ABSTRAK Hilda Hamdah Husniyyah
PUBLIC Alice Diniarti COVER Hilda Hamdah Husniyyah
PUBLIC Alice Diniarti BAB 1 Hilda Hamdah Husniyyah
PUBLIC Alice Diniarti BAB 2 Hilda Hamdah Husniyyah
PUBLIC Alice Diniarti BAB 3 Hilda Hamdah Husniyyah
PUBLIC Alice Diniarti BAB 4 Hilda Hamdah Husniyyah
PUBLIC Alice Diniarti BAB 5 Hilda Hamdah Husniyyah
PUBLIC Alice Diniarti BAB 6 Hilda Hamdah Husniyyah
PUBLIC Alice Diniarti PUSTAKA Hilda Hamdah Husniyyah
PUBLIC Alice Diniarti
Baterai litium-ion banyak digunakan sebagai sumber tenaga dan juga perangkat
penyimpan energi seperti sistem baterai penyimpanan energi (SBPE). Namun, salah
satu masalah yang masih dihadapi baterai litium-ion adalah penurunan kinerja
baterai yang ditandai dengan adanya degradasi kapasitas baterai. Parameter kinerja
yang digunakan untuk mengkuantifikasi degradasi kapasitas adalah Kondisi
Kesehatan (KK). Degradasi dari KK ini tidak dapat diukur secara langsung,
sehingga diperlukan metode untuk estimasi KK. Salah satu metode estimasi KK
yang saat ini berkembang adalah dengan metode berbasis data. Data historis KK
memiliki jumlah data yang besar, sehingga membutuhkan model yang dapat
mengatasi data tersebut dengan akurasi yang tinggi. Diantara metode berbasis data,
metode deep learning dapat mengatasi data jumlah besar dengan akurasi yang
tinggi dan dengan perkembangan teknologi terkini dapat diiimplementasikan pada
sistem tertanam.
Estimasi KK ini akan dilakukan pada data operasional baterai NMC satu sel dan 1
modul baterai LFP yang terdiri dari 15 sel baterai. Objek data latih dan data validasi
yang digunakan merupakan baterai NMC dengan tegangan operasinal 3,7 VDC dan
kapasitas 3000 mAh dan baterai LFP kapasitas besar dengan tegangan operasional
3,2 VDC dengan kapasitas 100 Ah. Pemodelan baterai NMC berkapasitas kecil
digunakan sebagai strategi untuk memilih pemodelan terbaik dan dan hasilnya akan
digunakan untuk pada baterai LFP berkapasitas besar. Pada baterai NMC data
pemodelan yang digunakan diantaranya baterai NMC indek ke 2 (NMC2), untuk
data validasi menggunakan baterai yang berbeda NMC3 dan untuk data operasional
menggunakan NMC4. Pada baterai LFP data pemodelan yang digunakan baterai
LFP satu sel, untuk data validasi LFP siklus 5-12, dan untuk data operasional
menggunakan 1 modul LFP (15 sel). Metode deep learning yang digunakan
diantaranya DNN, RNN dan LSTM. Ketiga model tersebut dibandingkan dengan
metode lainnya yaitu support vector regression (SVR). Lalu dianalisis akurasi dari
masing – masing model dengan menggunakan model metrics. Model terbaik
diimplementasikan pada sistem tertanam untuk estimasi KK dari SBPE pada
kondisi operasional.
Model menggunakan fitur tanpa arus menghasilkan nilai error yang lebih kecil.
Sehingga fitur yang digunakan untuk pemodelan merupakan tegangan, kapasitas,
DoD dan deltaV. Berdasarkan penilaian kuantitatif (model metrics), RNN
mempunyai nilai error yang sedikit lebih kecil dibandingkan DNN, LSTM, SVR.
Didapatkan MAE =0,735%, RMSE = 0,836%, dan MAPE 2,298% terhadap data
validasi. Pemodelan baterai LFP menggunakan model RNN didapatkan MAE =
0,065%, RMSE = 0,083%, dan MAPE = 0,825% terhadap data validasi. Waktu
training dan waktu estimasi didapatkan sebesar 12,024 detik oleh RNN, 68,055
detik oleh DNN, 13,041 detik oleh LSTM, dan 68,055 detik oleh SVR. Jika
diurutkan berdasarkan waktu tercepat yaitu RNN, LSTM, DNN dan SVR.
Dikarenakan dalam proses training dan validasi model RNN memiliki error yang
lebih kecil, maka model RNN digunakan untuk mengestimasi KK pada data
operasional baterai.
Model estimasi KK diimplementasikan pada sistem tertanam, yaitu raspberry pi.
Proses implementasi tersebut dimulai dari upload model DoD, KK, dan kapasitas.
Semua model di load pada raspberry pi. Lalu membuat fungsi untuk perhitungan
kapasitas, siklus, dan deltaV. Setelah itu, dilakukan perhitungan kapasitas, DoD dan
deltaV berdasarkan fungsi yang telah dibuat. Setelah didapatkan semua fitur,
selanjutnya estimasi KK berdasarkan semua fitur tersebut. Waktu estimasi KK pada
raspberrypi didapatkan sebesar 1,714 detik, untuk waktu total sistem sebesar 3,037
detik terhadap data running sebanyak 100 data. Kondisi baterai NMC dan LFP saat
operasional menunjukkan kondisi sangat baik. Ditunjukkan dengan nilai KK ratarata
baterai NMC sebesar 97% terhadap penggunaan 10 kali/siklus 10 kali dan nilai
KK pada baterai LFP rata-rata sebesar 103% terhadap penggunaan 7 hari.