Estimasi State of Charge Baterai Lithium Polymer Menggunakan Back Propagation Neural Network

Abstract

Baterai merupakan salah satu komponen yang penting dalam konteks implementasi renewable energy. Jenis Baterai yang memiliki kepadatan dalam penyimpanan energy adalah lithium polymer. Parameter dalam baterai yang harus diperhatikan adalah estimasi State Of Charge (SOC). Pada umumnya estimasi SOC baterai menggunakan metode coloumb counting karena tingkat kesulitanya rendah. Namun terdapat kelemahan dari sisi ketergantungan terhadap utilitas sensor arus yang digunakan sebagai akumulasi dari integral arus yang masuk maupun arus yang keluar terhadap waktu. Dalam penelitian ini menyajikan Back Propagation Neural Network (BPNN) sebagai algoritma untuk estimasi SOC berdasarkan kurva karakteristik OCV – SOC. Kurva karakteristik OCV – SOC baterai didapatkan dari pengujian pulsa baterai. Tegangan, arus, dan waktu discharging baterai digunakan sebagai input layer BPNN pertama untuk estimasi Open Circuit Voltage (OCV). OCV akan dilearning sebagai input layer BPNN kedua untuk estimasi SOC baterai. Hasil dari simulasi estimasi SOC didapatkan galat rata-rata sebesar 0.479% terhadap SOC riil berdasarkan kurva karakteristik OCV – SOC.

Distribution Transformer Secondary Bushing Temperature Detection Device using Feed Forward Neural Network

“…From the results of the regression plot graph, the structure of the ANN algorithm diagram appears as shown in Figure The structure of the FFNN network diagram is shown in Figure 5 which consists of several constituent components namely, Process Input 1; layer 1; Layer 2 and Process Output 1. Of the four main process components of the ERNN network above, then they are discussed in more detail to obtain Equations (1-6) (Prasetyo et al, 2020). In the input process for learning artificial neural networks, data normalization is carried out with the aim of producing a data representation that has a smaller value than the original data, but without losing its characteristics.…”