Estimasi SoC Baterai Menggunakan Kombinasi EKF Dan GA Tanpa Sensor Arus

Muhammad Aminuddin, Prof. Ir. Oyas Wahyunggoro, M.T., Ph.D.; Dr.Eng. Ir. Adha Imam Cahyadi, S.T., M.Eng., IPM.

2025 | Tesis | S2 Teknik Elektro

Pemilihan nilai parameter yang tepat pada model baterai Thevenin orde pertama pentingn dilakukan karena sangat berpengaruh pada akurasi model baterai. Model baterai yang akurat mampu meningkatkan akurasi dari estimasi state of charge (SoC). Keakuratan SoC dalam merepresentasikan kapasitas baterai sangat penting untuk mencegah pengisian dan pemakaian yang berlebihan, karena tindakan tersebut dapat mempercepat proses degradasi kesehatan hingga kerusakan baterai. Pada estimasi SoC, metode extended Kalman filter (EKF) umum digunakan karena memiliki akurasi yang baik. Namun, metode EKF konvensional mengasumsikan matriks kovarian proses dan pengukuran sebagai nilai konstan. Hal ini menyebabkan algoritka EKF tidak dapat menangani perubahan ketidakpastian serta dapat menurunkan akurasi dari estimasi SoC. Selain itu, metode EKF konvensional lebih mahal karena memerlukan dua jenis sensor yang berbeda, yaitu sensor arus dan sensor tegangan.

Untuk mendapatkan nilai parameter model Thevenin orde pertama, metode genetic algorithm (GA) dan recursive least square (RLS) digunakan. Setelah nilai parameter diperoleh, persamaan matematis dari model baterai dimodifikasi agar nilai arus baterai dapat dihitung. Persamaan matematis tersebut digunakan untuk menggantikan informasi arus baterai dari pengukuran sehingga sensor arus tidak dilibatkan pada proses estimasi SoC baterai. Selanjutnya, estimasi SoC dilakukan menggunakan metode improved coulomb counting (ICC), EKF dan EKF-GA. Pada metode EKF-GA, metode GA berperan untuk menemukan nilai matriks kovarian proses dan pengukuran terbaik pada setiap iterasi sehingga kedua matriks tersebut menjadi dinamis. Metode ICC dan EKF konvensional dijadikan metode pembanding untuk menilai hasil estimasi SoC baterai yang didapat dari metode EKF-GA.

Pada identifikasi nilai parameter model baterai, nilai paramete rdari metode GA membuat model baterai menjadi lebih akurat. Hal tersebut ditunjukan dengan nilai RMSE dari estimasi tegangan terminal yang lebih kecil, yaitu 1,21 x 10^?2 pada pengujian pulse test 1C dan 1,0467 x 10^-2 pada pengujian urban dynamometer driving schedule (UDDS). Selanjutnya, estimasi arus dan SoC dilakukan secara bersamaan. Dari eksperimen yang dilakukan, arus baterai berhasil diestimasi menggunakan persamaan matematis model baterai Thevenin orde pertama. Pada estimasi SoC baterai, metode EKF-GA memiliki nilai RMSE yang palin gkecil dibandingkan metode lainnya. Nilai RMSE yang didapat bervariasi antara 4,4 x 10^-4 hingga 1,228 x 10^-2 pada kedua pengujian baterai, baik kondisi nilai inisial SoC tanpa deviasi maupun dengan deviasi 20%. Metode GA berhasil membuat matriks kovarian proses dan pengukuran dari algoritma EKF menjadi dinamis sehingga akurasi estimasi meningkat.

Parameter values selection in the first-order Thevenin battery model is important because it highly affects the accuracy of the battery model. An accurate battery model can improve the accuracy of the state of charge (SoC) estimation. The accuracy of SoC estimation represents battery capacity is crucial to prevent overcharging and overdischarging, it can accelerate battery aging and cause damage. In SoC estimation, the extended Kalman filter (EKF) method is commonly used due to its good accuracy. However, the  conventional EKF method assumes that the process and measurement covariance matrices are constant values. This makes the EKF algorithm unable to handle changes in uncertainty and can reduce the accuracy of SoC estimation. In addition, the conventional EKF method is more expensive because it requires two different types of sensors, namely current sensors and voltage sensors.

To obtaion the parameter values of the first-order Thevenin model, the genetic algorithm (GA) and recursive least square (RLS) methods are used. After the parameter values were obtained, the mathematical equation of the battery model was modified to enable the estimation of the battery current. This equation was utilized to replace the battery current information obtained from measurement results. thus the current sensor was not involved in the battery SoC estimation process. Subsequently, SoC estimation was performed using the ICC method, EKF and EKF-GA. In the EKF-GA method, GA was used to determine the optimal values of the process and measurement covariance matrices in each iteration, making these matrices dynamic. The ICC method and conventional EKF were used as comparison methods to evaluate the SoC estimation result obtained from the EKF-GA method.

In the identification of battery model parameter values, the parameters obtained using the GA method improved the accuracy of the batteray model. This is indicated by the smaller RMS value of the terminal voltage estimation, namely 1,2100 x 10^-2 in the 1C pulse test and 1,0467 x 10^-2 in the urban dynamometer driving schedule (UDDS). Subsequently, current and SoC estimation were performed simultaneously. From the conducted esperiments, the battery current was successfully estimated using the mathematical equations of the first-order Thevenin battery model. In battery SoC estimation, the EFK-GA method achieved the smallest RMSE compared to other methods. The RMSE values varied between 4,4 x 10^-4 and 1,228 x 10^-2 across both battery tests, under conditions with no initial SoC deviation as well as with a 20?viation. The GA method successfully made the process and measurement covariance matrices of the EKF algorithm dynamic, so the accuracy of the estimation improved.

Kata Kunci : ICC, EKF, GA, Estimasi SoC, Estimasi Arus