Electronic Theses and Dissertation

Ketidakseimbangan State of Charge (SoC) antar sel pada battery pack merupakan salah satu faktor utama yang dapat menurunkan kinerja dan memperpendek umur baterai, khususnya pada sistem DC microgrid yang memiliki karakteristik beban dan pembangkitan yang dinamis. Penelitian ini bertujuan untuk mengembangkan metode adaptive battery balancing berbasis machine learning guna mengoptimalkan proses penyeimbangan antar sel baterai. Sistem yang dikaji terdiri dari empat sel baterai yang dirangkai secara seri. Model machine learning digunakan untuk memprediksi kondisi SoC dan menentukan strategi balancing yang sesuai secara adaptif. Pendekatan yang diterapkan merupakan kombinasi metode pasif dan aktif, di mana balancing pasif digunakan saat selisih SoC kurang dari 5% untuk mempercepat proses penyeimbangan, sedangkan balancing aktif digunakan saat selisih SoC lebih dari 5% untuk menjaga efisiensi energi. Model dikembangkan dan diuji melalui simulasi menggunakan MATLAB Simulink menggunakan algoritma Linear regression dengan nilai MAE sebesar 1,04 dan RMSE sebesar 1,29 pada mode passive balancing, serta MAE sebesar 13,94 dan RMSE sebesar 21,27 pada mode Active balancing. Pendekatan adaptive yang mengombinasikan metode pasif dan aktif diterapkan berdasarkan kondisi selisih SoC. Hasil simulasi menunjukkan bahwa metode ini mampu meminimalkan ketidakseimbangan SoC dengan nilai RMSE prediksi sebesar 0,083%–0,252%. Selain itu, waktu balancing pada selisih SoC 4,39% dapat diselesaikan dalam 72 detik menggunakan metode pasif, sedangkan pada selisih 38,89% membutuhkan 1920 detik menggunakan metode aktif. Strategi kombinasi ini memberikan keseimbangan antara kecepatan dan efisiensi dalam proses balancing, sehingga meningkatkan performa sistem penyimpanan energi pada DC microgrid.

The imbalance of State of Charge (SoC) among cells in a battery pack is one of the main factors that can reduce performance and shorten battery lifespan, particularly in DC microgrid systems with dynamic load and generation characteristics. This study aims to develop an adaptive battery balancing method based on machine learning to optimize the balancing process among battery cells. The system under study consists of four series-connected battery cells. A machine learning model is employed to predict SoC conditions and determine the appropriate balancing strategy adaptively. The approach combines passive and Active balancing methods, where passive balancing is applied when the SoC difference is less than 5% to accelerate the balancing process, while Active balancing is used when the SoC difference exceeds 5% to maintain energy efficiency. The model was developed and tested through MATLAB Simulink simulations using the Linear regression algorithm, achieving a MAE of 1.04 and RMSE of 1.29 in passive mode, and a MAE of 13.94 and RMSE of 21.27 in Active mode. The adaptive approach based on SoC difference effectively minimizes imbalance, with predicted RMSE values ranging from 0.083% to 0.252%. Furthermore, the balancing time for a 4.39% SoC difference was completed in 72 seconds using the passive method, while a 38.89% difference required 1,920 seconds using the Active method. This combined strategy provides a balance between speed and efficiency in the balancing process, thereby enhancing the performance of energy storage systems in DC microgrids.