Perpustakaan Digital ITB

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.