Elektrikli araçlarda otonom filo yönetim sistemi için federe öğrenme mimarisi ile prognostik sistemi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: METİN YILMAZ

Danışman: Ahmet Yazıcı

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Elektrikli araç (EV) filolarının verimli ve uzun ömürlü bir şekilde kullanımı için Şarj Durumu (SoC) ve Sağlık Durumu (SoH) gibi temel göstergelerin doğru ve güvenilir biçimde tahmin edilmesini gerektirir. Bu çalışmada, Batarya Yönetim Sistemleri (BMS) ve Prognostik Sağlık Yönetimi (PHM) alanında EV filo yönetimi karar destek süreçlerine katkı sunmak amacıyla, yapay zekâ (AI) tabanlı tahmin modellerini içeren bir yaklaşım sunulmaktadır. Bu doğrultuda önce tek bir EV'de SoC tahmini için geliştirilen Transformer tabanlı bir model önerilmiştir. Daha sonra, veri mahremiyeti, iletişim maliyetleri ve heterojenlik gibi bazı sınırlılıkları göz önünde bulundurularak, tahmin sürecinin dağıtık ortamlarda da gerçekleştirilmesine olanak tanıyan Federe Öğrenme (FL) mimarisi kullanılmıştır. EV filoları için önerilen FL tabanlı yaklaşımda hem SoC hem de SoH tahmini gerçekleştirilmiştir. Bu kapsamda özgün olarak geliştirilen Federe Uyarlanabilir İstemci Momentumu (FedACM) yöntemi, istemciler arası veri heterojenliğini ve dağılım dengesizliklerini azaltmak amacıyla özelleştirilmiş bir momentum güncelleme mekanizması ile desteklenmiştir. FL temelli SoH tahmini çalışmasında ise, sabit bir rota üzerinde toplanan sürüş verileri ile sürücü davranışları hız temelli özniteliklerle analiz edilerek Dinamik Zaman Bükülmesi (DTW) algoritmasıyla benzerlik ölçülmüş ve her istemciye ağırlık değeri atanmıştır. SoH değeri, birim SoC değişimine karşılık gelen mesafe üzerinden referansla hesaplanmış ve FL yaklaşımıyla global tahmin elde edilmiştir. Önerilen yöntemler NASA, BMW i3, Stanford ve Musoshi L5 gibi çeşitli farklı alanlardaki veri kümeleri üzerinde yapılan deneysel çalışmalarda başarı ile test edilmiştir. Ayrıca verinin bir sunucuda toplanması senaryosunda merkezi yaklaşımların başarımı ise LSTM, Bi-LSTM ve SVR gibi klasik yöntemlerle karşılaştırmalı olarak değerlendirilmiştir. Elde edilen bulgular, FL tabanlı modellerin yalnızca yüksek doğrulukla tahmin sunmakla kalmadığını, aynı zamanda veri gizliliği, ölçeklenebilirlik ve kişiselleştirilmiş yönetim açısından da önemli avantajlar sunduğunu ortaya koymaktadır. Bu yaklaşım batarya kullanımın kritik olduğu tüm robotik ve mekatronik sistem filoları için ölçeklenebilir.