Perpustakaan Digital ITB

Baterai Lithium-ion merupakan tempat penyimpanan energi yang banyak diaplikasikan pada kendaraan listrik dan kebutuhan-kebutuhan lainnya seperti sistem baterai penyimpanan energi (SPBE). Salah satu hal yang sangat krusial dalam sistem manajemen baterai adalah kondisi muatan (KM). Kondisi muatan (KM) menggambarkan sisa muatan yang ada pada sel baterai yang berhubungan dengan kapasitas baterai. Tetapi, nilai kapasitas pada baterai tidak konstan seiring berjalannya waktu sehingga diperlukan metode untuk estimasi KM. Salah satu metode estimasi KM yang saat ini berkembang adalah metode berbasis data. Data historis KM memiliki jumlah data yang besar, sehingga membutuhkan model yang dapat mengatasi data tersebut dengan akurasi yang tinggi. Di antara model berbasis data, metode deep learning dapat mengatasi jumlah data yang besar dengan akurasi yang tinggi. Metode data-driven terutama metode pembelajaran mendalam saat ini banyak digunakan untuk prediksi dan estimasi. Metode supervised learning digunakan karena lebih akurat dan cepat pada kasus prediksi input dan output yang dicapai. Salah satu metode pembelajaran yang digunakan pada penelitian ini adalah metode deep neural network (DNN). Dalam penelitian ini analisis parameter yang digunakan adalah estimasi KM berdasarkan parameter suhu. Faktor suhu tentu sangat mempengaruhi nilai estimasi SOC dan nilai error yang dihasilkan. Penelitian ini dilakukan dengan menggunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM). Pada pemahaman bisnis akan didefinisikan tujuan yang dicapai yaitu estimasi KM dengan penambahan input parameter berupa suhu pada SBPE. SBPE yang digunakan adalah 1 modul yang terdiri dari 15 sel baterai LiFePO4 3,2 VDC 100Ah.. Pada penelitian ini peneliti menggunakan dua jenis dataset yang berbeda yaitu data SBPE 1 yaitu pengujian pada kondisi discharge dan data SBPE 2 yaitu pengujian 1 modul baterai LFP pada kondisi idle. Pada bagian pemahaman data dideskripsikan jenis baterai, struktur dan profil masing-masing dataset yang digunakan, Selanjutnya akan dilakukan proses feature selection, perhitungan kapasitas dan perhitungan KM. Kemudian dilakukan pemodelan dengan menggunakan pembelajaran mendalam yaitu deep neural network untuk melakukan estimasi kondisi muatan. Parameter input yang digunakan adalah tegangan, arus, kapasitas dan suhu dengan parameter output yaitu kondisi muatan. Oleh karena itu, dalam penelitian ini tentang estimasi kondisi muatan pada baterai lithium-ion menggunakan metode deep neural network dengan menambahkan fitur suhu serta dilakukan dalam beberapa skenario pengujian dengan masing-masing skenario pengujian terbagi atas 4 (empat) skenario yaitu, VCT (tegangan, kapasitas, suhu), VCIT (tegangan, kapasitas, arus, suhu), VIT (tegangan, arus, suhu), VT (tegangan, suhu). Pada SBPE 1 didapatkan hasil terbaik ada pada skenario 1 yaitu Tegangan, Kapasitas dan Suhu (VCT) dengan nilai RMSE = 0,0026, MAE = 0,0017, MAPE = 3,2289%. Sedangkan pada data SBPE 2 memiliki nilai model metrics yang sama persis dengan skenario yang lainnya yaitu dengan nilai RMSE = 0,0190, MAE = 0,0152, MAPE = 0,0152%. Pada data SBPE 1 didapatkan waktu training tercepat ada pada skenario VIT(tegangan, arus dan suhu) dengan waktu training selama 28,29 s, namun untuk waktu estimasi tercepat ada pada skenario VCIT(tegangan, kapasitas, arus, suhu) & VT(tegangan, suhu) dengan waktu estimasi selama 0,23 s. Pada data SBPE 2 waktu training dan waktu estimasi tercepat ada pada skenario Tegangan, Arus, dan Suhu (VIT) dengan waktu training selama 77,65 s, waktu estimasi 0,22 s. Pada data SBPE 2 apabila diurutkan berdasarkan waktu training dan estimasi dari yang tercepat hingga terlama VIT