Alokasi Daya Pada Sistem Penyimpanan Energi Hibrida Baterai dan Supercapacitor Di Kendaraan Listrik Dengan Metode Artificial Neural Network

Rahmawan, Hanif Adi (2024) Alokasi Daya Pada Sistem Penyimpanan Energi Hibrida Baterai dan Supercapacitor Di Kendaraan Listrik Dengan Metode Artificial Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022211034-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Penelitian ini berfokus pada pendekatan Jaringan Syaraf Tiruan (JST) yang disajikan untuk mengalokasikan daya untuk sistem penyimpanan energi hibrida pada kendaraan listrik. Baterai biasanya digunakan untuk menyimpan kelebihan energi. Kepadatan energi yang tinggi pada baterai dapat menyebabkan peningkatan stres dan berkurangnya masa pakai baterai ketika terkena perubahan iradiasi dan beban secara tiba-tiba. Namun, dengan menggabungkannya dengan supercapasitor yang memiliki kepadatan daya tinggi, tekanan pada baterai dapat dikurangi dan masa pakai baterai dapat diperpanjang. Sistem penyimpanan energi hibrida terdiri dari baterai dan supercapasitor, dan algoritma ANN bertujuan untuk mengoptimalkan alokasi daya antara dua perangkat penyimpanan energi ini. Meskipun pengoptimalan sering kali memerlukan sumber daya dan waktu komputasi yang tinggi, ANN yang terlatih diharapkan dapat mengalokasikan daya untuk kendaraan listrik dengan sistem penyimpanan energi hibrida dengan lebih cepat. Pada penelitian ini mengevaluasi berbagai skenario dengan berbagai variasi State of Charge (SOC) dari komponen baterai dan supercapacitor. Perbandingan dilakukan antara output target dari optimasi penelitian referensi dan output yang dihasilkan oleh ANN dalam uji 3 kasus. Hasil penelitian menunjukkan bahwa ANN efektif mengelola alokasi daya dengan nilai kesalahan Root Mean Square (RMSE) yang dinormasilasi kurang sama dengan 5% dan simulasi waktu berlangsung kurang dari satu detik

===================================================================================================================================

This research focuses on the presented Artificial Neural Network (ANN) approach to allocate power for hybrid energy storage systems (HESS) in Electric Vehicles (EV). Batteries are usually used to store excess energy. High energy density in batteries can cause increased stress and reduced battery life when exposed to sudden changes in irradiation and load. However, by combining them with supercapacitors that have high power density, the stress on the battery can be reduced and the battery life can be extended. The HESS consists of a battery and a supercapacitor, and the ANN algorithm aims to optimize the power allocation between these two energy storage devices. Although it often requires high resources and computing time, ANNs are expected to allocate power to EV HESS more quickly. This research produces various scenarios with various variations in State of Charge (SOC) of battery and supercapacitor components. A comparison was made between the target output from the reference research optimization and the output produced by the ANN in the 3 test cases. The research results show that the ANN is effective in managing power allocation with a normalized Root Mean Square error (RMSE) value of less than 5% and the simulation time lasts less than one second.

Key words: artificial neural network, battery, hybrid energy storage system, supercapacitor, power allocation

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	ANN, Baterai, Sistem Penyimpanan Energi Hibrida, Supercapacitor artificial neural network, battery, hybrid energy storage system, supercapacitor, power allocation
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK2941 Storage batteries T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL220 Electric vehicles and their batteries, etc.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Hanif Adi Rahmawan
Date Deposited:	29 Jul 2024 03:21
Last Modified:	29 Jul 2024 03:21
URI:	http://repository.its.ac.id/id/eprint/109383

Actions (login required)

View Item