Comparative Study on the Battery State-of-Charge Estimation Method

Jeon, Seonwoo; Yun, Jae Jung; Bae, Sungwoo

doi:10.17485/ijst/2015/v8i26/81677

Cited by 20 publications

(8 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Salah satu algoritma dari Neural Network adalah BPNN (Back Propagation Neural Network). BPNN merupakan algoritma yang mampu digunakan untuk menyelesaikan permasalahan dalam sistem nonlinier [10].…”

Section: Disisi Lain Metode Machine Learning Seperti Neuralunclassified

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

Prasetyo¹,

Hasnira²,

Windarko³

et al. 2020

View full text Add to dashboard Cite

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.

show abstract

Section: Disisi Lain Metode Machine Learning Seperti Neuralunclassified

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

Prasetyo¹,

Hasnira²,

Windarko³

et al. 2020

View full text Add to dashboard Cite

show abstract

“…Since the SoC of the battery is one of the inputs to the NN, it is necessary to measure the SoC using one of the available methods. For this reason, the ampere-hour counting technique, given in [26,27], is employed for collecting the training data.…”

Section: Proposed Battery Modelmentioning

confidence: 99%

“…To solve this problem, many researchers have proposed various methods to estimate SoC: The first types of methods based on direct measurement. The most common technique for calculating the SOC is the Coulomb counting methods, also known as ampere hour counting and current integration [26,27]. This method utilizes battery current readings mathematically integrated over time to calculate SOC values.…”

mentioning

confidence: 99%

Lithium-Ion batteries modeling and state of charge estimation using Artificial Neural Network

Boujoudar

Elmoussaoui

Lamhamdi

2019

IJECE

View full text Add to dashboard Cite

In This paper, we propose an effective and online technique for modeling nd State of Charge (SoC) estimation of Lithium-Ion (Li-Ion) batteries using Feed Forward Neural Networks(FFNN) and Nonlinear Auto Regressive model with eXogenous input(NARX). The both Artificial Neural Network (ANN) are rained using the data collected from the batterycharging and discharging pro ess. The NARX network finds the needed battery model, where the input ariables are the battery terminal voltage, SoC at the previous sample, and the urrent, temperature at the present sample. The proposed method is imple mented on a Li-Ion battery cell to estimate online SoC. Simulation results show good estimation of the SoC.

show abstract

“…Dalam upaya estimasi sistem yang memiliki karakteristik nonlinier dan uncertainty dari sebuah baterai adalah machine learning yang memiliki kemampuan komputasi yang handal [8]. Neural Network merupakan contoh dari machine learning yang mampu menyelesaikan sistem nonlinier dengan memiliki topologi struktur yang simple [9]. Algoritma Neural Network merupakan salah satu kecerdasan buatan yang terinspirasi dari saraf (neuron) dan operasioperasinya.…”

unclassified

Feed Forward Neural Network Sebagai Algoritma Estimasi State of Charge Baterai Lithium Polymer

Prasetyo

Tjahjono

Windarko

2020

klik

View full text Add to dashboard Cite

Estimasi State Of Charge (SOC) baterai merupakan parameter terpenting dalam Battery Management System (BMS), terlebih sebagai aplikasi dari mobil listrik dan smart grid. SOC tidak dapat dilakukan pengukuran secara langsung, sehingga diperlukan metode estimasi untuk mendapatkan nilai tersebut. Beberapa metode yang pernah diusulkan adalah coloumb counting dan open circuit voltage. Akan tetapi coloumb counting memiliki kelemahan dalam hal inisialisasi SOC awal dan memiliki ketergantungan terhadap sensor arus. Sedangkan metode open circuit voltage hanya dapat digunakan pada baterai dalam kondisi idel. Pada penelitian ini diusulkan metode algoritma Feed Forward Neural Network (FFNN) untuk estimasi SOC baterai lithium polymer. Algoritma ini dapat menyelesaikan sistem nonlinier seperti yang dimiliki oleh baterai lithium polymer. Arsitektur FFNN dibangun dua kali (dual neural) untuk estimasi OCV dan SOC. FFNN pertama dengan input tegangan, arus, dan waktu charging maupun discharging untuk estimasi OCV. OCV hasil training neural pertama digunakan sebagai input FFNN kedua untuk estimasi SOC. Hasil dari estimasi ini didapatkan dengan nilai hidden neuron 11 pada neural pertama dan hidden neuron 4 pada neural kedua.Keywords: SOC, BMS, Coloumb Counting, OCV, FFNNEstimasi State Of Charge (SOC) baterai merupakan parameter terpenting dalam Battery Management System (BMS), terlebih sebagai aplikasi dari mobil listrik dan smart grid. SOC tidak dapat dilakukan pengukuran secara langsung, sehingga diperlukan metode estimasi untuk mendapatkan nilai tersebut. Beberapa metode yang pernah diusulkan adalah coloumb counting dan open circuit voltage. Akan tetapi coloumb counting memiliki kelemahan dalam hal inisialisasi SOC awal dan memiliki ketergantungan terhadap sensor arus. Sedangkan metode open circuit voltage hanya dapat digunakan pada baterai dalam kondisi idel. Pada penelitian ini diusulkan metode algoritma Feed Forward Neural Network (FFNN) untuk estimasi SOC baterai lithium polymer. Algoritma ini dapat menyelesaikan sistem nonlinier seperti yang dimiliki oleh baterai lithium polymer. Arsitektur FFNN dibangun dua kali (dual neural) untuk estimasi OCV dan SOC. FFNN pertama dengan input tegangan, arus, dan waktu charging maupun discharging untuk estimasi OCV. OCV hasil training neural pertama digunakan sebagai input FFNN kedua untuk estimasi SOC. Hasil dari estimasi ini didapatkan dengan nilai hidden neuron 11 pada neural pertama dan hidden neuron 4 pada neural kedua.Kata kunci: SOC, BMS, Coloumb Counting, OCV, FFNN

show abstract

Comparative Study on the Battery State-of-Charge Estimation Method

Cited by 20 publications

References 13 publications

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

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

Lithium-Ion batteries modeling and state of charge estimation using Artificial Neural Network

Feed Forward Neural Network Sebagai Algoritma Estimasi State of Charge Baterai Lithium Polymer

Contact Info

Product

Resources

About