Perpustakaan Digital ITB

Baterai yang merupakan alat penyimpanan energi, penggunaannya saat ini diproyeksi mengalami peningkatan seiring dengan meningkatnya penggunaan kendaraan listrik terutama di Indonesia. Baterai perlu dilengkapi dengan Battery Management System (BMS) sebagai sistem yang memonitor kinerjanya. BMS menjadi sistem manajemen baterai yang penting dalam memonitor dan memaksimalkan kinerja baterai, salah satunya melakukan monitoring kondisi kesehatan (KK) atau state-of-health (SOH) dari baterai. Kondisi kesehatan baterai adalah kondisi kapasitas terkini dibandingkan dengan kapasitas saat kondisi baru yang mengalami penurunan seiring terjadinya degradasi baterai akibat pemakaian maupun paparan dari kondisi lingkungan. Melakukan estimasi dari kondisi kesehatan baterai menjadi sebuah tantangan terutama dalam pemilihan metode maupun dari kondisi karakteristik masing-masing baterai. Salah satunya adalah estimasi kondisi kesehatan dari beberapa material baterai yang berbeda. Pada penelitian ini dimaksudkan untuk dapat melakukan estimasi dari kondisi kesehatan baterai pada beberapa jenis material baterai. Untuk mencapai tujuan tersebut digunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) sebagai alur pengembangan estimator yang terdiri dari beberapa tahapan. Tahap pertama adalah tahap pemahaman bisnis yang mana menetapkan bahwa tujuan yang ingin dicapai adalah melakukan estimasi KK dengan sebuah dataset material, yang selanjutnya dapat diaplikasikan ke material lain. Hal ini juga dimaksudkan agar pengembangan estimator hanya membutuhkan biaya komputasi yang minimum. Pada tahap pemahaman data ditetapkan beberapa data material yang menjadi objek dan batasan penelitian. Data baterai ini didapatkan dari data hasil penelitian yang telah dipublikasikan oleh penelitinya yakni data baterai material Lithium Nickel-Cobalt-Alumunium-Oxide (NCA) dari Aachen University, data baterai material Lithium Iron Phosphate (LFP) dari Berkeley University dan data baterai material Lithium Cobalt Oxide (LCO) dari Toyota Research University – MIT – Stanford, yang masing-masing memiliki nominal kapasitas dan tegangan yang berbeda. Pada tahap persiapan data dilakukan konversi, kompresi, pembuatan fitur, pemilihan fitur dan pembersihan data agar dapat digunakan sebagai data latih, data tes maupun data validasi untuk estimator KK. Proses pembuatan fitur dilakukan dengan menggabungkan beberapa fitur statistik dari tegangan, arus, dan temperatur. Kemudian juga digunakan Incremental Capacity Analysis (ICA) untuk mendapatkan beberapa fitur yang diperoleh dari metode pengisian atau pengurasan dengan arus konstan. Dari fitur input yang didapatkan dilakukan pemilihan fitur melalui pencarian korelasi dengan fitur target yakni SOH, untuk mendapatkan fitur yang memiliki korelasi tinggi, dan memberikan hasil tiga fitur utama berasal dari proses ICA. Setelah persiapan data dilakukan proses pemodelan dengan menggunakan tiga metode supervised machine learning yaitu XGBoost, SVR, dan Stacking. Data latih yang ditetapkan untuk membuat estimator adalah data material NCA sebesar 70%, dengan 30% data sebagai data tes. Dilakukan juga pengujian menggunakan penambahan fitur yang memiliki korelasi yang lebih rendah dibandingkan yang didapatkan pada proses ICA. Selain pembuatan estimator KK, juga dilakukan pengujian pembuatan hubungan antara kondisi kesehatan atau fitur SOH dengan nilai puncak ICA dan jumlah siklus untuk melihat proses penurunan kondisi kesehatan. Tahap terakhir adalah tahap evaluasi dimana hasil estimator yang telah dilatih berdasarkan data NCA sebesar 70% dengan metrik error seperti RMSE, MAE, dan MAPE. Model estimator akan dilakukan evaluasi menggunakan data NCA sebesar 30%, dan data validasi dari data material lain yang berbeda yakni LFP dan LCO untuk melihat kemampuan prediksi terhadap material lain. Berdasarkan percobaan yang dilakukan dengan membandingkan penggunaan supervised machine learning yakni XGBoost, SVR dan Stacking. Didapatkan metode Stacking dapat memberikan error yang lebih rendah dibandingkan dengan model standar XGBoost dan SVR dengan RMSE 0,6030 terhadap data tes. Hasil percobaan menunjukkan kombinasi fitur yang didapatkan dari proses ICA yakni nilai puncak ICA, tegangan saat nilai puncak, dan luasan area puncak menjadi fitur dengan korelasi yang tinggi terhadap fitur SOH dan dengan hanya menggunakan satu data latih yakni dataset material NCA. Hasil evaluasi model estimator dengan data validasi LFP dan LCO menunjukkan bahwa estimator KK yang dibuat dari supervised machine learning Stacking mampu melakukan generalisasi prediksi KK pada data material lain yakni LFP dengan nilai error terendah RMSE di 1,0476%, MAE di 0,7676%, MAPE di 0.0084%, dan LCO dengan error terendah RMSE di 0,7317%, MAE di 0.4601%, MAPE di 0.0047%. Selain itu didapatkan hubungan penurunan puncak ICA seiring dengan penurunan kondisi kesehatan (KK) dari data material NCA dan LFP. Kata kunci: baterai, BMS, CRISP-DM, estimator, kondisi kesehatan, lithium, ICA, LCO, LFP, NCA, SOH, supervised machine learning, Stacking.