A BATTERY MANAGEMENT SYSTEM WITH FAST CHARGING STRATEGIES AND STATE OF CHARGE ESTIMATION BASED ON QUANTUM NEURAL NETWORK FOR LEADACID BATTERIES

Kevin Gausultan H.M, Dr. Eng. F. Danang Wijaya, ST., MT.

2014 | Tesis | S2 Teknik Elektro

Kendaraan listrik dan peralatan listrik memerlukan baterai sebagai sumber daya. Sebuah baterai yang digunakan sebagai penyimpan daya juga berperan penting dalam menyedikan daya yang stabil, khususnya digunakan untuk sumber energi terbarukan. Oleh karena itu, sangat penting untuk mendesain sistem manajemen baterai untuk mempertahankan performa optimal baterai. Strategi pengisian dan pelepasan energi baterai, estimasi kondisi muatan, dan penyetara tegangan baterai diimplementasikan untuk mengelola kerja 8 unit baterai lead-acid. Sebuah sistem eksperimen baterai dicoba untuk menguji sistem manajemen baterai yang dirancang. Untuk strategi pengisian, metoda dua langkah dan level bertingkat dipaparkan dalam penelitian ini. Beberapa metoda estimasi kondisi muatan baterai seperti pengukuran langsung tegangan sirkuit terbuka, coulometric, estimasi tegangan sirkuit terbuka dan jaringan neural dipaparkan serta di bandingkan. Untuk menambah performa dari algoritma jaringan neural, sebuah metoda estimasi baru yaitu jaringan neural quantum diajukan untuk mengestimasi kondisi muatan baterai. Terakhir, penyetara tegangan baterai mengunakan metoda resistor tetap diaplikasikan untuk mengurangi beda tegangan tiap terminal baterai. Hasil percobaan menunjukan bahwa metoda pengisian level bertingkat menghasilkan proses pengisian lebih cepat 58 detik dibandingkan dengan metoda dua langkah. Algoritma jaringan neural menghasilkan estimasi kondisi muatan baterai dengan baik dan rata – rata kesalahan maksimal tidak lebih dari 1.03%. Metoda jaringan neural quantum yang diajukan mampu menambah performa dari metoda jaringan neural biasa dan menunjukkan hasil yang lebih akurat

Electric vehicles and portable devices use batteries as a portable power source. Moreover, a battery as a storage device plays an important role in providing stable power, especially for operating with renewable energy sources. Therefore, it is very important to design an appropriate battery management system (BMS) for maintaining optimum battery performance. Charging-discharging strategy, State-of-Charge (SoC) estimation, and battery Voltage Balancer are implemented to manage 8 units of lead-acid batteries in series. A scale-down experimental battery system is tested by the proposed BMS. For charging strategies, both two-step and multi-stage charging methods are described. Regarding the state-of-charge estimation, direct open circuit voltage (OCV), coulometric, OCV prediction, and neural network (NN) estimation methods are delineated and compared. To improve the performance of NN, a new estimation method based on Quantum Neural Network (QNN) is proposed for battery SoC estimation. Finally, battery voltage balancer using fixed-resistor method is employed to reduce the voltage difference between each cell of the battery. Experimental results show that, multistage charging has faster charging process, which is 58 seconds less charging time compared with two-step charging. The NN estimation provides good SoC estimation with maximum average error no more than 1.03%. The proposed QNN method has further improved the NN performance, and yields more accurate results.

Kata Kunci : lead-acid, dua-langkah, level bertingkat, pengisian, pelepasan, tegangan sirkuit terbuka, coulometric, jaringan neural, jaringan neural quantum, resistor tetap