Perpustakaan Digital ITB

Dalam era perkembangan teknologi yang pesat, pengelolaan energi dan efisiensi sistem penyimpanan daya, khususnya baterai LiFePO?, menjadi aspek penting dalam pengembangan kendaraan listrik dan sistem energi terbarukan. Penelitian ini bertujuan untuk menganalisis dampak efek memori terhadap estimasi kondisi muatan (KM) baterai LiFePO? dengan menerapkan pendekatan physics informed machine learning (PIML). Efek memori direpresentasikan dalam bentuk energi akumulasi pengisian dan pengosongan, yang ditambahkan sebagai fitur pada pemodelan. Dua algoritma pembelajaran mesin yang digunakan adalah random forest dan extreme gradient boosting (XGBoost), dengan pengembangan model mengikuti kerangka kerja CRISP-DM. Hasil evaluasi menunjukkan bahwa penambahan informasi fisika secara umum meningkatkan akurasi estimasi KM, terutama pada random forest dengan penurunan nilai RMSE dari 0,018 menjadi 0,0004. Namun, efektivitas integrasi informasi fisika pada data pengujian sangat bergantung pada karakteristik arus pengujian dan jenis algoritma yang digunakan dikarenakan set data pada pengujian berbeda dengan set data pelatihan model. Pada pengujian arus rendah (180 mA), random forest berbasis informasi fisika menunjukkan peningkatan performa, sedangkan pada arus tinggi (600 mA), XGBoost justru memberikan hasil yang lebih baik dibandingkan versi tanpa informasi fisika. Temuan ini menegaskan bahwa efek memori melalui energi akumulasi dapat memperkuat akurasi estimasi KM, namun perlu disesuaikan dengan sifat algoritma dan distribusi data yang digunakan.