Estimasi Kondisi Muatan dan Kondisi Kesehatan Baterai VRLA dengan Metode RVP
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)...
Guardado en:
| Autores principales: | , , , , |
|---|---|
| Formato: | article |
| Lenguaje: | EN ID |
| Publicado: |
Universitas Gadjah Mada
2021
|
| Materias: | |
| Acceso en línea: | https://doaj.org/article/15e4260042a3456cad439f1b65feb87d |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | 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. |
|---|