Real Time State of Charge Estimation for Lead Acid Battery Using Artificial Neural Network

Trinandana, Gilang Andaru; Pratama, Aldi Wihawan; Prasetyono, Eka; Anggriawan, Dimas Okky

doi:10.1109/isitia49792.2020.9163692

Cited by 6 publications

(6 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Mikrokontroler STM32F407VGT6 adalah salah satu mikrokontroler keluarga STM32 (tepatnya STM32F4xxx) yang diproduksi oleh STMicroelectronics [16]. Mikrokontroler ini adalah μC yang tergolong sebagai medium-density devices (1024 Kbytes) [17].…”

Section: B Mikrokontroler Stm32unclassified

See 1 more Smart Citation

Implementasi Sistem Pendeteksi Api 360 Derajat Dengan Metode Multiplexer Dan Logika Fuzzy Pada Robot Pemadam Api Beroda

Saputro

2022

CYCLOTRON

View full text Add to dashboard Cite

Dalam bidang pendidikan, robot digunakan sebagai bahan riset dan pengembangan untuk menghasilkan sesuatu yang lebih baik. Salah satunya adalah robot pemadam api yang sering digunakan untuk mengatasi kebakaran yang terjadi pada suatu tempat. Masalah yang sering dihadapi dalam pengembangan robot pemadam api adalah pendeteksian dan penentuan titik api yang kurang akurat sehingga dapat memakan waktu yang cukup lama. Pada penelitian ini mengimplementasikan sistem pendeteksi api 360 derajat dengan metode multiplexer dan logika fuzzy untuk mengatasi permasalahan tersebut. Dengan menggunakan sensor IR Receiver 940nm dan UV-Tron pendeteksian api akan lebih akurat. Kontrol sensor api menggunakan STM32F103 dengan metode multiplexer dan kontrol Motor DC menggunakan STM32F407 sehingga pemrosesan data bisa berjalan lebih cepat. Pengolahan input dan output pada sistem ini menggunakan metode logika fuzzy sehingga sistem bisa berjalan lebih halus dan memerlukan waktu yang lebih sedikit untuk menentukan dimana posisi api berada. Pengujian pemadaman 1 titik api sebanyak 12 kali memerlukan rata-rata waktu 9 detik, pemadaman 2 titik api sebanyak 6 kali memerlukan rata-rata waktu 25,16 detik, dan pemadaman 3 titik api sebanyak 4 kali memerlukan rata-rata waktu 37,75 detik.Kata kunci: Multiplexer, Logika Fuzzy, Robot Pemadam Api, IR Receiver 940nm, STM32

show abstract

Section: B Mikrokontroler Stm32unclassified

“…Pengujian Sensor Api Multiplexer pada robot pemadam api beroda bertujuan untuk mengetahui berapa nilai yang dihasilkan oleh sensor api sebanyak 16…”

Section: A Pengujian Sensor Api Multiplexerunclassified

Implementasi Sistem Pendeteksi Api 360 Derajat Dengan Metode Multiplexer Dan Logika Fuzzy Pada Robot Pemadam Api Beroda

Saputro

2022

CYCLOTRON

View full text Add to dashboard Cite

show abstract

“…Some battery-related datasets have been provided in relevant studies [25][26][27], and they can help to overcome this drawback. Different ML algorithms have been employed for SoC estimation [28], such as Neural Networks (NN) [29][30][31][32] and Deep Learning (DL) [33,34]. Support Vector Machines (SVMs) have also been explored in the Support Vector Regression (SVR) version [35,36].…”

Section: Introductionmentioning

confidence: 99%

FPGA Implementation of an Ant Colony Optimization Based SVM Algorithm for State of Charge Estimation in Li-Ion Batteries

Stighezza¹,

Bianchi²,

Munari³

2021

Energies

View full text Add to dashboard Cite

Monitoring the State of Charge (SoC) in battery cells is necessary to avoid damage and to extend battery life. Support Vector Machine (SVM) algorithms and Machine Learning techniques in general can provide real-time SoC estimation without the need to design a cell model. In this work, an SVM was trained by applying an Ant Colony Optimization method. The obtained trained model was 10-fold cross-validated and then designed in Hardware Description Language to be run on FPGA devices, enabling the design of low-cost and compact hardware. Thanks to the choice of a linear SVM kernel, the implemented architecture resulted in low resource usage (about 1.4% of Xilinx Artix7 XC7A100TFPGAG324C FPGA), allowing multiple instances of the SVM SoC estimator model to monitor multiple battery cells or modules, if needed. The ability of the model to maintain its good performance was further verified when applied to a dataset acquired from different driving cycles to the cycle used in the training phase, achieving a Root Mean Square Error of about 1.4%.

show abstract

“…Penggabungan metode integrasi arus dengan korelasi tegangan dipandang sebagai metode yang lebih baik. Pada penelitian lain, diusulkan metode estimasi KM pada baterai LA menggunakan algoritme mesin pembelajaran Artificial Neural Network (ANN) dengan tingkat akurasi yang cukup baik [9]. Validasi dilakukan dengan mengimplementasikan metode ini pada satu sel baterai LA yang sepenuhnya terkontrol di laboratorium.…”

unclassified

Estimasi Kondisi Muatan dan Kondisi Kesehatan Baterai VRLA dengan Metode RVP

widjajanto

Achsan

Rozaqi

et al. 2021

JNTETI

View full text Add to dashboard Cite

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.

show abstract

Real Time State of Charge Estimation for Lead Acid Battery Using Artificial Neural Network

Cited by 6 publications

References 13 publications

Implementasi Sistem Pendeteksi Api 360 Derajat Dengan Metode Multiplexer Dan Logika Fuzzy Pada Robot Pemadam Api Beroda

Implementasi Sistem Pendeteksi Api 360 Derajat Dengan Metode Multiplexer Dan Logika Fuzzy Pada Robot Pemadam Api Beroda

FPGA Implementation of an Ant Colony Optimization Based SVM Algorithm for State of Charge Estimation in Li-Ion Batteries

Estimasi Kondisi Muatan dan Kondisi Kesehatan Baterai VRLA dengan Metode RVP

Contact Info

Product

Resources

About