Optimasi Prediksi Sisa Umur Penggunaan Baterai dengan Model PSO-LSTM

Abstrak

Baterai kini menjadi solusi utama seiring dengan bergesernya sumber energi menjadi energi terbarukan. Pada tahun 2011 hingga 2022 National Aeronautics and Space Admission (NASA) telah merekap adanya peningkatan kurang lebih sebanyak 40% nilai PPM dan jumlah karbon dioksida (CO2). Electric Vehicle (EV) telah berkontribusi dalam pengurangan CO2 dan PPM secara berkelanjutan. Walaupun demikian, teknologi baterai memiliki kekurangan yang bersangkutan dengan masa akhir penggunaan atau yang sering disebut dengan Remaining Useful Life (RUL) yang dapat menyebabkan kebakaran atau emisi racun pada baterai tersebut. Penelitian ini akan menggunakan pendekatan data yang memanfaatkan kecerdasan buatan untuk memprediksi RUL baterai, di mana dapat dicegah terjadinya kerusakan baterai dengan model tersebut. Model stokastik Particle Swarm Optimization - Long Short Term Memory (PSO-LSTM) telah digunakan untuk mengoptimasi hyperparameter window size dan hidden layer secara stokastik. Hal tersebut dilakukan untuk mendapat model yang memiliki kesalahan minim. PSO-LSTM memprediksi data yang bersumber dari NASA Prognosis Centre of Excellence (PCoE) yang meliputi data “Siklus” dan “Kapasitas”. Didapati bahwa hasil PSO-LSTM teroptimasi dengan baik dengan RMSE 0.074 dan MAE 0.021 (80% data pelatihan), lalu 0.070 untuk RMSE dan 0.021 untuk nilai MAE (20% data pengujian). Model stokastik PSO-LSTM tersebut dapat dikembangkan pada Battery Management System (BMS) cerdas untuk keperluan industri otomotif di kemudian harinya.