@article{article_1728570, title={ELEKTRİKLİ ARABA VERİ KÜMESİ ÜZERİNDE MAKİNE ÖĞRENMESİ VE DERİN ÖĞRENME ALGORİTMALARI KULLANARAK ŞARJ DURUMU TAHMİNİ}, journal={Mühendis ve Makina}, volume={66}, pages={361–387}, year={2025}, DOI={10.46399/muhendismakina.1728570}, author={Şahin, Durmuş Özkan and Çandırlı, Mustafa and Erşen, Abdulkerim and Akar, Mikail Hüseyin}, keywords={Batarya şarj durumu, batarya SoC, SoC tahmini, makine öğrenmesi, derin öğrenme}, abstract={Lityum-iyon bataryalar sadece elektrikli araçlarda değil birçok farklı cihazda kullanılmaktadır. Bu bataryaların kullanıldığı cihazlarda, batarya şarj durumunun doğru tahmini kritik bir öneme sahiptir. Yapılan çalışmada elektrikli araç bataryalarının şarj durumunun değerini tahmin etmek için dört makine öğrenmesi ve dört derin öğrenme tekniği kullanılmıştır. Makine öğrenmesi teknikleri; doğrusal regresyon, k-en yakın komşu, rastgele orman regresyonu ve Xgboost algoritmalarıdır. Derin öğrenme teknikleri ise uzun kısa süreli bellek, çift yönlü uzun kısa süreli bellek, kapılı tekrarlayan birim ve evrişimli sinir ağı yöntemleridir. Batarya şarj durumu tahmini için giriş verileri olarak bataryanın akım, sıcaklık ve gerilim değerleri, çıkış verisi olarak da batarya şarj durumu değeri kullanılmıştır. Çalışmada kullanılan veri kümesi BMW i3 (60Ah) elektrikli aracının gerçek sürüşlerinden elde edilen batarya verileridir. Bu veri kümesi parça parça sürüş verilerini içermektedir. Çalışma kapsamında parça parça veriler birleştirilmiştir. Ardından veri temizleme işlemi uygulanarak 989670 örnekten oluşan büyük bir veri kümesi oluşturulmuştur. Ham veri kümesine Min-Max normalizasyonu, Medyan normalizasyonu, Sigmoid normalizasyonu ve D-Min-Max normalizasyonu işlemleri uygulanarak dört adet daha veri kümesi elde edilmiştir. Modellerin performansını ölçmek için Kök Ortalama Kare Hata, Ortalama Mutlak Hata ve R^2 hata metrikleri kullanılmıştır. Çalışmadan elde edilen sonuçlara bakıldığında Min-Max normalizasyonu ile oluşturulmuş veri kümesi kullanılarak rastgele orman regresyonu tekniği ve D-min-max normalizasyonu ile oluşturulmuş k-en yakın komşu tekniğinin diğer yöntemlere göre üstün olduğu görülmüştür.}, number={719}, publisher={TMMOB Makina Mühendisleri Odası}