Kursus/Jasa Matlab | Estimasi dan Prediksi Kondisi Baterai Menggunakan Kalman Filter di MATLAB untuk Sistem Kendaraan Listrik

Silabus Estimasi dan Prediksi Kondisi Baterai Menggunakan Kalman Filter di MATLAB untuk Sistem Kendaraan Listrik

Sesi 1

• Pengenalan tentang sistem manajemen baterai (BMS) dan peran Kalman Filter.
• Pemahaman dasar tentang konsep State of Charge (SoC) dan State of Health (SoH).
• Menyiapkan MATLAB dan toolboxes yang diperlukan.
• Instalasi paket dan library pendukung untuk analisis baterai.
• Review literatur terkait Kalman Filter dalam aplikasi kendaraan listrik.

Sesi 2

• Memahami model baterai sederhana (Rintangan dalam rangkaian listrik).
• Pengantar model sirkuit ekuivalen (ECM).
• Implementasi model baterai dasar di MATLAB.
• Simulasi dasar untuk SoC tanpa filter.
• Analisis hasil simulasi dan diskusi.

Sesi 3

• Pengantar teori Kalman Filter.
• Struktur matematis dari Kalman Filter.
• Implementasi Kalman Filter sederhana untuk sistem dinamis.
• Uji Kalman Filter pada sistem dengan input sinyal sinusoidal.
• Interpretasi hasil filterasi dan visualisasi di MATLAB.

Sesi 4

• Implementasi Kalman Filter untuk estimasi SoC.
• Pembuatan model baterai dengan Kalman Filter di MATLAB.
• Simulasi kondisi ideal dan pengaruh noise pada estimasi.
• Diskusi tentang akurasi estimasi SoC menggunakan Kalman Filter.
• Visualisasi hasil estimasi SoC.

Sesi 5

• Pengantar Extended Kalman Filter (EKF) dan perbedaannya dengan Kalman Filter standar.
• Implementasi EKF untuk estimasi SoC.
• Penyesuaian model baterai untuk penggunaan EKF.
• Simulasi model dengan EKF pada kondisi dinamis.
• Analisis perbandingan hasil antara Kalman Filter dan EKF.

Sesi 6

• Pengantar Unscented Kalman Filter (UKF) dan perbedaannya dengan EKF.
• Implementasi UKF untuk estimasi SoC pada baterai non-linear.
• Simulasi model baterai dengan UKF di MATLAB.
• Perbandingan kinerja EKF dan UKF pada estimasi SoC.
• Visualisasi hasil estimasi UKF di MATLAB.

Sesi 7

• Pengantar State of Health (SoH) dan signifikansinya dalam sistem baterai.
• Metode umum untuk estimasi SoH pada sistem kendaraan listrik.
• Implementasi estimasi SoH menggunakan metode empiris di MATLAB.
• Analisis hasil estimasi SoH tanpa Kalman Filter.
• Diskusi hasil dan interpretasi.

Sesi 8

• Implementasi Kalman Filter untuk estimasi SoH.
• Pemilihan model dinamis untuk SoH.
• Simulasi estimasi SoH menggunakan Kalman Filter di MATLAB.
• Analisis akurasi estimasi SoH.
• Perbandingan hasil dengan metode estimasi SoH tanpa filter.

Sesi 9

• Pengantar ke aplikasi simulasi MATLAB Simulink.
• Pembuatan model baterai sederhana di Simulink.
• Integrasi Kalman Filter dengan model Simulink.
• Simulasi SoC dan SoH di lingkungan Simulink.
• Diskusi hasil simulasi dan integrasi.

Sesi 10

• Memahami pengaruh suhu terhadap estimasi SoC dan SoH.
• Penambahan model termal ke model baterai.
• Implementasi filter dengan parameter termal.
• Simulasi SoC dengan variabilitas suhu.
• Visualisasi hasil simulasi dan pengaruh suhu.

Sesi 11

• Pengantar metode hybrid untuk estimasi SoC dan SoH.
• Integrasi Kalman Filter dengan model Machine Learning.
• Simulasi estimasi SoC menggunakan model hybrid di MATLAB.
• Analisis kelebihan dan kekurangan pendekatan hybrid.
• Diskusi hasil dan tantangan penerapan.

Sesi 12

• Implementasi Particle Filter untuk estimasi SoC dan SoH.
• Perbedaan antara Particle Filter dan Kalman Filter.
• Simulasi dan implementasi Particle Filter di MATLAB.
• Analisis akurasi Particle Filter pada sistem non-linear.
• Diskusi perbandingan antara Particle Filter dan Kalman Filter.

Sesi 13

• Pengenalan metode optimasi untuk peningkatan akurasi Kalman Filter.
• Implementasi optimasi parameter filter menggunakan algoritma genetik.
• Simulasi optimasi parameter untuk estimasi SoC.
• Analisis hasil optimasi dan peningkatan akurasi.
• Diskusi penerapan optimasi di dunia nyata.

Sesi 14

• Pengenalan model degradasi baterai untuk prediksi SoH.
• Implementasi model degradasi di MATLAB.
• Integrasi Kalman Filter dengan model degradasi.
• Prediksi SoH menggunakan filter dan model degradasi.
• Analisis hasil prediksi dan akurasi.

Sesi 15

• Pengantar ke algoritma Deep Learning untuk estimasi SoC dan SoH.
• Implementasi jaringan neural sederhana di MATLAB.
• Simulasi dan integrasi Deep Learning dengan Kalman Filter.
• Analisis hasil estimasi menggunakan metode hybrid.
• Diskusi perbandingan akurasi dan kinerja.

Sesi 16

• Pengaruh variasi parameter baterai (kapasitas, tegangan) terhadap estimasi.
• Implementasi model baterai dengan parameter variabel.
• Simulasi estimasi SoC pada kondisi dinamis parameter.
• Analisis sensitivitas estimasi terhadap variasi parameter.
• Diskusi tentang stabilitas dan adaptasi filter.

Sesi 17

• Pengantar ke model Non-linear State Estimation (NSE).
• Implementasi NSE di MATLAB untuk estimasi SoC.
• Simulasi dan analisis kinerja NSE dibandingkan dengan EKF.
• Penerapan NSE pada kondisi dinamis.
• Visualisasi dan interpretasi hasil.

Sesi 18

• Integrasi Kalman Filter dengan sistem real-time.
• Pengenalan ke data real-time dari sistem BMS.
• Implementasi estimasi SoC pada data real-time.
• Analisis akurasi estimasi pada kondisi real-time.
• Diskusi tantangan dan solusi pada sistem real-time.

Sesi 19

• Pengaruh siklus pengisian dan pengosongan terhadap SoH.
• Implementasi model siklus baterai di MATLAB.
• Simulasi SoH pada berbagai skenario siklus.
• Estimasi SoH dengan filter pada berbagai siklus.
• Analisis hasil dan kesimpulan.

Sesi 20

• Implementasi Kalman Filter untuk prediksi umur baterai.
• Simulasi prediksi umur menggunakan model degradasi.
• Analisis akurasi prediksi umur dengan Kalman Filter.
• Diskusi hasil prediksi dan kehandalan metode.
• Penerapan pada kendaraan listrik nyata.

Sesi 21

• Pengenalan konsep Adaptive Kalman Filter (AKF).
• Implementasi AKF di MATLAB untuk estimasi SoC.
• Simulasi adaptasi filter pada berbagai skenario.
• Analisis akurasi dan stabilitas AKF.
• Diskusi penerapan AKF pada sistem nyata.

Sesi 22

• Pengantar ke Non-linear Model Predictive Control (NMPC) untuk BMS.
• Implementasi NMPC untuk prediksi SoC dan SoH.
• Simulasi dan analisis kinerja NMPC di MATLAB.
• Integrasi NMPC dengan sistem Kalman Filter.
• Diskusi tentang kinerja dan aplikasi praktis.

Sesi 23

• Pengembangan algoritma Kalman Filter adaptif menggunakan Machine Learning.
• Integrasi model pembelajaran mesin dengan Kalman Filter.
• Simulasi adaptasi Kalman Filter pada kondisi dinamis.
• Analisis hasil dan akurasi estimasi adaptif.
• Diskusi tantangan penerapan di dunia nyata.

Sesi 24

• Evaluasi kinerja Kalman Filter pada data eksperimen nyata.
• Implementasi filter pada data uji lapangan kendaraan listrik.
• Analisis perbedaan hasil estimasi dengan data eksperimen.
• Diskusi tentang validasi dan kalibrasi model.
• Rekomendasi untuk peningkatan akurasi.

Sesi 25

• Integrasi Kalman Filter dengan sistem cloud untuk analisis remote.
• Implementasi koneksi real-time dengan database cloud.
• Simulasi estimasi SoC dan SoH secara remote.
• Analisis kinerja sistem remote dan cloud.
• Diskusi tantangan integrasi dan solusi.

Sesi 26

• Implementasi algoritma Hybrid Kalman-Particle Filter.
• Simulasi dan analisis kinerja algoritma hybrid.
• Perbandingan hasil antara filter hybrid dan standar.
• Visualisasi dan interpretasi hasil simulasi.
• Diskusi aplikasi di dunia nyata.

Sesi 27

• Pengaruh pengisian cepat (fast charging) terhadap estimasi SoH.
• Implementasi model pengisian cepat di MATLAB.
• Simulasi SoH dengan skenario pengisian cepat.
• Analisis hasil dan rekomendasi metode estimasi.
• Diskusi tantangan dalam penerapan pengisian cepat.

Sesi 28

• Evaluasi performa filter pada berbagai jenis baterai (Li-Ion, NiMH).
• Implementasi model baterai dengan karakteristik berbeda.
• Simulasi estimasi SoC pada berbagai jenis baterai.
• Analisis hasil dan akurasi pada berbagai jenis baterai.
• Diskusi penerapan pada sistem multibaterai.

Sesi 29

• Pengembangan antarmuka grafis untuk estimasi SoC dan SoH.
• Pembuatan GUI di MATLAB untuk visualisasi hasil filter.
• Integrasi GUI dengan model estimasi.
• Simulasi real-time estimasi melalui GUI.
• Evaluasi antarmuka dan pengalaman pengguna.

Sesi 30

• Review dan diskusi akhir tentang keseluruhan silabus.
• Pengembangan proyek akhir berbasis estimasi dan prediksi SoC/SoH.
• Presentasi hasil proyek akhir dan diskusi.
• Evaluasi ketercapaian tujuan pembelajaran.
• Rekomendasi pengembangan lebih lanjut