2 results
Search Results
Now showing 1 - 2 of 2
Master Thesis State of charge (SOC) optimization of reconfigurable battery network(2021) Atar, Zaınab; Khan, UmerPiller, özellikle lityum iyon (Li-ion) olmak üzere önemli bir enerji kaynağıdır. Şaşırtıcı kimyasal özellikleri, elektrikli araçlar (EV'ler) dahil olmak üzere birçok uygulama alanında onları favori haline getirdi. Sistem gereksinimlerini karşılamak için, sabit veya yeniden yapılandırılabilir bir yapıda birden fazla pil bağlanır. Bu mimarilerin karşılaştığı birçok sorun, özellikle de zayıf pil kullanımının aşılması da dahil olmak üzere sabit yapı göz önüne alındığında, bu çalışma, tüm sistem gereksinimlerini karşılamak için yeniden yapılandırılabilen gelişmiş bir pil sistemi önermektedir. Hasarlı bir pilin kullanımını atlama yeteneğine ek olarak, şarj olan bir pil, bağlantının geri kalanından tamamen ayrılabilir. Bu piller, seri, paralel veya hibrit olsun, belirli bir konfigürasyonda bağlandıklarında, tekrarlanan kullanım nedeniyle piller arasında şarj ve deşarj dengesizliğine neden olan bir performans hatasıyla karşı karşıya kalırlar. Pillerden biri aşırı şarj veya aşırı deşarj nedeniyle hasar görürse, sistemin genel performansı üzerinde kötü etkilere neden olabilir. Bu araştırma, pillerin yaşam döngülerini iyileştirmek için piller arasında bir denge sağlamak için gelişmiş bir pil yönetim sistemi önermektedir. Ayrıca, şarj için maksimum değeri veya minimum deşarj değeri sağlayarak pillerin aşırı şarj edilmesini veya aşırı boşalmasını önler, çünkü bu iki değerde pilin durumu deşarjdan şarja veya tam tersidir. Böylece çalışma süresi boyunca sistemin en üst seviyede çalışmasını sağlar. Bu çalışma aynı zamanda optimum yük voltajını sağlamak için bir optimizasyon algoritması önermektedir. Bu konfigürasyonun seçimi, her bir pil için gerekli voltajın yanı sıra şarj durumuna (SOC) bağlıdır. Sistemi çalışma süresi boyunca gerekli voltajla donatmak için bu tez, düşük şarjlı pili seri ve paralel konfigürasyonlarda boşalmaya hazır başka bir pil ile değiştirmek için bir algoritma önermektedir. Ayrıca hibrit konfigürasyonda iki konfigürasyon arasında köprü oluşturan ortak pil de değiştiriliyor. Tüm pillerin şarj olduğu göz önüne alındığında, bu araştırma, en az bir pil kullanılabilir hale gelene kadar yükün harici bir voltaj kaynağından voltajla beslenmesini önerir. MATLAB'de simülasyon kullanımına dayanan sonuçlar, önerilen algoritmaların, tüm pilleri aşırı şarj ve aşırı deşarjdan koruyan etkili bir pil yönetim sistemi elde etme yeteneğini göstermiştir. Ek olarak, konfigürasyondaki değişikliklere rağmen sistemin çalışma süresi boyunca gerekli voltajı sağlayabildiği de gösterilmiştir. Ayrıca, Geliştirilmiş Yeniden Yapılandırılabilir Enerji Geliştirilmiş Mimarinin (I-REEA) çalışma süresi boyunca bağlantılardaki tüm değişiklikleri karşılama yeteneğini gösterir. Anahtar Kelimeler: Lityum iyon akü (Li-ion), Şarj Durumu (SOC), Elektrikli araçlar (EV'ler), Akü yönetim sistemi (BMS), hücre dengeleme, akü dengeleme sistemi, akü şarjı, seri bağlı akü, paralel bağlı akü, hibrit konfigürasyon, akü paketi, akü yeniden konfigüre edilebilir sistem, akü enerji sistemi ve optimizasyon.Master Thesis Derin Öğrenme ile Orman Yangını Tespiti(2024) Özel, Berk; Khan, Muhammad UmerFire detection systems are critical for safeguarding lives and minimizing property damage. One of the key areas where such systems are vital are forest fires. In recent years, there have been several record-breaking forest fires in terms of size, duration, and destruction. Traditional methods of fire detection, such as smoke or heat sensors, have their limitations, leading to the emergence of innovative approaches based on advanced technologies. This thesis examines the application of Batch-Instance Normalization combined with ResNet, a deep learning model for wildfire detection. The study compares the performance of Batch-Instance Normalization with other normalization approaches. In this study, a forest fire dataset is used which is taken from the Kaggle for training the model. The Dataset includes 4609 images, 2120 Fire and 2499 Non-Fire images. The ResNet model is tested with eight different optimizers and trained with the one that gives the best results. The experiments evaluate the impact of normalization techniques and optimizers on the accuracy of wildfire detection. The results show that Batch-Instance Normalization with single exponential smoothing significantly improves the accuracy of the model. It attains F1-score of 96.14%, accuracy of 96.56%, and precision of 99.49%. A minimum 1%, accuracy difference, %0.6 F1 score difference, %1.05 precision difference were obtained from other normalization methods. Combining the capabilities of deep learning with the innovative Batch-Instance Normalization has demonstrated a promising and effective solution for wildfire detection.
