Energy management system of hybrid fuel cell/battery system under low-temperature conditions

Abstract

Lityum-iyon bataryalarda Şarj Durumu (SOC) ve Kalan Deşarj Enerjisi (RDE) kestiriminin doğru yapılması; dinamik yük profilleri, sıcaklık değişimleri ve özellikle düşük sıcaklık koşullarında çalışan elektrikli sistemlerde güvenlik, menzil ve verim açısından kritik öneme sahiptir. Bu tez, deneysel batarya ölçümlerine dayalı makine öğrenmesi (ML) tabanlı SOC/RDE kestirimini; hibrit bir proton değişim membranlı yakıt hücresi (PEMFC)–batarya güç mimarisinin kontrol odaklı modellenmesi ve değerlendirilmesiyle birleştirerek bileşenden sisteme uzanan bütünleşik bir çerçeve sunmaktadır. Amaç, görev (mission) ölçekli simülasyonları fiziksel tutarlılığı koruyarak hızlandırmak ve gerçek zamanlı güç paylaşımı kararlarını sayısal olarak temellendirmektir. Batarya alt-sisteminde Sinir Ağları (NN), Gaussian Process Regression (GPR) ve Regression Tree (R-Tree) tabanlı modeller; değişken ortam sıcaklığı ve farklı C-rate uyarımları içeren, sürüş/mission karakteri taşıyan veri setleriyle eğitilmiş ve doğrulanmıştır. Tüm doğrulama senaryolarında yüksek doğruluk sağlanmış (R²>0.99); özellikle GPR, sıcaklık–akım etkileşiminin belirgin olduğu zorlu rejimlerde daha kararlı kestirimler üretirken, NN yaklaşımı daha yüksek çıkarım hızıyla gerçek zamanlı uygulamalar için öne çıkmıştır. Bu bulgular, durum kestiriminin yalnızca ortalama hata metrikleriyle değil, heterojen çalışma koşullarında süreklilik ve kararlılık açısından da değerlendirilmesi gerektiğini göstermektedir. PEMFC alt-sisteminde zamana bağlı dinamik çalışma incelenmiş, anot ve katot stokiyometri (S_an, S_cat) değişiminin performans üzerindeki etkileri nicel olarak değerlendirilmiştir. Sonuçlar, yüksek akım yoğunluklarında gerilim korunumu ve tepe güç yoğunluğu açısından katot stokiyometrisinin belirleyici olduğunu göstermektedir: S_cat = 2 koşulunda yaklaşık 0.60–0.62 W/cm² olan tepe güç yoğunluğu, S_cat = 4–5 aralığında 0.70–0.72 W/cm² seviyelerine yaklaşmaktadır. Buna karşın, ??an artışı daha sınırlı kazançlar sağlamakta ve hidrojen kullanım/atım verimliliği açısından azalan getiriler sergilemektedir. Kontrol amaçlı V_fc kestiriminde GPR düşük hata (RMSE?0.001618) sağlarken, NN yaklaşımı hızlı çıkarım kapasitesiyle avantaj sunmuştur. Son olarak, ML tabanlı PEMFC ve batarya vekil modelleriyle FSM/RB tabanlı bir Enerji Yönetim Stratejisi (EMS) geliştirilmiş ve basamaklı görev profili ile drive-cycle profillerinde test edilmiştir. Basamaklı profilde EMS "güç şok emici" gibi çalışmış; ani ??? geçişlerinde batarya hızlı tamponlama ile yük takibini korurken yakıt hücresi rampa/slew kısıtlarıyla yumuşatılmış bir yörüngede tutulmuştur. Yaklaşık 2400 s sonrası iniş/alçalma fazında bataryanın çift yönlü çalıştığı ve yakıt hücresi fazlasıyla şarj olduğu aralıklar gözlenmiştir. Drive-cycle'da EMS gerçek zamanlı bir "güç filtresi" gibi davranmış; yakıt hücresi ~45–55 W bandında düşük bant genişlikli baz kaynak olarak korunurken yüksek frekanslı bileşenler bataryaya aktarılmıştır. Stokiyometri koşullu karşılaştırmalar, (S_an, S_cat ) değişiminin PEMFC'nin dinamik güç zarfını değiştirerek güç paylaşımını ve batarya çevrim yoğunluğunu yeniden dağıttığını ortaya koymuştur.Accurate estimation of State of Charge (SOC) and Remaining Discharge Energy (RDE) in lithium-ion batteries is essential for the safe, efficient, and range-aware operation of electrified systems subjected to dynamic load profiles, ambienttemperature variations, and low-temperature conditions. This thesis presents an integrated component-to-system framework that combines (i) machine-learning (ML)–based SOC/RDE estimation trained on experimental battery measurements and (ii) control-oriented modelling and evaluation of a proton-exchange-membrane fuel cell (PEMFC)–battery hybrid architecture. The overarching goal is to accelerate mission-scale simulation while preserving physically plausible dynamics and supporting quantitatively grounded real-time power-sharing decisions. For the battery subsystem, Neural Networks (NN), Gaussian Process Regression (GPR), and Regression Tree (R-Tree) models were trained and validated using datasets that include realistic drive/mission excitations under varying ambient temperature and C-rate conditions. Across all validation scenarios, the models achieved very high agreement with experimental data (R² >0.99). In particular, GPR delivered more stable predictions in challenging operating regimes where temperature–current coupling becomes pronounced, whereas the NN approach offered substantially faster inference, making it attractive for real-time deployment. These findings emphasize that battery state estimation should be assessed not only by average error metrics but also by robustness and continuity under heterogeneous operating conditions. For the fuel cell subsystem, time-dependent PEMFC behavior was investigated with a focus on anode and cathode stoichiometry effects (S_an, S_cat) on performance and load-following capability. The results indicate that cathode stoichiometry is the dominant factor governing voltage retention and peak power density at high current densities: the peak power density increases from approximately 0.60–0.62 W/cm² at S_cat = 2 to about 0.70–0.72 W/cm² for S_cat = 4–5. By contrast, increasing anode stoichiometry ??_an yields more limited gains and exhibits diminishing returns in terms of hydrogen utilization/bleed-off efficiency. For control-oriented voltage prediction V_fc, the GPR-based surrogate achieved low error (RMSE ? 0.001618), while the NN surrogate provided high-throughput inference suitable for fast simulation and embedded implementation. Finally, a rule-based FSM/RB Energy Management Strategy (EMS) was developed using ML-based PEMFC and battery surrogates and evaluated under stepwise missionlike and drive-cycle demand profiles. In the stepwise mission case, the EMS acted as a "power shock absorber": the battery buffered abrupt ??? events to preserve load tracking, while the fuel cell followed a smoothed, ramp/slew-limited trajectory. After approximately 2400 s (landing/descent phase), bidirectional battery operation was observed, including intervals where fuel cell surplus charged the battery. Under the drive-cycle profile, the EMS behaved as a real-time power filter: the fuel cell was maintained as a low-bandwidth baseline (~45–55 W), while the battery supplied highfrequency components via rapid charge/discharge swings. Stoichiometry-conditioned comparisons further demonstrate that varying (S_an, S_cat) reshapes the PEMFC's usable dynamic envelope and redistributes the power-split burden and battery cycling intensity across sources.