PROGNOSIS REMAINING USEFUL LIFE BATERAI LITHIUM-ION MENGGUNAKAN HYBRID LONG SHORT-TERM MEMORY DAN PARTICLE SWARM OPTIMIZATION-DIFFERENTIAL EVOLUTION

Abstract

Baterai menjadi komponen paling penting dalam sistem penyimpanan dan penyediaan energi. Salah satu jenis baterai yang sering digunakan dalam perangkat elektronik dan sistem kelistrikan saat ini adalah baterai lithium-ion. Namun, adanya siklus charging dan discharging energi pada baterai mengakibatkan terjadinya reaksi yang irreversible sehingga baterai akan mengalami proses degradasi dan jika baterai terus menerus digunakan ketika mencapai end of life maka dapat berakibat fatal dalam masalah keamanan pada perangkat elektronik ataupun sistem yang lebih besar. Berdasarkan alasan tersebut maka sangatlah penting untuk dilakukan upaya pencegahan kerusakan baterai dengan metode pendekatan prognosis Remaining Useful Life (RUL) pada baterai. Yang mana dengan adanya informasi berupa hasil prediksi RUL diharapkan para pengguna baterai atau operator dalam skala sistem industri dapat melakukan tindakan berupa manajemen penggunaan baterai yang lebih efektif dan efesien. Adapun, perancangan ini dilakukan prognosis RUL menggunakan metode Hybrid Long Short-Term Memory (LSTM) dan Particle Swarm Optimization Differential Evolution (PSO-DE) dengan data input yang diperlukan berupa hasil ekstraksi data time-series dari parameter tegangan, arus dan temperatur dari data baterai NASA Ames Prognostic Center of Excellence. Baterai yang digunakan sebagai studi kasus terdiri dari jenis baterai dengan nama B0005, B0006, dan B0018. Hasil prognosis RUL yang paling unggul didapatkan pada jenis baterai B0005 dengan model PSO-DE-LSTM dan segmentasi data training-testing sebesar 60%:40% yang mana performa yang dihasilkan dengan RMSE sebesar 0.00956, MAE sebesar 0.00668, dan R^2 sebesar 0.97016, serta RUL error sebanyak 1 siklus.