Terbit online pada laman web jurnal: http://journal.
id/index.
php/JASENS JOURNAL OF APPLIED SMART ELECTRICAL
NETWORK AND SYSTEMS (JASENS)
Vol.
6 No.
ISSN Media Elektronik: 2723-5467 Estimasi State of Charge Baterai 4S2P Menggunakan Kalman Filter dan Coulomb Counting Tiara Erly Syah Putri1.
Mat SyaiAoin2 .
Ii Munadhif3 Studi Teknik Otomasi.
Jurusan Teknik Kelistrikan Kapal.
Politeknik Perkapalan Negeri Surabaya terly@student.
id *, 2 matt.
syaiin@ppns.
id , 3iimunadhif.
its@gmail.
Abstract State of Charge (SoC) estimation is crucial for Battery Management Systems (BMS) reliability.
This study presents a comparative simulation-based analysis of Kalman Filter and Coulomb Counting methods for SoC estimation on a 4S2P lithium-ion battery.
Using MATLAB, simulations include real-world variables such as thermal effects and current fluctuation.
Evaluation metrics RMSE.
MAE.
MAPE, and RA are calculated against actual voltage references.
Results indicate Kalman Filter achieves superior accuracy (RMSE=0.
MAE=0.
MAPE=0.
RA=0.
compared to Coulomb Counting (RMSE=0.
MAE=0.
MAPE=0.
RA=0.
Kalman FilterAos recursive correction provides robustness against noise and drift, highlighting its suitability for modern BMS applications requiring high Keywords: Kalman Filter.
Coulomb Counting.
State of Charge.
Battery Management System.
MATLAB Simulation Abstrak Estimasi State of Charge (SoC) sangat penting untuk keandalan Battery Management System (BMS).
Penelitian ini membandingkan metode Kalman Filter dan Coulomb Counting menggunakan simulasi MATLAB pada baterai lithium-ion konfigurasi 4S2P, dengan memperhitungkan variabel termal dan fluktuasi arus.
Evaluasi berdasarkan RMSE.
MAE.
MAPE, dan RA terhadap referensi tegangan aktual menunjukkan Kalman Filter memiliki akurasi lebih baik (RMSE=0.
MAE=0.
MAPE=0.
RA=0.
dibandingkan Coulomb Counting (RMSE=0.
MAE=0.
MAPE=0.
RA=0.
Mekanisme koreksi Kalman Filter membuatnya lebih tahan terhadap noise dan akumulasi error, sehingga lebih layak digunakan pada sistem BMS modern.
Diterima Redaksi : 13-05-2025 | Selesai Revisi : 28-06-2025 | Diterbitkan Online : 30-06-2025 Pendahuluan hingga potensi kegagalan sistem.
Oleh sebab itu, metode estimasi SoC yang tepat dan andal sangat Kemajuan pesat dalam teknologi kendaraan listrik dan diperlukan, terutama untuk implementasi pada Battery Management System (BMS).
, .
, .
, .
penyimpanan energi yang handal dan efisien.
Baterai lithium-ion telah menjadi pilihan utama dalam Beberapa metode yang umum digunakan untuk teknologi penyimpanan energi karena memiliki estimasi State of Charge (SoC) meliputi teknik berbasis kepadatan energi tinggi, umur pakai yang lama, serta tegangan terbuka (Open Circuit Voltag.
, pendekatan efisiensi pengisian yang optimal.
Namun, untuk impedansi, metode Coulomb Counting, serta teknik memaksimalkan kinerja baterai, diperlukan sistem filter seperti Kalman Filter.
Walaupun metode tegangan pemantauan yang akurat terhadap kondisi baterai, dan impedansi cukup efektif saat baterai dalam kondisi khususnya dalam mengukur State of Charge (SoC) diam .
, penggunaannya terbatas pada situasi Aa1Ac.
Sementara itu, metode Coulomb Counting banyak digunakan karena implementasinya yang State of Charge (SoC) adalah parameter krusial yang sederhana, namun rentan terhadap penumpukan merepresentasikan jumlah energi yang tersisa dalam kesalahan akibat pengukuran arus yang terus baterai, yang berperan langsung dalam menentukan berlangsung dari waktu ke waktu.
, .
, .
, .
, .
, .
, .
, .
, .
Ketidakakuratan dalam memperkirakan SoC dapat berakibat pada kondisi overcharge, overdischarge.
Tiara Erly Syah Putri1.
Mat SyaiAoin2 .
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol.
6 No.
Kalman Filter menyediakan pendekatan yang lebih Dengan demikian, penelitian ini tidak sekadar fleksibel dan responsif dengan menggabungkan model mengulang konsep yang telah ada, tetapi juga matematis dan data pengukuran.
Metode ini mampu mengembangkan evaluasi yang lebih menyeluruh dan melakukan estimasi kondisi internal baterai secara real- praktis, sehingga relevan untuk penerapan sistem time serta mengoreksi prediksi berdasarkan input arus Battery Management System (BMS) modern yang dan tegangan yang sebenarnya.
Dalam penelitian ini, menuntut tingkat presisi tinggi dan keandalan jangka Kalman Filter dibandingkan dengan metode Coulomb panjang.
Counting melalui simulasi pengisian baterai konfigurasi 4S2P menggunakan MATLAB.
Analisis dilakukan 2.
Metode Penelitian terhadap akurasi estimasi tegangan, perhitungan SoC.
Penelitian ini menggunakan pendekatan simulasi serta pengaruh suhu terhadap kinerja sistem.
numerik yang dijalankan pada platform MATLAB.
Simulasi tersebut bertujuan untuk menilai efektivitas 1 Kontribusi dan kebaruan dua metode utama dalam estimasi State of Charge (SoC), yaitu Kalman Filter dan Coulomb Counting.
Penerapan Kalman Filter dalam estimasi State of dengan menggunakan data sintetis dari proses Charge (SoC) pada baterai lithium-ion sudah banyak lithium-ion menjadi fokus penelitian dalam berbagai studi 4S2P.
, .
Namun, penelitian memperkenalkan beberapa inovasi signifikan yang membedakannya dari studi-studi sebelumnya.
Pertama, penelitian ini melakukan evaluasi secara menyeluruh dengan menerapkan empat metrik statistik utama secara bersamaan, yaitu Root Mean Square Error (RMSE).
Mean Absolute Error (MAE).
Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (RA).
Pendekatan yang melibatkan berbagai metrik ini memberikan gambaran yang lebih komprehensif dan akurat mengenai tingkat presisi serta kinerja estimasi SoC, dibandingkan dengan studi sebelumnya yang biasanya hanya menggunakan satu atau dua metrik Gambar 2.
1 Skema Metode Kalman Filter dan Coulumb Counting Kedua, simulasi yang dilakukan dalam penelitian ini Konfigurasi Sistem Baterai dibuat untuk merepresentasikan kondisi operasional nyata dengan memasukkan pengaruh fluktuasi arus Sistem baterai yang digunakan memiliki konfigurasi pengisian serta peningkatan suhu selama proses 4S2P, yaitu empat sel yang disusun secara seri dan dua pengisian baterai.
Faktor termal dan variasi arus yang sel secara paralel.
Konfigurasi ini umum diterapkan dipertimbangkan secara bersamaan ini jarang pada sistem penyimpanan energi untuk kendaraan diakomodasi dalam simulasi sebelumnya, sehingga listrik berukuran kecil serta perangkat elektronik skala penelitian ini memberikan kontribusi penting dalam menengah, karena mampu menggabungkan keunggulan meningkatkan realisme model.
tegangan tinggi dan kapasitas penyimpanan yang besar.
Parameter teknis yang digunakan dalam simulasi Ketiga, penelitian ini secara langsung membandingkan kinerja Kalman Filter dengan metode konvensional Coulomb Counting pada konfigurasi baterai 4S2P, yang C Kapasitas per sel: 2100 mAh, yang banyak digunakan pada kendaraan listrik skala kecil mencerminkan kapasitas tipikal sel Li-ion hingga perangkat elektronik portabel.
Pendekatan ini memberikan konteks aplikasi yang relevan dan sesuai C Tegangan nominal: 3.
7 V, sebagai tegangan dengan perkembangan teknologi penyimpanan energi kerja rata-rata saat baterai dalam kondisi saat ini.
operasi normal.
Akurasi dan keunggulan Kalman Filter juga diperkuat dengan merujuk pada penelitian terbaru, seperti Xie et .
yang menggunakan Extended Kalman Filter dalam estimasi SoC dengan hasil akurasi tinggi, serta Fahmy et al.
yang menggabungkan Coulomb Counting dengan Adaptive Unscented Kalman Filter untuk meningkatkan presisi estimasi SoC.
Rentang tegangan: 3.
0 V Ae 4.
2 V, yang merepresentasikan batas bawah dan atas operasi sel baterai sebelum mencapai kondisi overdischarge atau overcharge.
Arus pengisian: 2 A, ditetapkan tetap untuk menyederhanakan model simulasi.
Journal of Applied Smart Electrical Network and Systems (JASENS) Tiara Erly Syah Putri1.
Mat SyaiAoin2 .
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol.
6 No.
Resistansi internal: 0.
02 Ohm per sel, diasumsikan konstan untuk seluruh durasi Kapasitas total sistem: 4200 mAh, didapatkan dari hasil 2 x 2100 mAh karena 2 sel tersusun Simulasi ini juga mempertimbangkan efek termal dengan memodelkan peningkatan suhu baterai selama proses pengisian, yang berkisar dari 25AC hingga 40AC, untuk meniru kondisi pemanasan alami yang terjadi akibat resistansi internal dan arus listrik yang mengalir.
Oe = Oe .
AU AU
Oe = Oe Oe Simulasi dan Metode Kalman filter C :
Model Kalman Filter = Oe Oe mengestimasi tegangan aktual pada setiap sel dengan menggunakan data pengamatan arus dan tegangan yang Proses ini terdiri dari dua tahap utama, yaitu prediksi dan koreksi.
Pada tahap prediksi, model Keterangan:
menghitung perkiraan tegangan berdasarkan nilai Tabel 2.
1 Tabel Keterangan Kalman Filter sebelumnya dan arus yang diterima, sementara pada Simbol Keterangan tahap koreksi, perkiraan tersebut disesuaikan Prediksi estimasi sebelum koreksi di langkah ke-k Oe menggunakan data pengukuran aktual.
, .
, .
, .
Simulasi dilakukan di MATLAB dengan menjalankan 150 iterasi, di mana setiap iterasi merepresentasikan durasi satu menit dalam proses pengisian baterai.
Prosedur simulasi meliputi beberapa tahap berikut:
Input Data: Data arus pengisian, suhu, dan tegangan aktual .
engan noise Gaussia.
dimasukkan sebagai variabel input.
Estimasi SoC:
Formula umum yang digunakan :
Persamaan Prediksi (Predictio.
C :
= Oe Estimasi akhir setelah koreksi di langkah ke-k Error covariance setelah koreksi Nilai hasil pengukuran sensor di langkah ke-k Variansi noise pengukuran .
etidakpastian senso.
C Kovarian proses (Q): 0.
02 Ai mewakili ketidakpastian dari model prediktif.
Kovarian pengukuran (R): 0.
005 Ai mewakili derau pada pengukuran tegangan.
Kovarian kesalahan awal (P): 5 Ai estimasi awal variansi kesalahan.
Prediksi error covariance sebelum koreksi Kalman Gain di langkah ke-k Variansi noise proses .
etidakpastian model prediks.
Kalman Filter: Menggunakan model prediksi dan koreksi berulang untuk Rangkaian parameter yang digunakan dalam Kalman memperkirakan tegangan dan SoC Filter meliputi:
secara real-time berdasarkan input C Matriks transisi state (A): 0.
99 Ai arus dan tegangan.
o Coulomb Counting: Mengintegrasi sebelumnya dengan sedikit reduksi.
arus pengisian untuk menghitung C Koefisien input (B): 0.
015 Ai menyatakan SoC secara kumulatif tanpa koreksi seberapa besar pengaruh arus terhadap perubahan tegangan.
Evaluasi Metrik: Setiap iterasi dihitung nilai RMSE.
MAE.
MAPE, dan RA dengan C Matriks observasi (H): 1 Ai menyatakan membandingkan estimasi SoC dengan data bahwa output langsung diamati dari state referensi .
egangan aktua.
Journal of Applied Smart Electrical Network and Systems (JASENS) Tiara Erly Syah Putri1.
Mat SyaiAoin2 .
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol.
6 No.
Simulasi dilakukan selama 150 langkah waktu, di mana setiap iterasi mewakili satu menit waktu pengisian.
Hasil prediksi tegangan dari Kalman Filter dibandingkan dengan data tegangan aktual yang telah disimulasikan dengan noise Gaussian untuk meniru kondisi real.
Estimasi SoC dengan Coulomb Counting Metode Coulomb Counting menghitung SoC berdasarkan integrasi arus masuk ke dalam baterai terhadap kapasitas total sistem.
Metode ini mengasumsikan bahwa tidak ada arus yang bocor dan semua muatan yang masuk disimpan sepenuhnya, yang dalam kenyataannya jarang terjadi.
, .
, .
, .
Formula umum yang digunakan adalah:
SoC.
= SoC.
Oe.
[I.
y i.
/ C_total Dengan:
= arus masuk saat iterasi t .
alam Amper.
it = durasi waktu antar iterasi .
menit = 1/60 ja.
C_total = kapasitas total baterai .
0 mAh = 4.
2 A.
Untuk menambahkan variasi kecil pada arus sebesar A0.
untuk mensimulasikan fluktuasi arus dari sumber daya.
Selain itu.
SoC dihitung kumulatif dari iterasi pertama hingga akhir, dengan pengecekan batas maksimum 100% untuk menghindari overestimasi.
Hasil dan Pembahasan Bagian ini menampilkan hasil simulasi estimasi tegangan dan State of Charge (SoC) pada baterai 4S2P dengan menggunakan metode Kalman Filter dan Coulomb Counting selama 150 siklus waktu.
Pembahasan difokuskan pada keakuratan estimasi dibandingkan data aktual, kestabilan kedua metode, serta perubahan suhu selama proses pengisian baterai.
Tabel 3.
1 Tabel Hasil Simulasi Matlab v aktual v est Soc Kf Soc CC Journal of Applied Smart Electrical Network and Systems (JASENS) Tiara Erly Syah Putri1.
Mat SyaiAoin2 .
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol.
6 No.
Journal of Applied Smart Electrical Network and Systems (JASENS) Tiara Erly Syah Putri1.
Mat SyaiAoin2 .
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol.
6 No.
Journal of Applied Smart Electrical Network and Systems (JASENS) Tiara Erly Syah Putri1.
Mat SyaiAoin2 .
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol.
6 No.
Gambar 3.
1 Grafik hasil simulasi Matlab Gambar ini terdiri dari tiga grafik yang menampilkan hasil pengukuran dan estimasi pada sistem baterai selama pengujian.
Grafik pertama menunjukkan perbandingan antara tegangan aktual per sel baterai dengan tegangan yang diestimasi menggunakan metode Kalman Filter.
Kurva tegangan aktual dan estimasi Kalman Filter menunjukkan tren yang sangat mendekati, menandakan bahwa Kalman Filter mampu memperkirakan tegangan sel dengan akurasi tinggi dan efektif mengurangi noise pada pengukuran.
Walaupun metode Coulomb Counting menghasilkan nilai MAPE yang sedikit lebih rendah, penelitian ini mengungkapkan bahwa metode tersebut rentan terhadap penumpukan kesalahan dan kecenderungan overestimasi dalam jangka panjang, khususnya setelah iterasi ke-100, sehingga mengurangi keandalan estimasi SoC.
Sebaliknya.
Kalman Filter mempertahankan kestabilan dan akurasi yang lebih tinggi berkat kemampuannya dalam melakukan koreksi secara real-time terhadap gangguan noise serta fluktuasi arus dan tegangan.
Grafik kedua menampilkan perbandingan antara estimasi State of Charge (SoC) menggunakan Kalman Filter dan metode Coulomb Counting.
Kedua metode ini memperlihatkan kenaikan SoC secara linier selama proses pengisian baterai, namun estimasi Kalman Filter menghasilkan kurva yang lebih halus dan stabil, yang menunjukkan kemampuan filter ini dalam menangani variabilitas dan noise data sehingga estimasi muatan baterai lebih dapat dipercaya.
Kalman Filter juga dapat mengadaptasi prediksinya dengan mempertimbangkan perubahan suhu selama proses pengisian, sehingga lebih responsif terhadap kondisi operasional nyata dalam sistem Battery Management System (BMS) pada kendaraan listrik.
Grafik ketiga menggambarkan perubahan suhu baterai selama pengujian.
Kurva suhu menunjukkan kenaikan yang relatif stabil tanpa fluktuasi tajam, menandakan kondisi termal baterai yang terjaga dengan baik selama proses pengisian.
Namun, terdapat kelemahan dalam Kalman Filter, yaitu munculnya prediksi SoC melebihi 100% pada iterasi Secara keseluruhan, ketiga grafik ini mengilustrasikan akhir simulasi.
Hal ini menunjukkan perlunya kinerja sistem baterai serta efektivitas Kalman Filter pengembangan logika pembatas .
dalam dalam memperkirakan tegangan dan SoC dengan implementasi nyata untuk menjaga validitas output akurasi yang lebih baik dibandingkan metode dalam rentang yang fisik .
Ae100%).
konvensional, sambil menjaga kondisi suhu yang stabil untuk keamanan dan performa optimal.
Hasil dari Kalman filter Journal of Applied Smart Electrical Network and Systems (JASENS) Tiara Erly Syah Putri1.
Mat SyaiAoin2 .
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol.
6 No.
RMSE
Tabel 3.
2 Tabel Hasil dari Kalman Filter
MAE
MAPE
R2 Score
0,000674 0,000454 0,259741
Hasil dari Coulomb Counting 0,999994 Tabel 3.
3 Tabel Hasil dari Coulumb Counting RMSE
MAE
MAPE
R2 Score Hasil ini memperkuat bahwa Kalman Filter bukan hanya lebih akurat, tetapi juga lebih stabil dan tangguh terhadap gangguan, menjadikannya solusi yang lebih dapat diandalkan untuk estimasi SoC dalam aplikasi Battery Management System modern.
Suhu Pengisian Simulasi suhu memperlihatkan peningkatan dari suhu awal 25AC hingga mendekati 40AC pada akhir proses Kenaikan suhu bersifat hampir linier karena arus konstan dan resistansi internal yang tetap.
Tidak Hasil Estimasi Tegangan ditemukan lonjakan suhu tajam, yang menunjukkan Kurva hasil estimasi tegangan per sel menggunakan bahwa sistem bekerja dalam batas termal yang dapat Kalman Filter memperlihatkan kesesuaian yang sangat diterima.
baik dengan tegangan aktual yang telah disimulasikan.
Namun demikian, terdapat fluktuasi kecil dalam Pada awal pengisian, tegangan awal berada di kisaran simulasi suhu akibat faktor noise, yang menambah 9Ae3.
0 V.
Estimasi Kalman langsung menyesuaikan validitas simulasi sebagai representasi sistem nyata.
dengan tren tegangan aktual meskipun terdapat noise Peningkatan suhu ini juga berkorelasi dengan kenaikan Gaussian dalam data.
Setelah 20Ae30 iterasi.
Kalman tegangan dan SoC, mendukung hubungan antara mulai menunjukkan prediksi yang semakin halus dan parameter termal dan status pengisian.
Perbedaan antara tegangan aktual dan hasil estimasi berada dalam selang A0.
02 V, menunjukkan Dalam implementasi riil, fluktuasi suhu seperti ini akurasi tinggi.
Tegangan juga berhasil dipertahankan penting untuk mendeteksi potensi ketidakseimbangan dalam rentang aman operasi baterai hingga akhir termal antar sel, yang jika diabaikan dapat menyebabkan degradasi umur baterai.
0,001892
0,000804
0,244617
0,999964
Secara numerik.
Kalman Filter mencatat nilai RMSE 3.
4 Evaluasi 000674 dan MAE sebesar 0.
000454, yang Evaluasi menyeluruh menunjukkan bahwa Kalman menunjukkan tingkat kesalahan yang sangat kecil Filter memiliki keunggulan konsisten dalam berbagai dalam estimasi tegangan.
Nilai MAPE sebesar metrik evaluasi utama: RMSE lebih rendah .
259741% juga menegaskan bahwa metode ini mampu vs 0.
MAE lebih kecil .
000454 vs 0.
memberikan estimasi tegangan yang sangat presisi dan dan nilai RA lebih tinggi .
999994 vs 0.
Hal minim kesalahan relatif terhadap nilai aktual.
ini membuktikan keandalan Kalman Filter dalam Hasil Estimasi SoC menyajikan estimasi SoC yang akurat dan stabil dalam kondisi noise dan variasi sistem.
SoC hasil Kalman menunjukkan pola kenaikan yang lebih stabil dan linier dibandingkan Coulomb Counting.
Meskipun nilai MAPE Coulomb Counting sedikit lebih yang mulai menyimpang dari nilai aktual pada kecil .
244617%) dibanding Kalman Filter pertengahan hingga akhir simulasi.
Hal ini disebabkan .
259741%), metode ini memperlihatkan tren oleh sifat Kalman Filter yang mampu memperbaiki overestimasi yang terlihat jelas pada data iteratif di atas prediksi berdasarkan pengukuran aktual secara dinamis.
Hal ini menunjukkan akumulasi error integrasi tanpa koreksi menyebabkan deviasi prediksi yang terus Sementara itu.
Coulomb Counting menunjukkan error meningkat.
Selain itu.
SoC hasil Coulomb Counting akumulatif yang lebih besar akibat tidak adanya koreksi beberapa kali mencapai 100% lebih cepat dibandingkan terhadap kesalahan integrasi arus.
Hal ini terlihat dari Kalman Filter yang tetap realistis dan sesuai kapasitas nilai RMSE sebesar 0.
001892 dan MAE sebesar sistem.
000804, yang lebih tinggi dibandingkan Kalman Coulomb Counting tetap memiliki keunggulan dari sisi Filter.
Nilai MAPE-nya 244617% kesederhanaan implementasi dan kebutuhan komputasi menunjukkan kesalahan relatif yang sedikit lebih yang rendah.
Namun, tanpa koreksi terhadap tegangan rendah, namun dalam jangka panjang estimasinya aktual, pendekatan ini tidak dapat diandalkan untuk cenderung drift.
estimasi SoC jangka panjang di sistem nyata.
Nilai koefisien determinasi (RA) dari Kalman Filter Sementara itu.
Kalman Filter secara konsisten terhadap noise 999994, sedikit lebih tinggi dibandingkan menunjukkan Coulomb Counting sebesar 0.
Artinya.
Kalman kemampuan adaptasi terhadap fluktuasi sistem.
Namun.
Filter lebih mampu menjelaskan variabilitas data kelemahannya juga muncul pada iterasi akhir, terutama referensi dan mempertahankan performa estimasi yang pada iterasi ke-150, ketika estimasi SoC Kalman konsisten, bahkan dalam kondisi noise dan fluktuasi mencapai lebih dari 100% .
72%).
Hal ini menunjukkan perlunya integrasi logika pembatas Journal of Applied Smart Electrical Network and Systems (JASENS) Tiara Erly Syah Putri1.
Mat SyaiAoin2 .
Ii Munadhif3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol.
6 No.
untuk menjaga nilai SoC dalam rentang 0Ae Energy Res.
, vol.
11, no.
May, pp.
1Ae15, 2023, doi:
3389/fenrg.
Kesimpulan Berdasarkan hasil simulasi dan analisis komparatif.
Kalman Filter terbukti lebih unggul dibandingkan .
Coulomb Counting dalam estimasi tegangan dan State of Charge (SoC) pada baterai lithium-ion konfigurasi 4S2P.
Kalman Filter menunjukkan nilai RMSE.
MAE, dan RA yang lebih baik serta kestabilan jangka panjang dalam merespons noise dan dinamika sistem.
Estimasi tegangan Kalman tetap dalam batas kesalahan A0.
02 V dari nilai aktual, sedangkan estimasi SoC-nya mempertahankan akurasi hingga iterasi ke-150.
Perbedaan signifikan dengan Coulomb Counting .
semakin terlihat pada paruh akhir simulasi, ketika Coulomb Counting mulai mengalami error akumulatif.
Kalman Filter direkomendasikan sebagai metode utama .
dalam sistem estimasi SoC pada Battery Management System (BMS) modern, terutama untuk aplikasi yang memerlukan ketelitian tinggi dan reliabilitas dalam jangka panjang.
Namun, implementasi logika batas atas pada output SoC tetap penting untuk menghindari .
overestimasi seperti yang terjadi di iterasi ke-150.
Secara keseluruhan.
Kalman Filter lebih cocok untuk diintegrasikan ke dalam sistem monitoring dan pengendalian baterai industri karena mampu .
memberikan estimasi yang lebih presisi, adaptif, dan tahan terhadap variasi lingkungan dibandingkan metode konvensional seperti Coulomb Counting.
Daftar Rujukan .
Mamahit.
Ticoh.
Sangi, and H.
Angmalisang.
AuStudi Sistem Pengisian Cepat Baterai Kendaraan Listrik Berbasis Papan Pengendali OpenEVSE,Ay vol.
2, no.
1, pp.
61Ae70, 2022.
Fahmy.
Swief.
Hasanien.
Alharbi.
Maldonado, and F.
Jurado.
AuHybrid State of Charge Estimation of Lithium-Ion Battery Using the Coulomb Counting Method and an Adaptive Unscented Kalman .
Filter,Ay Energies, vol.
16, no.
14, 2023, doi:
3390/en16145558.
Xie et al.
AuState of charge estimation of lithium-ion battery based on extended Kalman filter algorithm,Ay Front.
Zaini.
Harfina, and A.
Iswar.
AuReal-Time SoC Estimation for Li-Ion Batteries using Kalman Filter based on SBC Raspberry-Pi,Ay Andalas J.
Electr.
Electron.
Eng.
Technol.
, vol.
1, no.
2, pp.
48Ae57, 2021, doi:
25077/ajet.
Nizar Habibi.
Imron Dwi Prasetyo.
Ayub Windarko.
Septi Yanaratri, and P.
Elektronika Negeri Surabaya.
AuEstimasi State of Charge (SOC) Pada Baterai Lithium Ae Ion Menggunakan Feed-Forward Backpropagation Neural Network Dua Tingkat,Ay JTT (Jurnal Teknol.
Terpad.
, vol.
8, no.
2, pp.
82Ae91, 2020, [Onlin.
Available:
https://jurnal.
id/index.
php/jtt/article/view/846/5 52https://jurnal.
id/index.
php/jtt/article/vie w/846/xmlhttps://jurnal.
id/index.
php/jtt/ar ticle/view/846 Amifia and M.
Kamali.
AuEvaluating the Battery Management SystemAos Performance Under Levels of State of Health (SOH) Parameters,Ay J.
Robot.
Control, vol.
4, no.
6, pp.
808Ae817, 2023, doi: 10.
18196/jrc.
Nabila Alya Maulidina.
Randy Erfa Saputra, and Casi Setianingsih.
AuEstimasi State of Charge Dan State of Health Pada Baterai Lithium Ion Dengan Metode Perhitungan Coulomb,Ay e-Proceeding Eng.
, vol.
8, no.
6, pp.
11987Ae 11987, 2021.
Bawango.
Kolibu, and S.
Tongkukut.
AuEstimasi State of Charge Pada Baterai Li-ion Dengan Menggunakan Metode Coulomb Counting Estimation of State of Charge in Li-ion Batteries Using the Coulomb Counting Method,Ay vol.
9, no.
2, pp.
78Ae84, 2024.
Agsa and A.
Fatoni.
AuEstimasi State of Charge Baterai dengan Kalman Filter untuk Energy Management System,Ay vol.
12, no.
2, 2023.
Baihaqi and W.
Wijaya.
AuPenerapan Filter Kalman untuk Meningkatkan Akurasi dan Presisi Sensor Suhu LM35,Ay KONSTELASI Konvergensi Teknol.
dan Sist.
Inf.
93Ae101, 24002/konstelasi.
Cahyono.
Hardianto, and B.
Kaloko.
AuPengujian karakteristik baterai lithium-ion dengan metode Fuzzy dengan beban bervariasi,Ay J.
Arus Elektro Indones.
, vol.
3, pp.
82Ae86, 2020.
Maarif.
Puriyanto, and F.
Hasan.
AuRobot keseimbangan dengan kendali proporsional-integralderivatif (PID) dan Kalman filter,Ay IT J.
Res.
Dev.
, vol.
2, 2020.
Journal of Applied Smart Electrical Network and Systems (JASENS)