, karar kütüğü, M5P, REP ağacı ve çok katmanlı algılayıcı yöntemleridir. Bu tezde, yedi farklı makine öğrenmesi yöntemi (ML) ile yakıt tahmin işlemi yapılmıştır. Elde edilen veri seti kullanılarak bu yöntemler performans kriterleri olan. Korelasyon Katsayısı( R^2), Ortalama Mutlak Hata (MAE) ve Ortalama Karesel Hatanın Kökü (RMSE) açısından karşılaştırılmıştır. Makine öğrenmesinin ezberlemesini önlemek için iki farklı test veri seti oluşturulmuştur. Her iki test veri seti için korelasyon katsayısı R^2, ortalama mutlak hata (MAE) ve ortalama karesel hatanın kökü (RMSE) performans kriterleri kullanılarak yakıt tüketim modelinin eğitimi ve testi yapılmıştır. Her iki test verisi için rastgele orman algoritmasında R^2 değeri 0,97 ve 0,90 değerleri elde edilmiştir. Bu değerler, rastgele orman algoritmasının yakıt tüketim tahmininde %97 ve %90 doğruluk oranına ulaştığı anlamına gelmektedir. Her iki test verisinde en küçük MAE değerleri 0,0011 ve 0,003 ile rastgele orman algoritmasında elde edilmiştir. Ayrıca her iki test verisinde en küçük RMSE değerleri 0,028 ve 0,013 ile rastgele orman algoritmasında elde edilmiştir. Elde edilen sonuçlara göre, R^2, MAE ve RMSE açısından paralel hibrit elektrikli araç için yakıt tüketim modelinin tahmininde rastgele orman algoritmasının en uygun yöntem olduğu kanaatine varılmıştır.