Perpustakaan Digital ITB

Pada konteks pemodelan estimasi state of charge (SOC) baterai, penelitian ini terfokus dalam menguji perubahan akurasi model SOC ketika dilibatkan variabel tambahan selain variabel utama (tegangan, arus, dan temperatur), yaitu indeks siklus pengisian-pengosongan (charge-discharge). Penambahan variabel ini dilakukan berdasarkan ekspektasi bahwa model harus bersifat robust (tahan) dan adaptif ketika aktivitas pengisian dan pengosongan terus dilakukan pada baterai. Tujuan penelitian ini yaitu untuk menganalisis pengaruh penambahan variabel indeks siklus pengisian-pengosongan terhadap akurasi model estimasi SOC pada baterai LiFePO4 18650 menggunakan deep neural network (DNN) dan berbagai algoritma regresi berbasis pohon (random forest regressor, decision tree regressor, dan gradient boosting regressor) . Penelitian ini menggunakan tiga buah baterai LiFePO4 (LFP) 18650 dengan variasi nilai constant current pada masing-masing baterai sebesar 180 mA, 210 mA, dan 240 mA dalam dua siklus untuk dataset utama. Diambil juga dataset tambahan dengan nilai constant current 240 mA pada siklus ketiga untuk menguji ketahanan model. Metodologi pada penelitian ini mencakup pengambilan data, pemrosesan data, pemodelan menggunakan empat algoritma machine learning, serta evaluasi dan analisis model. Hasil penelitian menyatakan bahwa akurasi model mengalami peningkatan secara konsisten pada keempat algoritma yang digunakan untuk dataset utama ketika dilakukan penambahan variabel indeks siklus (dari MAE < 2.0% menjadi MAE < 1.8%). Untuk pengujian model pada dataset tambahan, akurasi model juga mengalami peningkatan secara konsisten pada model dengan algoritma regresi berbasis pohon (dari MAE < 4.5% menjadi MAE < 3.7%), kecuali untuk model DNN yang justru menghasilkan prediksi yang menghasilkan lonjakan error yang besar ketika ditambahkan variabel indeks siklus (dari MAE < 5.3% menjadi MAE > 35.0%). Hal ini dikarenakan keterbatasan data nilai indeks siklus yang membuat model DNN salah dalam menginterpretasikan data baru. Keempat algoritma ini sangat berpotensi untuk dikembangkan dan diaplikasikan pada sistem nyata dan penelitian ini diharapkan memberikan kontribusi terhadap riset berikutnya dalam memberikan pertimbangan untuk menggunakan variabel indeks siklus untuk estimasi SOC.