Προβλεπτική αναλυτική δεδομένων σε μπαταρίες Li-Ion με αυτοματοποιημένη μηχανική μάθηση

Κοψίνης, Κωνσταντίνος; Kopsinis, Konstantinos

dc.contributor.author	Κοψίνης, Κωνσταντίνος	el
dc.contributor.author	Kopsinis, Konstantinos	en
dc.date.accessioned	2023-01-18T11:25:26Z
dc.date.available	2023-01-18T11:25:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56754
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24452
dc.rights	Default License
dc.subject	Μπαταρίες Ιόντων Λιθίου	el
dc.subject	Lithium Ion Batteries (Li-ion Batteries)	en
dc.subject	Κατάσταση Φόρτισης	el
dc.subject	Αυτοματοποιημένη Μηχανική Μάθηση	el
dc.subject	Αναζήτηση Αρχιτεκτονικής Νευρωνικού	el
dc.subject	AutoKeras	en
dc.subject	State of Charge (SOC)	en
dc.subject	Automated Machine Learning (Auto-ML)	en
dc.subject	Neural Architecture Search (NAS)	en
dc.title	Προβλεπτική αναλυτική δεδομένων σε μπαταρίες Li-Ion με αυτοματοποιημένη μηχανική μάθηση	el
dc.title	Predictive data Analytics in Li-ion batteries with automated machine learning	en
heal.type	bachelorThesis
heal.classification	Αυτοματοποιημένη Μηχανική Μάθηση	el
heal.classification	Automated Machine Learning	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-25
heal.abstract	Με το παγκόσμιο ενδιαφέρον να στρέφεται όλο και περισσότερο στον δραστικό περιορισμό των εκπομπών άνθρακα, η χρήση των μπαταριών ιόντων λιθίου σε εφαρμογές όπως η ηλεκτροκίνηση και η αποθήκευση ανανεώσιμης ενέργειας για την τροφοδοσία του Συστήματος Ηλεκτρικής Ενέργειας πρόκειται μόνο να εντατικοποιηθεί. Σε αυτό το πλαίσιο, τα υπάρχοντα φυσικά μοντέλα μπαταριών λιθίου για την εκτίμηση των καταστάσεων της μπαταρίας και την κατ’ επέκταση ορθή διαχείρισή τους από το Σύστημα Διαχείρισης Μπαταρίας (Battery Management System ή BMS) κρίνονται ανεπαρκή. Συνεπώς, έχουν προταθεί νέα μοντέλα, βασισμένα σε δεδομένα και εκπαιδευμένα με μεθόδους Μηχανικής Μάθησης (Machine Learning ή ML), και βρίσκονται πλέον στο επίκεντρο του ερευνητικού ενδιαφέροντος. Παράλληλα, ένας νέος ανερχόμενος τομέας, αυτός της Αυτοματοποιημένης Μηχανικής Μάθησης (Automated Machine Learning ή AutoML), έρχεται να καταστήσει το πρόβλημα της εύρεσης του καλύτερου μοντέλου προσιτό ακόμα και στους μη ειδικούς αναλυτές, μέσα από την αλγοριθμική αναζήτηση του καλύτερου δυνατού μοντέλου ML από έναν συγκεκριμένο χώρο αναζήτησης. Πλέον, η ανάπτυξη μοντέλων ML δεν αποτελεί προνόμιο των εξειδικευμένων επιστημόνων, παύει να εξαρτάται από την χειροκίνητη ρύθμιση υπερ-παραμέτρων με βάση την εμπειρία και τη διαίσθηση και συστηματοποιείται ώστε να εκτελείται αυτόματα από βιβλιοθήκες προσβάσιμες και φιλικές σε όλους. Ο σκοπός της διπλωματικής εργασίας είναι να εξετάσει κατά πόσο σύγχρονες τεχνικές AutoML μπορούν να εφαρμοστούν στο πεδίο των μπαταριών ιόντων λιθίου και να πραγματοποιήσουν επιτυχείς προβλέψεις των καταστάσεών τους. Για αυτό το λόγο, επιλέχθηκε ένα ανοιχτό σύνολο δεδομένων κύκλισης μπαταρίας (battery cycling dataset) και ένα πακέτο AutoML, το AutoKeras, για την εκτέλεση αναζήτησης βέλτιστης αρχιτεκτονικής νευρωνικού δικτύου (Neural Architecture Search ή NAS) κατά την πρόβλεψη της κατάστασης φόρτισης μπαταρίας (State of Charge ή SOC). Τα μοντέλα αξιολογήθηκαν επιτυχώς δείχνοντας ότι η προτεινόμενη προσέγγισή μας έχει βάσεις και χρήζει περεταίρω διερεύνησης.	el
heal.abstract	With global attention increasingly turning to drastically reducing carbon emissions, the use of lithium-ion batteries in applications such as e-mobility and the storage of renewable energy to power the electric grid is only going to intensify. In this context, the existing physical models of lithium batteries for estimating the battery states and by extension their proper management by the Battery Management System (BMS) are considered insufficient. Thus, new data-driven models trained with Machine Learning (ML) methods have been proposed and ly at the epicenter of scientific interest. Meanwhile, a new emerging field, that of Automated Machine Learning (AutoML), emerges to make the problem of finding the best model accessible even to non-expert analysts, through the algorithmic search of the best possible ML model from a particular search space. Now, the development of ML models is no longer a privilege of expert scientists, it ceases to depend on manual hyper-parameter tuning based on experience and intuition, and it is systematized to be performed automatically by user-friendly modules accessible to everyone. The aim of this thesis is to examine whether modern AutoML techniques can be applied in the field of lithium-ion batteries and make successful predictions of their states. For this reason, a public battery cycling dataset and an AutoML module, namely AutoKeras, were chosen to perform Neural Architecture Search (NAS) when predicting the battery State of Charge or SOC). The models were successfully evaluated showing that our proposed approach has merit and warrants further investigation.	en
heal.advisorName	Μέντζας, Γρηγόρης	el
heal.committeeMemberName	Μέντζας, Γρηγόρης	el
heal.committeeMemberName	Ασκούνης, Δημήτρης	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	90 σ.	el
heal.fullTextAvailability	false