ESTIMASI STATE OF CHARGE (SOC) DAN STATE OF HEALTH (SOH) DENGAN ALGORITME KALMAN FILTER PADA BATERAI LITHIUM POLYMER

M. NISVO RAMADAN, Dr.Eng. Adha Imam Cahyadi, S.T., M.Eng., ; Ir. Oyas Wahyunggoro, M.T., Ph.D.

2016 | Tesis | S2 Teknik Elektro

Battery Management System (BMS) diperlukan untuk menghindari kerusakan dan kegagalan baterai. State of Charge (SOC) dan State of Health (SOH) baterai merupakan bagian informasi yang diberikan oleh BMS. SOC merupakan persentase kapasitas baterai sedangkan SOH adalah ukuran kesehatan baterai. Penelitian ini bertujuan untuk mengembangkan metode estimasi SOC dan SOH secara bersamaan dengan menggunakan algoritme Kalman filter. Baterai dimodelkan dengan model baterai Thevenin yang merupakan salah satu model rangkaian listrik ekuivalen. Di dalam model terdapat komponen resistans internal Ro, resistans dan kapasitans polarisasi Rp dan Cp, dan sumber tegangan open circuit voltage (OCV). Beberapa pengujian dilakukan di antarnya: static capacity test, pulse test, pulse variation test, dan constant current (CC)-charge CC-discharge test. Parameter Ro, Rp, dan CP diidentifikasi dengan algoritme recursive least square (RLS) sedangkan OCV diperoleh dengan curve fitting grafik OCV-SOC dengan pengujian pulse test. Sistem state-space kemudian dibentuk untuk menerapkan algoritme Kalman filter. Agar SOC dan SOH dapat diestimasi bersamaan, SOC dan SOH dijadikan state pada sistem state-space. Parameter model baterai output RLS memperlihatkan bahwa parameter tersebut berubah terhadap SOC baterai. Fungsi OCV-SOC didapatkan dalam bentuk polinomial orde dua belas. Hasil validasi memperlihatkan model mampu memodelkan baterai secara akurat dengan error relatif rata-rata 0,06%. Dari kalman filter dihasilkan estimasi SOC yang akurat dengan error 0,6%. Begitu juga dengan estimasi SOH yang memiliki error sebesar 5,26%.

In order to avoid battery failure, a Battery Management System (BMS) is needed. Battery state of charge (SOC) and state of health (SOH) are parts of the information provided by a BMS. SOC denotes the percentage of battery capacity while SOH is a measure of the health of the battery. This research aims to develop combined SOC and SOH estimation methods using a Kalman filter algorithm. The battery was modeled with Thevenin battery model that is convenient to apply. There are a component resistance Ro, polarization resistance, and polarization capacitance Rp and Cp, and a voltage source OCV. Some tests were conducted as the static capacity test, pulse test, pulse test variation, and CC- charge CC-discharge test. Parameter Ro, Rp, and Cp were identified by recursive least square (RLS) algorithm while OCV was obtained by curve fitting of the pulse test. The state-space system was set up to implement the Kalman filter Algorithm. SOC and SOH were a state in the state-space system that could be estimated simultaneously. RLS output showed the parameters of the battery changes with SOC. OCV-SOC function was obtained in the form of a twelve-degree polynomial. The results of the validation showed an accurate battery model with the mean relative error of 0.06%. Kalman filter estimated the SOC and SOH accurately with error 0.6% and 5.26%.

Kata Kunci : BMS, battery model, State of Charge, State of Health and Kalman filter