Salah satu pembahasan dalam penelitian mobil listrik adalah sumber energi atau baterai. Baterai pada mobil listrik mempunyai kapasitas yang terbatas sehingga harus dilakukan pengisian ulang agar mobil listrik tetap bisa berjalan jauh. Keadaan ini bila tidak segera diatasi bisa menyebabkan baterai tiba – tiba habis ditengah jalan. Tentu hal ini membuat cemas dan tidak nyaman bagi pengguna mobil listrik. Oleh karena itu diperlukan peramalan kapasitas baterai agar diketahui kapan waktunya untuk mengisi ulang baterai atau bahkan menggantinya. Penelitian ini membahas peramalan kapasitas baterai mobil listrik berbasis kecerdasan buatan levenberg marquardt neural network, serta membandingkan dengan sistem recurrent neural network. Kondisi mobil listrik menggunakan tiga kondisi beban yaitu kecepatan maksimal, akselerasi awal, dan tanjakan. Hasil penelitian menunjukkan peramalan sisa kapasitas baterai saat kecepatan maksimal setelah pemakaian selama 30 menit, sisa kapasitas baterai yang dapat digunakan diramalkan dengan backpropagation sebesar 61 Ah, dengan recurrent sebesar 60,5 Ah. Sedangkan target kapasitas sebesar 59,6 Ah. Sehingga metode terbaik dalam meramalkan kapasitas baterai adalah menggunakan recurrent neural network. Kata Kunci: Baterai lead acid, levenberg marquardt, mobil listrik, neural network, peramalan.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.