Prognosis State of Health Proton Exchange Membrane Fuel Cell Menggunakan Metode Read-First Long-Short Term Memory

Abstract

Diantara banyaknya bahan bakar pembangkit Proton Exchange Membrane Fuel Cell (PEMFC) merupakan dianggap sebagai generasi baru pembangkit listrik yang menawarkan efisiensi tinggi dan non polusi sehingga sangat menarik perhatian untuk menangani masalah energi lingkungan. Karakteristiknya yang memiliki kepadatan tinggi dan suhu kerja yang rendah membuat PEMFC dapat diterima di bidang transportasi, perangkat portabel, daya cadangan, dan listri terdistribusi. Namun dengan semua kelebihan tersebut selain durasi pemakain kehidupan layanannya yang pendek serta biaya pengembangannya yang lumayan tinggi perlu dipertimbangkan juga untuk pengaplikasian nyata. Oleh karena itu memprediksi kesehatan atau State of Health (SoH) perlu dilakukan untuk mengetahui tren penurunan PEMFC dari masa awal pakai sampai masa layanan mulai menurun agar dapat perawatan yang cocok untuk efisiensi pakai PEMFC. Adapun, perancangan ini dilakukan untuk prognosis State of Health menggunakan metode Read-First Long Short-Term Memory (RLSTM) menggunakan data sekunder FCLAB IEEE 2014 menggunakan dataset FC1 untuk mencari model terbaik dan pembuktian model terbaik. Menggunakan dataset tersebut terbukti RLSTM unggul di semua segmentasi khususnya pada segmentasi data training-testing sebesar 70%-30% hingga 90%;10% secara berturut-turut sebesar 0.003318, 0.002871, 0.001661.