Estimasi State-of-Charge Pada Baterai Lithium-Ion Menggunakan Deep Neural Network

As electric vehicles (EV) become increasingly popular in the automotive world, an accurate State-of-Charge (SoC) estimation is critical to optimizing energy utilization, increasing driving range and ensuring long-lasting battery system. This research focuses on the application of Deep Neural Networks (DNN) as an SoC estimation method in EV, exploiting the inherent capacity of DNN to learn complex relationships in vast data sets. The results of the performed simulations show that the proposed DNN-based SoC estimation method achieves a high level of accuracy, outperforming traditional estimation techniques, especially in scenarios involving rapid changes in driving conditions. This research also explores the impact of Neural Networks architecture and hyperparameter tuning on overall performance and provides insights for optimizing DNN-based SoC estimation systems. From the tests that have been carried out, an error value of 1.3% is obtained from the results of the training carried out on the DNN structure that has been prepared.
Seiring dengan semakin populernya kendaraan listrik (EV) di dunia otomotif, estimasi State-of-Charge (SoC) yang akurat sangat penting untuk mengoptimalkan pemanfaatan energi, meningkatkan jangkauan berkendara dan memastikan sistem baterai tahan lama. Penelitian ini berfokus pada penerapan Deep Neural Networks (DNN) sebagai metode estimasi SoC pada EV, memanfaatkan kapasitas bawaan DNN untuk mempelajari hubungan kompleks dalam kumpulan data yang luas. Hasil dari simulasi yang dilakukan menunjukkan bahwa metode estimasi SoC berbasis DNN yang diusulkan mencapai tingkat akurasi yang tinggi, mengungguli teknik estimasi tradisional, terutama dalam skenario yang melibatkan perubahan cepat dalam kondisi berkendara. Penelitian ini juga mengeskplorasi dampak arsitektur Neural Networks dan penyetelan hyperparameter terhadap kinerja secara keseluruhan, serta memberikan wawasan untuk mengoptimalkan sistem estimasi SoC berbasis DNN. Dari pengujian yang telah dilakukan didapat nilai error sebesar 1.3% dari hasil training yang dilakukan terhadap struktur DNN yang telah disusun.