Tawaran Skripsi/Proyek Akhir (PA) diberikan kepada Mhs TRE21 untuk melakukan riset terapan dengan tema “Buck Converter dan Battery Management System”, yang akan dibimbing oleh bapak Dr. Fahmizal, S.T., M.Sc. dengan melibatkan dua mahasiswa.
Tema Buck Converter
Buck Converter adalah sebuah jenis DC-DC converter yang digunakan untuk menurunkan tegangan input menjadi tegangan output yang lebih rendah. Alat ini sangat efisien dalam mengkonversi tegangan listrik dan sering digunakan dalam aplikasi elektronik di mana tegangan input (seperti dari baterai atau sumber daya lainnya) lebih tinggi daripada yang diperlukan oleh perangkat elektronik.
Aplikasi Buck Converter:
- Pengisi daya baterai: Untuk mengubah tegangan dari sumber daya utama menjadi tegangan yang sesuai untuk pengisian baterai.
- Sistem catu daya portabel: Digunakan dalam perangkat elektronik portabel seperti laptop dan ponsel.
Tugas mahasiswa: Meneliti dan meracang pengendali pada buck converter dengan kendali PID. Mahasiswa dapat merancang simulasi sistem buck converter dengan menggunakan software Matlab-Simulink dan menggunakan software PLECS.
Bagaimana kendali PID bekerja pada buck converter:
- Tegangan Output sebagai Variabel yang Dikendalikan: Dalam konteks buck converter, tegangan output (V_out) dibandingkan dengan tegangan referensi (V_ref) yang diinginkan. Selisih antara keduanya disebut error.
- Aksi Kendali PID:
- Proportional (P): Bagian ini menghasilkan aksi kendali yang sebanding dengan besarnya error. Jika tegangan output jauh dari nilai referensi, bagian P akan memberikan koreksi yang besar.
- Integral (I): Bagian ini menghitung total error dari waktu ke waktu untuk menghilangkan error tetap (steady-state error). Bagian I membantu memastikan tegangan output akhirnya mencapai nilai referensi dengan tepat.
- Derivative (D): Bagian ini berfungsi untuk memprediksi tren error di masa depan dan memberikan koreksi yang sesuai, membantu meredam respon sistem dan mengurangi osilasi yang berlebihan.
- PWM Control: Pengendali PID akan mempengaruhi duty cycle dari sinyal PWM (Pulse Width Modulation) yang mengendalikan switch (transistor) pada buck converter. Dengan mengatur duty cycle, tegangan output dapat disesuaikan sesuai dengan sinyal error yang dihitung oleh PID.
Keuntungan menggunakan Kendali PID pada Buck Converter:
- Stabilitas Tegangan Output: PID memungkinkan tegangan output tetap stabil meskipun ada perubahan pada tegangan input atau beban.
- Respon Cepat terhadap Gangguan: PID dapat merespons perubahan yang tiba-tiba dalam input atau beban dengan cepat dan mengembalikan sistem ke kondisi stabil.
- Pengurangan Osilasi: Dengan tuning yang tepat, PID dapat mengurangi osilasi dalam tegangan output dan memberikan transisi yang halus.
Penerapan:
Untuk mengimplementasikan kendali PID pada buck converter, diperlukan beberapa tahap seperti:
- Pemodelan sistem: Memahami dinamika buck converter, termasuk konstanta waktu dari induktor dan kapasitor.
- Tuning PID: Mengatur parameter P, I, dan D agar sesuai dengan karakteristik spesifik buck converter.
- Penggunaan mikrokontroler atau DSP: Untuk mengimplementasikan algoritma PID dalam mengontrol sinyal PWM.
Dalam aplikasi praktis, PID pada buck converter sering digunakan untuk keperluan catu daya dengan spesifikasi tegangan tinggi atau rendah yang sangat akurat, seperti pada perangkat elektronik sensitif atau peralatan industri.
Sumber bacaan: https://www.mathworks.com/videos/pid-controller-tuning-for-a-buck-converter-1504291092156.html
Tema Battery Management System (BMS)
Battery Management System (BMS) atau Sistem Manajemen Baterai adalah sistem elektronik yang bertanggung jawab untuk mengelola baterai dalam kendaraan listrik, mencakup pemantauan, proteksi, pengisian, dan pengendalian performa baterai.
Peran BMS di Kendaraan Listrik: Dalam kendaraan listrik, BMS sangat penting untuk menjaga baterai tetap dalam kondisi optimal, memastikan keamanan, umur panjang, dan efisiensi penggunaan energi.
Tugas mahasiswa: Meneliti dan mempelajari algoritma dan teknik pengendalian BMS berupa:
- State-of-Charge (SOC) Estimation: Menentukan persentase muatan yang tersisa dalam baterai sangat penting untuk menentukan kapan baterai harus diisi ulang. Algoritma berbasis metode coulomb counting atau teknik berbasis model (Kalman filter) digunakan untuk memperkirakan SOC secara akurat.
- State-of-Health (SOH) Monitoring: Memantau kondisi kesehatan baterai dan menentukan kapan baterai sudah menurun performanya dan perlu diganti. SOH mencakup analisis kapasitas baterai dan resistansi internal.
- Thermal Management: Algoritma pengendalian suhu digunakan untuk menjaga suhu baterai dalam rentang optimal, terutama dalam kondisi pengisian cepat atau penggunaan berat.
Algoritma dan teknik pengendalian Battery Management System (BMS) untuk estimasi State of Charge (SOC) dan State of Health (SOH) baterai membutuhkan pendekatan yang tepat, mengingat pentingnya akurasi dalam menjaga kinerja baterai. Berikut adalah beberapa metode dan algoritma yang umum digunakan untuk menghitung SOC dan SOH:
-
Algoritma Estimasi State of Charge (SOC)
SOC mengacu pada seberapa banyak muatan yang tersisa dalam baterai, sering dinyatakan dalam persentase (%). Estimasi SOC yang akurat sangat penting untuk mencegah pengosongan berlebih (over-discharge) atau pengisian berlebih (overcharge), yang dapat merusak baterai.
Coulomb Counting (Ah Counting)
- Prinsip: Metode ini menghitung arus masuk dan keluar dari baterai seiring waktu. Dengan mengetahui kapasitas awal baterai, SOC dapat diperoleh dengan mengintegrasikan arus yang digunakan atau diisi.
- Kelebihan: Mudah diimplementasikan, cepat dalam memberikan estimasi SOC.
- Kekurangan: Rentan terhadap akumulasi kesalahan karena noise dan drift pada sensor arus. Perlu kalibrasi berkala dengan nilai SOC yang diketahui.
Model Berbasis Tegangan (Open Circuit Voltage – OCV)
- Prinsip: Tegangan sirkuit terbuka baterai (OCV) berhubungan dengan SOC, terutama pada baterai lithium-ion. Estimasi SOC dapat diperoleh dengan mengukur tegangan baterai ketika tidak ada beban.
- Kelebihan: Memberikan hasil yang akurat selama kondisi baterai dalam keadaan stabil (setelah masa istirahat).
- Kekurangan: Tidak efektif selama pengisian atau pengosongan karena tegangan berubah secara dinamis dan dipengaruhi oleh internal resistance.
Extended Kalman Filter (EKF)
- Prinsip: EKF adalah teknik berbasis model yang menggunakan filter prediksi untuk memperkirakan SOC. EKF memperhitungkan pengukuran arus dan tegangan serta menggunakan model baterai untuk memperkirakan SOC secara dinamis.
- Kelebihan: Sangat akurat, dapat memperkirakan SOC secara real-time meskipun ada gangguan.
- Kekurangan: Memerlukan pemodelan baterai yang kompleks dan kemampuan komputasi yang tinggi.
Neural Networks (Jaringan Saraf Tiruan)
- Prinsip: Menggunakan model berbasis pembelajaran mesin untuk memperkirakan SOC dengan mempelajari hubungan antara arus, tegangan, suhu, dan parameter lainnya.
- Kelebihan: Dapat memodelkan baterai yang kompleks tanpa perlu mengetahui detail fisik baterai.
- Kekurangan: Memerlukan data pelatihan yang besar dan sering kali sulit diimplementasikan pada perangkat dengan keterbatasan daya dan sumber daya komputasi.
Fuzzy Logic
- Prinsip: Menggunakan sistem berbasis aturan yang menggabungkan variabel input seperti arus, tegangan, dan suhu untuk memperkirakan SOC dalam kondisi yang tidak pasti.
- Kelebihan: Fleksibel dalam kondisi baterai yang bervariasi dan lebih mudah diatur dibandingkan model berbasis fisik.
- Kekurangan: Sulit untuk menyusun aturan yang tepat dan memerlukan pengujian ekstensif.
-
Algoritma Estimasi State of Health (SOH)
SOH digunakan untuk menentukan kondisi kesehatan baterai, termasuk seberapa jauh baterai telah menurun dari kondisi optimalnya. SOH sering diukur dalam bentuk kapasitas maksimum atau resistansi internal yang meningkat.
Pengukuran Kapasitas
- Prinsip: SOH diestimasi dengan membandingkan kapasitas baterai saat ini dengan kapasitas baterai pada kondisi baru. Ini sering dilakukan dengan mengisi dan mengosongkan baterai sepenuhnya dan mencatat jumlah energi yang disimpan atau dilepaskan.
- Kelebihan: Akurat, terutama pada sistem yang dapat melakukan siklus penuh.
- Kekurangan: Tidak selalu praktis, terutama di aplikasi seperti kendaraan listrik di mana pengisian penuh atau pengosongan penuh jarang dilakukan.
Estimasi Resistansi Internal
- Prinsip: Seiring bertambahnya umur baterai, resistansi internalnya meningkat. Dengan mengukur resistansi internal secara berkala, SOH dapat diperkirakan.
- Kelebihan: Dapat diukur secara real-time tanpa perlu pengosongan atau pengisian penuh.
- Kekurangan: Resistansi internal dipengaruhi oleh suhu, arus, dan faktor lainnya, sehingga perlu kalibrasi yang baik.
Model Berbasis Kalman Filter
- Prinsip: Seperti pada SOC, Kalman Filter dapat digunakan untuk memperkirakan SOH dengan menggunakan model baterai dan data historis dari pengoperasian baterai. Filter ini secara dinamis memperbarui estimasi SOH berdasarkan perubahan tegangan, arus, dan suhu.
- Kelebihan: Akurat dalam jangka panjang, mampu memperkirakan perubahan secara real-time.
- Kekurangan: Pemodelan kompleks, membutuhkan sumber daya komputasi yang lebih tinggi.
Jaringan Saraf Tiruan (Neural Networks)
- Prinsip: Metode ini menggunakan data operasional baterai (arus, tegangan, suhu) sebagai input untuk memperkirakan SOH dengan mempelajari pola degradasi baterai.
- Kelebihan: Dapat menangkap pola degradasi yang tidak linier dan kompleks.
- Kekurangan: Membutuhkan data pelatihan yang besar dan sumber daya komputasi yang signifikan.
Analisis Siklus Penggunaan (Cycle Counting)
- Prinsip: Baterai memiliki jumlah siklus pengisian-pengosongan tertentu sebelum kapasitanya mulai menurun. Dengan melacak jumlah siklus penggunaan, SOH dapat diperkirakan dengan membandingkannya dengan umur siklus yang diharapkan.
- Kelebihan: Mudah diimplementasikan, berbasis data operasional.
- Kekurangan: Tidak selalu akurat karena kondisi penggunaan yang berbeda dapat memengaruhi degradasi baterai secara berbeda.
Sumber bacaan: https://www.mathworks.com/help/simscape-battery/ug/battery-state-of-health-estimation.html
https://www.mathworks.com/help/simscape-battery/ref/socestimatoradaptivekalmanfilter.html
https://www.mathworks.com/help/simscape-battery/ref/sohestimator.html
https://www.mathworks.com/help/simscape-battery/ref/socestimatorcoulombcounting.html