Enhanced Low-Pass Filter Energy Management for Hybrid Energy Storage in Electric Vehicles

Hari Maghfiroh, Prof. Ir. Oyas Wahyunggoro, M.T., Ph.D.; Ir. Adha Imam Cahyadi, S.T.,M.Eng., D.Eng. IPM.

2025 | Disertasi | S3 Teknik Elektro

Kendaraan listrik berbasis baterai (battery electric vehicles- BEVs) menawarkan solusi transportasi ramah lingkungan, namun keterbatasan jarak tempuh yang disebabkan oleh umur baterai dan rendahnya densitas energi, masih menjadi tantangan utama. Salah satu pendekatan yang menjanjikan untuk mengatasi masalah ini adalah penggunaan sistem penyimpanan energi hibrida (hybrid energy storage system - HESS), khususnya konfigurasi baterai-superkapasitor (SC), yang dapat meningkatkan efisiensi pemanfaatan energi dan mengurangi beban baterai, sehingga memperpanjang umur baterai dan jarak tempuh kendaraan. Namun, efektivitas HESS sangat bergantung pada Energy Management Strategy (EMS) yang mengatur distribusi daya antara sumber energi. Di antara berbagai kategori EMS, berbasis aturan, berbasis optimasi, dan berbasis pembelajaran, hanya metode berbasis aturan yang secara praktis cocok untuk aplikasi kendaraan listrik nyata karena biaya komputasi yang rendah. Sebaliknya, metode EMS berbasis optimasi dan pembelajaran umumnya memerlukan daya pemrosesan dan memori tinggi, sehingga kurang cocok untuk sistem kendaraan dengan keterbatasan perangkat keras.

 

Salah satu teknik EMS berbasis aturan yang paling banyak diterapkan adalah low-pass filter (LPF), karena kesederhanaannya dan kemampuannya dalam mengurangi stres baterai dengan memisahkan transien frekuensi tinggi dari arus beban. Namun, LPF konvensional memiliki keterbatasan: efek pergeseran fasa (phase-shift), kesulitan dalam menjaga state of charge (SoC), tantangan dalam pemilihan frekuensi cut-off yang optimal, serta kurangnya adaptabilitas terhadap kondisi berkendara yang bervariasi. Untuk mengatasi masalah ini, penelitian ini mengusulkan dua metode berbasis LPF yang ditingkatkan: (1) Improved LPF (ILPF), yang mengintegrasikan penyesuaian ukuran komponen dan pemilihan frekuensi cut-off menggunakan particle swarm optimization (PSO), dan (2) Self-Learning LPF (SL-LPF), yang memperkenalkan kemampuan adaptasi waktu nyata tanpa memerlukan pelatihan offline.

 

Kedua metode ILPF dan SL-LPF dievaluasi menggunakan simulasi MATLAB/Simulink pada siklus berkendara standar dan nyata (real drive cycles - RDCs). Konfigurasi baterai-saja digunakan sebagai dasar perbandingan, sementara kinerja dievaluasi terutama melalui total jarak tempuh, karena parameter ini mencerminkan peningkatan efisiensi energi dan umur baterai. Pada siklus uji kendaraan WLTC (worldwide harmonized light vehicles test cycle), LPF konvensional memberikan peningkatan sebesar 13,733%. Metode fuzzy logic controller (FLC) dan FLC-LPF mencapai peningkatan masing-masing sebesar 14,274?n 11,841%. ILPF dan SL-LPF melampaui semuanya, dengan peningkatan masing-masing sebesar 20,296?n 20,072%. Pada RDC tanpa gradien, kedua metode memberikan peningkatan hingga 37%, meningkat menjadi 42% pada kondisi beban penuh, sementara pada kondisi jalan menanjak (gradien), peningkatannya lebih rendah yaitu sekitar 5%. Hasil ini menunjukkan bahwa ILPF dan SL-LPF tidak hanya meningkatkan jarak tempuh operasional, tetapi juga secara efektif mengatasi keterbatasan utama LPF: ILPF melalui optimasi offline, sedangkan SL-LPF melalui pembelajaran online, menjadikannya solusi EMS berbiaya rendah yang menjanjikan untuk kendaraan listrik berbasis HESS di dunia nyata.

Battery electric vehicles (BEVs) offer a clean transportation solution, but their limited driving range, caused by battery life constraints and low energy density, remains a key challenge. A promising approach to overcoming this issue is the use of a hybrid energy storage system (HESS), especially the battery-supercapacitor (SC) configuration, which enhances energy utilization efficiency and reduces battery stress, thereby extending both battery lifetime and driving distance. However, the effectiveness of HESS heavily relies on the energy management strategy (EMS) that controls power distribution between energy sources. Among the various EMS categories, rule-based, optimization-based, and learning-based, only rule-based methods are practically suitable for real electric vehicles (EVs) applications due to their low computational cost. In contrast, optimization and learning-based EMS methods typically require high processing power and memory, making them unsuitable for embedded vehicle systems with limited hardware resources.

 

One of the most widely applied rule-based EMS techniques is the low-pass filter (LPF), valued for its simplicity and ability to mitigate battery stress by decoupling high-frequency transients from load current. However, conventional LPF EMS faces critical limitations, including phase-shift effects, difficulty in maintaining the state of charge (SoC), challenges in selecting the optimal cut-off frequency, and lack of adaptability to varying driving conditions. To address these issues, this research proposes two enhanced LPF-based methods: (1) the improved LPF (ILPF), which integrates optimal component sizing and cut-off frequency tuning using particle swarm optimization (PSO), and (2) the self-learning LPF (SL-LPF), which introduces online adaptability.

             

Both ILPF and SL-LPF methods are evaluated using MATLAB/Simulink simulations under standard and real drive cycles (RDCs). The battery-only configuration serves as a baseline, while performance is assessed primarily through total traveling distance, as it reflects improvements in both energy efficiency and battery lifetime. In the worldwide harmonized light vehicles test cycle (WLTC), the conventional LPF achieves a 13.733% improvement. Fuzzy logic controller (FLC) and FLC-LPF methods reach 14.274% and 11.841%, respectively. ILPF and SL-LPF outperform all, with gains of 20.296% and 20.072%. Under RDCs without gradients, both methods yield improvements up to 37%, increasing to 42% in full-load conditions, while gradient scenarios show a more modest gain of 5\%. These results demonstrate that ILPF and SL-LPF not only improve operational range but also effectively overcome key LPF limitations: ILPF via offline optimization, whereas SL-LPF offers online learning, making them promising low-cost EMS solutions for real-world HESS-based electric vehicles.

Kata Kunci : electric vehicle, energy management, battery, supercapacitor, LPF