Estimasi Kondisi Muatan dan Kondisi Kesehatan Baterai VRLA dengan Metode RVP
Abstrak
Optimalisasi penggunaan baterai, termasuk baterai VRLA yang sering digunakan untuk keperluan penyimpanan energi dalam jumlah besar dengan harga yang rendah, biasa diupayakan dengan menyelenggarakan Sistem Manajemen Baterai (SMB). Untuk melakukan SMB, dibutuhkan informasi tentang Kondisi Muatan (KM) dan Kondisi Kesehatan (KK) baterai. KM didefinisikan sebagai rasio kapasitas sisa baterai saat ini dengan kapasitas baterai sebelum pengosongan, sedangkan KK baterai ialah rasio antara kapasitas penuh terukur terhadap kapasitas nominalnya pada saat baterai masih dalam keadaan baru beroperasi. Yang menjadi permasalahan, kedua informasi tersebut tidak dapat diukur secara langsung. Estimasi KM dan KK dapat dilakukan secara tidak langsung dengan menggunakan parameter-parameter yang mudah diukur, terutama tegangan dan arus pada terminal baterai. Makalah ini menggunakan metode Coulomb Counting (CC) dan Regresi Vektor Pendukung (RVP) untuk mengestimasi KM dan KK baterai VRLA yang digunakan sebagai energi cadangan sistem nanogrid yang ada di laboratorium. Makalah ini menggunakan modul mesin pembelajaran Python yang memungkinkan implementasi RVP dengan berbagai jenis kernel, di antaranya kernel linear, kernel polinomial, dan kernel RBF. Pengujian yang dilakukan menggunakan modul grid search menunjukkan bahwa kinerja terbaik diperoleh ketika menggunakan kernel RBF.
Referensi
M.M. Rahman, A.O. Oni, E. Gemechu, dan A. Kumar, “Assessment of Energy Storage Technologies: A Review,” Energy Convers. Manag., Vol. 223, hal. 113295, 2020.
D. Widjajanto, E. Leksono, dan A. Widyotriatmo, “Nanogrid Reliability Assessment Study Using Loss of Load Expectation,” Int. J. Renew. Energy Res., Vol. 9, No. 4, hal. 2040–2052, 2019.
S. Petrovic, Battery Technology Crash Course: A Concise Introduction, Cham, Switzerland: Springer, 2011.
J. Jung, L. Zhang, dan J. Zhang, Lead-Acid Battery Technologies - Fundamentals, Materials and Applications, Boca Raton, USA: CRC Press, 2016.
C. Vidal, P. Malysz, P. Kollmeyer, dan A. Emadi, “Machine Learning Applied to Electrified Vehicle Battery State of Charge and State of Health Estimation: State-of-the-Art,” IEEE Access, Vol. 8, hal. 52796–52814, 2020.
M. Danko, J. Adamec, M. Taraba, dan P. Drgona, “Overview of Batteries State of Charge Estimation Methods,” Transp. Res. Procedia, Vol. 40, hal. 186–192, 2019.
Y. Wang, J. Tian, Z. Sun, Z.L. Wang, R. Xu, M. Li, dan Z. Chen, “A Comprehensive Review of Battery Modeling and State Estimation Approaches for Advanced Battery Management Systems,” Renew. Sustain. Energy Rev., Vol. 131, hal. 110015, 2020.
P. Křivík, “Methods of SoC Determination of Lead Acid Battery,” J. Energy Storage, Vol. 15, hal. 191–195, 2018.
G.A. Trinandana, A.W. Pratama, E. Prasetyono, dan D.O. Anggriawan, “Real Time State of Charge Estimation for Lead Acid Battery Using Artificial Neural Network,” Proc. - 2020 Int. Semin. Intell. Technol. Its Appl. (ISITIA 2020), 2020, hal. 363–368.
V. Surendar, V.Mohankumar, S. Anand, dan V.D. Prasanna, “Estimation of State of Charge of a Lead Acid Battery Using Support Vector Regression,” Procedia Technol., Vol. 21, hal. 264–270, 2015.
S. Boulmrharj, R. Ouladsine, Y. NaitMalek, M. Bakhouya, K. Zine-dine, M. Khaidar, dan M. Siniti, “Online Battery State-of-Charge Estimation Methods in Micro-Grid Systems,” J. Energy Storage, Vol. 30, hal. 1–18, 2020.
S.C. Huang, K.H. Tseng, J.W. Liang, C.L. Chang, dan M.G. Pecht, “An Online SOC and SOH Estimation Model for Lithium-Ion Batteries,” Energies, Vol. 10, No. 4, hal. 1-18, 2017.
R.H. Saputra, “Estimasi SOC dan SOH pada Sistem Baterai dengan Metode Support Vector Machine.” Institut Teknologi Bandung, Bandung, Indonesia, Laporan Penelitian, hal. 1–10, 2016.
B. Gou, Y. Xu, dan X. Feng, “State-of-Health Estimation and Remaining-Useful-Life Prediction for Lithium-Ion Battery Using a Hybrid Data-Driven Method,” IEEE Trans. Veh. Technol., Vol. 69, No. 10, hal. 10854–10867, 2020.
A. Guha dan A. Patra, “State of Health Estimation of Lithium-Ion Batteries Using Capacity Fade and Internal Resistance Growth Models,” IEEE Trans. Transp. Electrif., Vol. 4, No. 1, hal. 135–146, 2017.
A. Nefedov (2016) “Support Vector Machines: A Simple Tutorial,” [Online], https://sustech-cs-courses.github.io/IDA/materials/Classification/SVM_tutorial.pdf, tanggal akses: 25-Jun-2019.
S. Shokri, M.T. Sadeghi, M.A. Marvast, dan S. Narasimhan, “Improvement of the Prediction Performance of a Soft Sensor Model Based on Support Vector Regression for Production of Ultra-Low Sulfur Diesel,” Pet. Sci., Vol. 12, No. 1, hal. 177–188, 2015.
R.J. Hyndman (2014) “Measuring Forecast Accuracy,” [Online]. https://robjhyndman.com/papers/forecast-accuracy.pdf, tanggal akses: 25-Jun-2019.
© Jurnal Nasional Teknik Elektro dan Teknologi Informasi, di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.
2.png)
