SavedAdd your journal

Journals / Mühendis ve Makina / 2026 / Cilt: 66 Sayı: 719

STATE OF CHARGE PREDICTION USING MACHINE LEARNING AND DEEP LEARNING ALGORITHMS ON ELECTRIC CAR DATASET

ELEKTRİKLİ ARABA VERİ KÜMESİ ÜZERİNDE MAKİNE ÖĞRENMESİ VE DERİN ÖĞRENME ALGORİTMALARI KULLANARAK ŞARJ DURUMU TAHMİNİ

Durmuş Özkan Şahin(ONDOKUZ MAYIS ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ)0000-0002-0831-7825
Mustafa Çandırlı(ONDOKUZ MAYIS ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ)0009-0004-7711-4513
Abdulkerim Erşen(ONDOKUZ MAYIS ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ)0009-0005-4138-5634
Mikail Hüseyin Akar(ONDOKUZ MAYIS ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ)0009-0007-6440-0934
Pages
361–387
Publication Date
2025-06-30
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Looking at the results obtained from the study, it was seen that the random forest regression technique using the data set created with Min-Max normalization and the k-nearest neighbor technique created with D-min-max normalization were superior to other methods.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Lithium-ion batteries are used not only in electric vehicles but also in many different devices.
📊
Key Findings & Data:Accurate estimation of battery charge status is of critical importance in devices using these batteries.
💡
Conclusion & Impact:Looking at the results obtained from the study, it was seen that the random forest regression technique using the data set created with Min-Max normalization and the k-nearest neighbor technique created with D-min-max normalization were superior to other methods.
🔬Design:Modeling & Simulation
📍Scope:989670 samples
⚙️Variables:Batarya şarj durumu · batarya SoC · SoC tahmini

Abstract

Lithium-ion batteries are used not only in electric vehicles but also in many different devices. Accurate estimation of battery charge status is of critical importance in devices using these batteries. In the study, four machine learning and four deep learning techniques were used to estimate the state of charge of electric vehicle batteries. Machine learning techniques; linear regression, k-nearest neighbor, random forest regression and Xgboost algorithms. Deep learning techniques are long short-term memory, bidirectional long short-term memory, gated recurrent unit and convolutional neural network methods. For battery charge state estimation, the battery's current, temperature and voltage values were used as input data, and the battery charge state value was used as output data. The data set used in the study is the battery data obtained from real drives of the BMW i3 (60Ah) electric vehicle. This dataset contains piecemeal driving data. Within the scope of the study, piecemeal data was combined. Then, the data cleaning process was applied and a large dataset consisting of 989670 samples was created. Four more data sets were obtained by applying Min-Max normalization, Median normalization, Sigmoid normalization and D-Min-Max normalization processes to the raw data set. With this process, Root Mean Square Error, Mean Absolute Error and R2 error metrics were used to measure the performance of normalization models. Looking at the results obtained from the study, it was seen that the random forest regression technique using the data set created with Min-Max normalization and the k-nearest neighbor technique created with D-min-max normalization were superior to other methods.

Özet

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.

🔖

Cite This Article

Şahin, D. Ö., Çandırlı, M., Erşen, A., Akar, M. H. (2025). STATE OF CHARGE PREDICTION USING MACHINE LEARNING AND DEEP LEARNING ALGORITHMS ON ELECTRIC CAR DATASET. Mühendis ve Makina, Cilt: 66 Sayı: 719, 361–387. https://doi.org/10.46399/muhendismakina.1728570

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (29)

  1. Chemali, E., Kollmeyer, P. J., Preindl, M., & Emadi, A. (2018). State-of-charge estimation of Li-ion batteries using deep neural networks: A machine learning approach. Journal of Power Sources, 400, 242–255. Doi: https://doi.org/10.1016/j.jpowsour.2018.06.104
  2. Chandran, V., Patil, C. K., Karthick, A., Ganeshaperumal, D., Rahim, R., & Ghosh, A. (2021). State of charge estimation of lithium-ion battery for electric vehicles using machine learning algorithms. World Electric Vehicle Journal, 12(1), 38. Doi: https://doi.org/10.3390/wevj12010038
  3. Çavuș, E., & Sancaktar, İ. (2022). Batarya sağlığı durumunun makine öğrenmesi ile kestirimi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 11(3), 601–610. https://doi.org/10.28948/ngumuh.1112985
  4. Diouf, B., & Pode, R. (2015). Potential of lithium-ion batteries in renewable energy. Renewable Energy, 76, 375–380. Doi: https://doi.org/10.1016/j.renene.2014.11.058
  5. Eissa, M. A., & Chen, P. (2023). Machine learning-based electric vehicle battery state of charge prediction and driving range estimation for rural applications. IFAC-PapersOnLine, 56(3), 355–360. Doi: https://doi.org/10.1016/j.ifacol.2023.12.050
  6. El Fallah, S., Kharbach, J., Hammouch, Z., Rezzouk, A., & Jamil, M. O. (2023). State of charge estimation of an electric vehicle’s battery using deep neural networks: Simulation and experimental results. Journal of Energy Storage, 62, 106904. Doi: https://doi.org/10.1016/j.est.2023.106904
  7. Sevim, G., & Altın, N. (2023). Lityum bataryalarda şarj durumu (SoC) ve sağlık durumu (SoH) kestirimi. Karamanoğlu Mehmetbey Üniversitesi Mühendislik ve Doğa Bilimleri Dergisi, 5(1), 33–51. Doi: https://doi.org/10.55213/kmujens.1250621
  8. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. Doi: https://doi.org/10.1162/neco.1997.9.8.1735
  9. Keskin, B., Gunal, E. Ş., Urazel, B., & Keskin, K. (2022). Elektrikli araç bataryalarının şarj durumu tahmini için bir model. Nicel Bilimler Dergisi, 4(2), 161–175. Doi: https://doi.org/10.51541/nicel.1117756
  10. Kelle, A. C., & Yüce, H. (2022). MQTT trafiğinde DoS saldırılarının makine öğrenmesi ile sınıflandırılması ve modelin SHAP ile yorumlanması. Journal of Materials and Mechatronics: A, 3(1), 50–62. Doi: https://doi.org/10.55546/jmm.995091
  11. Kılıç, S. (2013). Doğrusal regresyon analizi. Journal of Mood Disorders, 3(2), 90-92.
  12. Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2021). A survey of convolutional neural networks: Analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12), 6999–7019. Doi: https://doi.org/10.1109/TNNLS.2021.3084827
  13. Lin, X. (2018). Theoretical analysis of battery SOC estimation errors under sensor bias and variance. IEEE Transactions on Industrial Electronics, 65(9), 7138–7148. Doi: https://doi.org/10.1109/TIE.2018.2795521
  14. Meng, J., Ricco, M., Luo, G., Swierczynski, M., Stroe, D.-I., Stroe, A.-I., & Teodorescu, R. (2017). An overview and comparison of online implementable SOC estimation methods for lithium-ion battery. IEEE Transactions on Industry Applications, 54(2), 1583–1591. Doi: https://doi.org/10.1109/TIA.2017.2775179
  15. Nitta, N., Wu, F., Lee, J. T., & Yushin, G. (2015). Li-ion battery materials: Present and future. Materials Today, 18(5), 252–264. Doi: https://doi.org/10.1016/j.mattod.2014.10.040
  16. Oji, T., Zhou, Y., Ci, S., Kang, F., Chen, X., & Liu, X. (2021). Data-driven methods for battery SOH estimation: Survey and a critical analysis. IEEE Access, 9, 126903–126916. Doi: https://doi.org/10.1109/ACCESS.2021.3111927
  17. Rivera-Barrera, J. P., Muñoz-Galeano, N., & Sarmiento-Maldonado, H. O. (2017). SoC estimation for lithium-ion batteries: Review and future challenges. Electronics, 6(4), 102. Doi: https://doi.org/10.3390/electronics6040102
  18. Serinbaş, M. M., & Gülbahçe, M. O. (2022). Batarya şarj durumu kestirim yöntemleri üzerine inceleme. In Güç Sistemleri Konferansı (pp. 1–9). Cıgre Türkiye.
  19. Shiri, F. M., Perumal, T., Mustapha, N., & Mohamed, R. (2023). A comprehensive overview and comparative analysis on deep learning models: CNN, RNN, LSTM, GRU. arXiv preprint arXiv:2305.17473.
  20. Steinstraeter, M., Buberger, J., & Trifonov, D. (2020). Battery and heating data in real driving cycles. IEEE Dataport. Doi: https://doi.org/10.21227/6jr9-5235
  21. Şahin, E. M., Sahin, S., & Tanağardıgil, İ. (2021). Battery State of Health and Charge Estimation Using Machine Learning Methods. Avrupa Bilim ve Teknoloji Dergisi, (26), 389-394. https://doi.org/10.31590/ejosat.959630
  22. Taş, G., Uysal, A., & Bal, C. (2023). A new lithium polymer battery dataset with different discharge levels: SOC estimation of lithium polymer batteries with different convolutional neural network models. Arabian Journal for Science and Engineering, 48(5), 6873–6888. Doi: https://doi.org/10.1007/s13369-022-07586-8
  23. Thomas, R., Despesse, G., Bacquet, S., Fernandez, E., Lopez, Y., Ramahefa-Andry, P., & Cassarino, L. (2021). A high frequency self-reconfigurable battery for arbitrary waveform generation. World Electric Vehicle Journal, 12(1), 8. Doi: https://doi.org/10.3390/wevj12010008
  24. Tunç, T., & Erdem, H. (2024). Lityum iyon batarya için dikkat mekanizmalı çeşitli tekrarlayan birim (GRU) sinir ağını temel alan sağlık durumu (SOH) tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 13(2), 639–647. Doi: https://doi.org/10.28948/ngumuh.1407480
  25. Vidal, C., Malysz, P., Kollmeyer, P., & Emadi, A. (2020). Machine learning applied to electrified vehicle battery state of charge and state of health estimation: State-of-the-art. IEEE Access, 8, 52796–52814. Doi: https://doi.org/10.1109/ACCESS.2020.2980961
  26. Winter, M., & Brodd, R. J. (2004). What are batteries, fuel cells, and supercapacitors? Chemical Reviews, 104(10), 4245–4270. Doi: https://doi.org/10.1021/cr020730k
  27. Xie, Q., Suvarna, M., Li, J., Zhu, X., Cai, J., & Wang, X. (2021). Online prediction of mechanical properties of hot rolled steel plate using machine learning. Materials & Design, 197, 109201. Doi: https://doi.org/10.1016/j.matdes.2020.109201
  28. Yavuz, S., & Deveci, M. (2012). İstatiksel normalizasyon tekniklerinin yapay sinir ağının performansına etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167–187.
  29. Zahid, T., Xu, K., Li, W., Li, C., & Li, H. (2018). State of charge estimation for electric vehicle power battery using advanced machine learning algorithm under diversified drive cycles. Energy, 162, 871–882. Doi: https://doi.org/10.1016/j.energy.2018.08.071