BAB I PENDAHULUAN 1.1. Latar Belakang Efisiensi energi dan permasalahan lingkungan merupakan isu yang hangat diperbincangkan di seluruh dunia. Demi mendukung gerakan efisiensi energi, Electric Vehicles (EV) atau kendaraan listrik merupakan salah satu solusi yang luar biasa dan menjanjikan. Sebagai sumber daya, baterai memainkan peran penting dalam sistem EV. Salah satu jenis baterai yang banyak digunakan pada sistem EV adalah baterai Lithium Polymer (LiPo). Baterai LiPo telah banyak diadopsi dalam sistem EV karena memiliki kerapatan daya, low self-discharge, efisiensi energi yang tinggi dan tahan lama [1]. Namun proses charging yang lama (Over Charge) dan kurangnya proses charging (Over Discharge) dapat mengurangi kinerja baterai dalam menyimpan energi. Oleh karena itu, Battery Management Systems (BMS) diperlukan untuk menjamin kinerja, keamanan dan keandalan baterai. Salah satu fungsi yang paling signifikan dalam BMS adalah memperkirakan kapasitas baterai atau State of Charge (SOC). Variabel SOC adalah faktor yang penting untuk mengidentifikasi kondisi Over-Charge dan Over-Discharge yang dapat mengakibatkan kerusakan irreversible (berubah-ubah) pada baterai LiPo. Variabel SOC merupakan salah satu variabel yang tidak dapat dilakukan pengukuran secara langsung seperti pada variabel tegangan atau arus. Sehingga diperlukan metode yang tepat untuk mendapatkan nilai SOC yang optimal. Terdapat berbagai macam metode untuk mengestimasi SOC. Setiap metode memiliki kekurangan dan kelebihan masing-masing. Metode Coulomb Counting (Ampere-Hour Integral) adalah teknik yang paling banyak digunakan karena sederhana dan mudah diimplementasikan [2], [3]. Namun akurasi Coulomb Counting sangat tergantung pada keakuratan pengukuran arus dan algoritme inisialisasi. Tanpa mekanisme koreksi, kesalahan perhitungan metode ini akan diakumulasikan. Beberapa metode adaptif yang juga dapat digunakan untuk estimasi SOC yaitu Kalman Filter (KF) [4] dan Open Current Voltage (OCV). Pada SOC estimator berdasarkan KF, SOC dianggap sebagai keadaan internal dari sistem baterai. Pada
penggunaan mekanisme self-correction, SOC estimator berdasarkan KF dapat memperoleh hasil yang cukup akurat jika model baterai sempurna. Hal ini telah dibuktikan oleh banyak penelitian. Selain itu, ada metode estimasi lain dilaporkan efektif, misalnya, yang didasarkan pada keseimbangan OCV (tegangan rangkaian terbuka) [5][6][7]. Selain metode Hard Computing dan metode adaptif, estimasi SOC dapat dilakukan dengan pendekatan metode kecerdasan buatan. Pendekatan metode cerdas yang diterapkan untuk merancang model Black Box untuk estimasi SOC seperti jaringan saraf tiruan model [8][9][10], Fuzzy Logic Model [11][12][13] dan Support Vector Machine (SVM) [14][15][16]. Jaringan saraf tiruan dan SVM dapat memberikan perkiraan SOC yang cukup baik, jika dataset yang digunakan untuk pelatihan merupakan data yang tepat, karena fungsi yang kuat untuk pendekatan pada fungsi nonlinear. Namun, proses pelatihan membutuhkan komputasi yang berat dan beresiko overfitting. Model kinerja sangat bergantung pada jumlah dan kualitas data pelatihan yang dipilih. Berbeda dengan metode jaringan saraf tiruan dan SVM, metode estimasi fuzzy tidak menggunakan data latih sehingga komputasi menjadi lebih ringan. Pada penelitian ini diusulkan metode Interval Type 2 Fuzzy Logic System (IT2FLS) untuk mengestimasi SOC pada baterai LiPo. IT2FLS merupakan pengembangan dari fuzzy tipe 1. Dalam beberapa tahun terakhir, fuzzy type 2 telah menarik minat penelitian karena kemampuannya untuk memodelkan ketidakpastian dari himpunan fuzzy. Dibandingkan dengan himpunan fuzzy tipe-1 (T1FS), himpunan fuzzy tipe-2 (T2FS) lebih baik dalam merepresentasikan elemen himpunan fuzzy diwakili oleh sejumlah nilai fuzzy bukan nilai crisp. Perbedaan utama antara T1FLSs dan T2FLSs adalah T1FS memiliki dua fungsi dimensi danT2FS memiliki derajat kebebasan (degree of freedom). Sistem T2FLS terdiri atas Fuzzifier, Inference Engine, Rulebase, Type-reducer dan Defuzzifier. Tidak seperti T1FLS, T2FLSs memerlukan langkah pengolahan tambahan dikenal sebagai Type-reducer. Peran utama dari Type-reducer adalah untuk mengkonversi output dari mesin inferensi fuzzy tipe 2 menjadi T1FS. Meskipun Typereducer merupakan komponen kunci dalam setiap T2FLSs, pengembangan algoritme Type-reducer pada T2FS masih perlu diteliti. Gambar 1.1 merupakan ilustrasi dari struktur umum T1FLS.
Rulebase
Defuzzifikasi
Crisp output
Fuzzifier Crisp input
T1 FS
IT2 FSs
Inference engine
Type-reducer IT2 FSs
Gambar 1.1 Diagram Blok Sistem Fuzzy Tipe 2 [17] Pada Gambar 1.1 diilustrasikan diagram blok IT2FLS dengan tambahan blok Type-reducer. Beberapa penelitian tentang Type-reducer membuktikan bahwa komputasi Type-Reducer ini cukup tinggi. Salah satu strategi untuk mengurangi beban komputasi dari T2FLS adalah dengan menggunakan himpunan fuzzy yang paling sederhana, yang dikenal sebagai IT2FLS [18]. IT2FLSs banyak digunakan karena membutuhkan komputasi yang rendah dan mampu menangani ketidakpastian [17]. Metode Typereducer yang umum digunakan untuk IT2FLs adalah algoritme Karnik-Mendel [18]. Baru-baru ini, beberapa modifikasi pada Karnik-Mendel telah diusulkan [19]. Perangkat tambahan menghasilkan pengurangan 39% dalam waktu komputasi. Strategi typereducer lain adalah metode uncertain bounds [20]. Himpunan inner dan outer diperkenalkan untuk memperkirakan ketidakpastian dalam IT2FLS. Metode uncertainty bounds telah berhasil diterapkan pada sistem tertanam Real-Time Type-2 Neuro-fuzzy [21] yang berhasil mengendalikan mesin diesel industri kelautan. Terdapat berbagai macam metode untuk mengurangi komputasi pada proses typereducer. Salah satunya adalah peningkatan dari algoritme type-reducer yaitu KarnikMendel [22], [23], [24], [25] yang berhasil meningkatkan kecepatan proses iterasi dari algoritme Karnik-Mendel. Penelitian [24] memberikan ulasan dan perbandingan dari empat algoritme yang sudah mengalami peningkatan. Berdasarkan penelitian [24] menunjukkan bahwa Enhanced Iterative Algorithm with Stop Condition (EIASC) adalah metode tercepat dalam proses komputasi. Meskipun banyak penelitian terbaru, namun masih ada ruang untuk mengurangi daya komputasi yang diperlukan yaitu untuk mengurangi waktu reduksi serta nilai error yang dihasilkan pada setiap metode Type-reducer. Selanjutnya, analisis teoritis IT2 sistem logika fuzzy (FLSs) adalah hal yang menantang karena algoritme Type-reducer yang ada tidak dapat dinyatakan dalam bentuk persamaan matematis (Closed Form).
Penelitian ini membahas estimasi SOC pada baterai LiPo menggunakan IT2FLS dan menerapkan dua jenis type-reducer yang berbeda yaitu Enhanced Iterative Algorithm with Stop Condition (EIASC) dan Enhanced Opposite Direction Search (EODS). Dasar aturan fuzzy yang tepat dieksekusi menggunakan metode Adaptive Neuro Fuzzy Inference Systems (ANFIS). Hasil dari penelitian akan dibandingkan antara T1FLS, IT2FLS yang menggunakan EIASC dengan IT2FLS yang menggunakan EODS sebagai algoritme type-reducer sehingga dapat diketahui salah satu metode yang menghasilkan estimasi paling akurat.
1.2. Perumusan Masalah Berdasarkan latar belakang yang dikemukakan di atas, dapat dirumuskan beberapa permasalahan pada penelitian ini yaitu: 1.
Estimasi SOC menggunakan metode matematis memiliki permasalahan pada nilai inisialisasi yang harus diketahui.
2.
Sistem fuzzy tipe 1 untuk estimasi SOC telah banyak dilakukan pada penelitian sebelumnya namun masih memiliki nilai error yang cukup tinggi yaitu lebih dari 5%. Hal ini disebabkan oleh sistem fuzzy yang tidak memiliki proses pelatihan data sedangkan penambahan jumlah fungsi keanggotaan dan basis aturan mengakibatkan beban komputasi sistem lebih berat.
3.
Penerapan metode IT2FLS pada estimasi SOC memiliki permasalahan pada penentuan model fungsi keanggotaan yang tepat.
1.3. Keaslian Penelitian Metode estimasi SOC yang paling mudah adalah metode Coulomb Counting. Estimasi SOC secara online menggunakan Microcontroller dengan metode Coulomb Counting [2] menghasilkan akurasi antara 3 - 4%. Pengujian dilakukan terhadap kondisi konstan dan kondisi dinamis serta cycle charge-discharge yang berbeda terhadap baterai Lead Acid. Penelitian lain tentang peningkatan metode Coulomb Counting pada proses charging dan discharging terhadap baterai Lithium Ion [3]. Error estimasi dapat direduksi hingga 1,08% pada operasi cycle berikutnya. Terdapat 5 cycle yang berbeda untuk mengetahui karakteristik SOC.
Estimasi SOC juga dapat dilakukan dengan metode lain seperti Kalman Filter (KF). Penelitian menggunakan metode Improved Extended Kalman Filter (IEKF) untuk estimasi SOC [26] pada baterai Li-ion mampu mengurangi nilai error sampai 1,5%. Proses komputasi menjadi lebih cepat dengan akurasi yang sangat baik. Algoritme KF telah mengalami banyak perkembangan. Salah satunya adalah Fading Kalman Filter (FDF) [27] pada baterai LiFePO4 (Lithium Iron Phosphate). Nilai OCV digunakan untuk mengestimasi hubungan linier dua stage filtering. Estimasi parameter baterai digunakan algoritme Recursive Least Square. Optimisasi fading factor menggunakan algoritme genetika dan Fading Kalman Filter (FKF). Error yang dihasilkan antara 3% sampai dengan 9%. Perkembangan metode estimasi yang termasuk hard computing selain Coulomb Counting adalah OCV. Terdapat dua belas model OCV [5] yang dibandingkan untuk mengetahui hubungan OCV dengan SOC serta membahas time complexity dari kedua belas model OCV. Error maksimal yang dihasilkan menggunakan metode OCV adalah 10% dan error minimal adalah 2%. Penelitan lain tentang metode OCV-SOC [6] digunakan untuk mengetahui pengaruh temperature terhadap kapasitas baterai. Sehingga penelitian ini membahas tentang estimasi SOC berbasis model suhu. Algoritme KF digunakan untuk proses tuning parameter pada setiap sampling. Kapasitas baterai aktif antara 25% - 85%. Percobaan didasarkan pada temperature 0oC, 10oC dan 40oC. Berdasarkan ketiga eksperimen, nilai RMSE paling besar 13% dan paling kecil 2%. Selanjutnya penelitian yang membahas gabungan metode OCV dengan algoritme KF [7]. Hubungan antara OCV-SOC pada setiap baterai berbeda-beda sehingga hubungan antara SOC-OCV perlu dilakukan pengukuran untuk ketepatan nilai SOC. Peningkatan performa dari algoritme digunakan Extended Kalman Filter (EKF) untuk mengurangi noise. Hasil estimasi menggunakan EKF dibandingkan dengan metode ampere-hour counting. Nilai Error dari estimasi EKF sekitar 5%. Berbagai macam metode estimasi yang digunakan untuk mengindentifikasi kapasitas baterai tidak menutup kemungkinan adanya metode lain untuk memudahkan proses estimasi. Baterai yang memiliki karakteristik non-linier tidak selamanya dapat dilakukan proses estimasi dengan metode matematis.
Algoritme Support Vector Machine (SVM) [16] dapat digunakan sebagai alternatif untuk estimasi kapasitas baterai lithium ion polymer (LiP). Pada penelitian ini metode Coulomb Counting digunakan sebagai pembanding dari metode SVM. Proses komputasi SVM dilakukan pada dua hardware yang berbeda. Hardware pertama mampu melakukan eksekusi selama 54 ms. Hardware kedua membutuhkan waktu 26 ms. SVM mampu mengeksekusi 4000 iterasi. Root mean square Error yang dihasilkan 2,5% dan maksimum error +13%. Berikut ini pada Tabel 1.1 dijelaskan metode yang digunakan untuk estimasi SOC. Tabel 1.1 Metode untuk Estimasi SOC pada Baterai Peneliti Tahun Baterai Metode estimasi Error Y. Çadirci 2004 Lead acid Coulomb counting Max 4% K. S. Ng, et al 2008 Li-ion ECC Max 1,08% S. Sepasi 2014 Li-ion IEKF Max 1,5% K. Lim 2016 LiFePO4 FKF Max 3% B. Pattipati 2014 Li-ion OCV 10 - 2% Y. Xing 2014 LiFePO4 OCV-KF 13 - 2% S. Lee 2008 Li-ion OCV-EKF Max 5% T. Hansen 2005 LiP SVM Max 2,5% J. C. Álvarez 2013 LiFePO4 SVM-SVR Max 3% J. N. Hu 2014 LiP SVM-NN Max 4% W. X. Shen 2007 Lead acid Neural Network Max 2% Y. Shen 2010 Li-ion NN Max 1% L. Sánchez 2014 LiFePO4 Fuzzy-Genetic Max 5% Berdasarkan Tabel 1.1 bagian yang berwarna biru pada kolom metode estimasi merupakan kumpulan metode matematis sedangkan warna merah muda merupakan metode adaptif yang digunakan pada estimasi SOC. Proses estimasi selanjutnya pada baterai LiFePO4 [15] menggunakan teknik SVM dengan input voltage, current dan temperature. Model prediksi SVM menggunakan optimisasi support vector regression menghasilkan koefisien R2 0,97. Error yang dihasilkan 3%. Pada Estimasi SOC berbasis SVM[14] untuk proses regresi dengan optimisasi pencarian berganda. Metode SVM dibandingkan dengan metode Artificial Neural Network. ANN yang digunakan adalah RBFNN. Error maksimal dari metode SVM adalah 4%. Penelitian lain yang menggunakan metode kecerdasan buatan adalah estimasi SOC menggunakan Neural Network [9]. Perbandingan metode estimasi state of
available capacity dilakukan dengan metode backpropagation dan eksperimen data. Tiga dataset diuji coba pada penelitian ini. Error tertinggi yang dihasilkan menggunakan parameter Average Relative Percentage Error (ARPE) sekitar 2%. Penggunaan NN untuk estimasi menghasilkan akurasi yang lebih baik dari estimasi secara manual. Terdapat penelitian lain yang juga menggunakan neural network [10] dan neuro controller. Algoritme yang digunakan untuk penyesuaian struktur neural adalah Recursive Least Square. Sedangkan neuro controller menggunakan algoritme backpropagation. Error yang dihasilkan maksimal adalah 1%. Estimasi SOC menggunakan baterai LiFePO4 berbasis aturan fuzzy [28]. Proses filter menggunakan model fuzzy menghasilkan akurasi SOC 95% dengan fuzzy model Sugeno. Kondisi baterai full 75% dengan proses charging selama 30 menit dan maksimum error 5%.
1.4. Tujuan Penelitian Penelitian ini memiliki beberapa tujuan yaitu: 1.
melakukan estimasi SOC menggunakan dua metode fuzzy pada baterai LiPo
2.
mengeksplorasi model IT2FLS dengan perbedaan daerah ketidakpastian untuk mendapatkan model fungsi keanggotaan yang tepat, dan
3.
melakukan komparasi dua algoritme type-reducer yaitu EIASC dan EODS pada IT2FLS untuk mendapatkan nilai error terkecil dari hasil estimasi kapasitas baterai berdasarkan MSE, RMSE dan MAE.
1.5. Manfaat Penelitian Pemilihan metode dan rancangan yang tepat pada proses estimasi SOC akan mendukung kinerja dan kehandalan baterai. Berikut ini manfaat yang diperoleh dari proses estimasi SOC menggunakan IT2FLS: a. Metode dan algoritme yang tepat untuk menghasilkan estimasi kapasitas baterai yang akurat sehingga baterai menjadi lebih tahan lama dan meningkatkan kinerja baterai b. Masyarakat luas dapat menggunakan kendaraan listrik untuk mobilitas sehari-hari selain lebih hemat bahan bakar fosil, penggunaan kendaraan listrik juga dapat
mengurangi polusi udara c. Pihak swasta maupun pengembang kendaraan listrik terdorong untuk memajukan industri otomotif sehingga lapangan pekerjaan terbuka luas. d. Pemerintah dan peneliti (akademisi) dapat bekerjasama untuk mengembangkan teknologi ramah lingkungan secara mandiri.
1.6. Sistematika Penulisan BAB I PENDAHULUAN Pada Bab I berisi pendahuluan tentang latar belakang penelitian, perumusan masalah, keaslian penelitian, tujuan penelitian dan manfaat serta sistematika penulisan.
BAB II TINJAUAN PUSTAKA Pada Bab II berisi tentang tinjauan pustaka, teori baterai, teori ANFIS, teori IT2LFS dan algoritme type-reducer serta pertanyaan penelitian yang diajukan pada penelitian ini.
BAB III METODOLOGI PENELITIAN Pada Bab III dijelaskan alat penelitian, data yang digunakan pada penelitian, pembuatan fungsi keanggotaan dan basis aturan menggunakan ANFIS, memodelkan fungsi keanggotaan menggunakan IT2FLS EIASC dan IT2FLS EODS serta teknik yang digunakan untuk mendapatkan nilai error.
BAB IV HASIL DAN PEMBAHASAN Pada Bab IV dibahas hasil penelitian yang memuat tentang profil input dan output dari dataset beban konstan dan dataset beban bervariasi serta dijelaskan hasil MSE, RMSE dan MAE dari ketiga metode yang diusulkan yaitu T1FLS, IT2FLS EIASC dan IT2FLS EODS.
BAB V PENUTUP Pada Bab V dibahas tentang kesimpulan yang diperoleh dari penelitian dan saran untuk penelitian selanjutnya.
DAFTAR PUSTAKA LAMPIRAN