FEED FORWARD NEURAL NETWORK SEBAGAI ALGORITMA ESTIMASI STATE OF CHARGE BATERAI LITHIUM POLYMER
Abstract
Estimasi State Of Charge (SOC) baterai merupakan parameter terpenting dalam Battery Management System (BMS), terlebih sebagai aplikasi dari mobil listrik dan smart grid. SOC tidak dapat dilakukan pengukuran secara langsung, sehingga diperlukan metode estimasi untuk mendapatkan nilai tersebut. Beberapa metode yang pernah diusulkan adalah coloumb counting dan open circuit voltage. Akan tetapi coloumb counting memiliki kelemahan dalam hal inisialisasi SOC awal dan memiliki ketergantungan terhadap sensor arus. Sedangkan metode open circuit voltage hanya dapat digunakan pada baterai dalam kondisi idel. Pada penelitian ini diusulkan metode algoritma Feed Forward Neural Network (FFNN) untuk estimasi SOC baterai lithium polymer. Algoritma ini dapat menyelesaikan sistem nonlinier seperti yang dimiliki oleh baterai lithium polymer. Arsitektur FFNN dibangun dua kali (dual neural) untuk estimasi OCV dan SOC. FFNN pertama dengan input tegangan, arus, dan waktu charging maupun discharging untuk estimasi OCV. OCV hasil training neural pertama digunakan sebagai input FFNN kedua untuk estimasi SOC. Hasil dari estimasi ini didapatkan dengan nilai hidden neuron 11 pada neural pertama dan hidden neuron 4 pada neural kedua.
Keywords: SOC, BMS, Coloumb Counting, OCV, FFNN
Estimasi State Of Charge (SOC) baterai merupakan parameter terpenting dalam Battery Management System (BMS), terlebih sebagai aplikasi dari mobil listrik dan smart grid. SOC tidak dapat dilakukan pengukuran secara langsung, sehingga diperlukan metode estimasi untuk mendapatkan nilai tersebut. Beberapa metode yang pernah diusulkan adalah coloumb counting dan open circuit voltage. Akan tetapi coloumb counting memiliki kelemahan dalam hal inisialisasi SOC awal dan memiliki ketergantungan terhadap sensor arus. Sedangkan metode open circuit voltage hanya dapat digunakan pada baterai dalam kondisi idel. Pada penelitian ini diusulkan metode algoritma Feed Forward Neural Network (FFNN) untuk estimasi SOC baterai lithium polymer. Algoritma ini dapat menyelesaikan sistem nonlinier seperti yang dimiliki oleh baterai lithium polymer. Arsitektur FFNN dibangun dua kali (dual neural) untuk estimasi OCV dan SOC. FFNN pertama dengan input tegangan, arus, dan waktu charging maupun discharging untuk estimasi OCV. OCV hasil training neural pertama digunakan sebagai input FFNN kedua untuk estimasi SOC. Hasil dari estimasi ini didapatkan dengan nilai hidden neuron 11 pada neural pertama dan hidden neuron 4 pada neural kedua.
Kata kunci: SOC, BMS, Coloumb Counting, OCV, FFNN
Full Text:
PDFReferences
BPPT, Indonesia Energy Outlook 2018: Sustainable Energy for Land Transportation, vol. 134, no. 4. 2018.
P. Venugopal and T. Vigneswaran, “State-of-charge estimation methods for Li-ion batteries in electric vehicles,” Int. J. Innov. Technol. Explor. Eng., vol. 8, no. 7, pp. 37–46, 2019.
C. Youssef, D. Omar, G. Ahmed, E. Fatima, and E. S. Najia, “Design and simulation of an accurate neural network state-of-charge estimator for lithium ion battery pack,” Int. Rev. Autom. Control, vol. 10, no. 2, pp. 186–192, 2017.
I. Baccouche, S. Jemmali, A. Mlayah, B. Manai, and N. E. Ben Amara, “Implementation of an improved Coulomb-counting algorithm based on a piecewise SOC-OCV relationship for SOC estimation of Li-ion battery,” Int. J. Renew. Energy Res., vol. 8, no. 1, pp. 178–187, 2018.
K. S. Ng, Y. F. Huang, C. S. Moo, and Y. C. Hsieh, “An enhanced coulomb counting method for estimating state-of-charge and state-of-health of lead-acid batteries,” INTELEC, Int. Telecommun. Energy Conf., pp. 2–6, 2009.
E. Leksono, I. N. Haq, M. Iqbal, F. X. N. Soelami, and I. G. N. Merthayasa, “State of charge (SoC) estimation on LiFePO4 battery module using Coulomb counting methods with modified Peukert,” Proc. 2013 Jt. Int. Conf. Rural Inf. Commun. Technol. Electr. Technol. rICT ICEV-T 2013, pp. 4–7, 2013.
C. Zhang, J. Jiang, L. Zhang, S. Liu, L. Wang, and P. C. Loh, “A generalized SOC-OCV model for lithium-ion batteries and the SOC estimation for LNMCO battery,” Energies, vol. 9, no. 11, 2016.
F. Liu, T. Liu, and Y. Fu, “An Improved SoC Estimation Algorithm Based on Artificial Neural Network,” Proc. - 2015 8th Int. Symp. Comput. Intell. Des. Isc. 2015, vol. 2, pp. 152–155, 2016.
S. Jeon, J. J. Yun, and S. Bae, “Comparative study on the battery state-of-charge estimation method,” Indian J. Sci. Technol., vol. 8, no. 26, pp. 1–6, 2015.
DOI: http://dx.doi.org/10.20527/klik.v7i1.290
Copyright (c) 2020 KLIK - KUMPULAN JURNAL ILMU KOMPUTER
This work is licensed under a Creative Commons Attribution 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License. View My Stats