Perpustakaan Digital ITB

Pengembangan kendaraan listrik di dunia masih terus berkembang untuk mencapai kinerja yang efisien dan optimal. Berbagai masalah pada kendaraan listrik terbesar terletak pada baterai yang merupakan sumber energi. Daya penggunaan dan umur baterai merupakan faktor yang harus ditingkatkan. Memperpanjang umur baterai erat kaitannya dengan monitoring yang baik. Monitoring pada baterai salah satunya adalah kondisi muatan (KM). Namun kondisi muatan tidak dapat diukur secara langsung melainkan dengan estimasi. Estimasi kondisi muatan sistem baterai sulit karena kompleksitas elektrokimia yang terlibat dalam penuaan baterai, sehingga masih terdapat kendala untuk mencapai akurasi yang dibutuhkan. Hal ini disebabkan oleh kesulitan dalam mengidentifikasi sifat parameter model yang berubah - ubah waktu dan dalam mengumpulkan dataset pelatihan pada objek fisik dari mode penggunaan baterai yang sangat bervariasi. Maka perlu sistem manajemen baterai (BMS) untuk melakukan monitoring baterai. BMS merupakan komponen kunci baterai untuk memastikan keamanan, daya tahan, menghindari kerusakan fisik, dan pelarian termal. Namun pengembangan BMS terus dilakukan untuk meningkatkan keandalan kinerjanya dalam manajemen baterai. Secara umum permasalah utama pengembangan teknologi BMS terbagi atas tiga aspek yakni pertama, sistem baterai litium sangat nonlinier, dengan skala multi spasial, dan penuaan skala multi waktu, sehingga sulit untuk memodelkan secara akurat. Kedua, kondisi internal baterai tidak dapat diperoleh dengan pendekatan pengukuran langsung. Ketiga, sel baterai tidak konsisten mempengaruhi efisiensi kemasan, yang meningkatkan bahaya tersembunyi dari baterai. Penelitian ini berfokus untuk mengembangkan BMS untuk estimasi kondisi muatan karena berfungsi untuk memastikan operasi yang andal, mengoptimalkan sistem baterai, dan memberikan dasar untuk manajemen keselamatan. Permasalahan yang diangkat pada penelitian ini adalah belum adanya estimasi kondisi muatan untuk kendaraan listrik (etrike) yang dikembangkan oleh Lab Manajemen Energi ITB, agar BMS dapat diaplikasikan pada kendaraan listrik yang terdiri atas 480 sel baterai litium NMC 18650. Pengembangan BMS pada penelitian ini berbasis digital twin yang merupakan representatif dari objek fisik. Keunggulan BMS berbasis digital twin adalah pemantauan status baterai yang terus-menerus dan akurat didukung oleh daya komputasi yang tinggi. Prediksi degradasi dengan pembelajaran mesin yang akurat, deteksi dini kegagalan sistem dengan analisis big data. Manfaat lainnya adalah meningkatkan keamanan dan keandalan sistem, optimalisasi desain sistem dan strategi operasi dengan mengevaluasi big data dari sistem baterai dengan skenario operasi yang berbeda. Estimasi kondisi muatan menggunakan algoritma artificial neural network (ANN) yang terinspirasi dari cara kerja otak manusia. ANN membutuhkan latihan data untuk pembuatan model estimasi kondisi muatan baterai. Model yang didapatkan setelah melalui latihan data, diimplementasikan untuk estimasi kondisi muatan baterai pack kendaraan listrik saat beroperasi. Hasil akhir penelitian menunjukkan objek fisik dan objek digital saling terhubung dan terjadi pertukaran data secara real time. Akurasi estimasi KM menggunakan ANN pada penelitian ini memiliki nilai RMSE sebesar 1,43, MAE 1,17 dan MAPE 1,35. Waktu yang dibutuhkan untuk estimasi KM dengan jumlah baris 1934 adalah 0,24 detik. Saat beroperasi, estimasi KM baterai kendaraan listrik dipengaruhi oleh beberapa variabel seperti arus, tegangan dan temperature. Hasil estimasi KM baterai kendaran listrik saat beroperasi adalah sekitar 81,47 - 90,34%.