Syntax Literate: Jurnal Ilmiah Indonesia p–ISSN: 2541-0849 e-ISSN: 2548-1398

Vol. 9, No. 4, April 2024

 

MANAJEMEN PENGISIAN BATERAI LI-ION DENGAN ALGORITMA SORTING PADA PEMBANGKIT PHOTOVOLTAIC (PV)

 

Edi Maulana1, Yuwaldi Away2, Ira Devi Sara3

Universitas Syiah Kuala, Aceh, Banda Aceh, Indonesia1,2,3

Email: [email protected]1, [email protected]2, [email protected]3

 

Abstrak

Pembangkit tenaga surya terdiri dari komponen solar panel, sistem control, sistem penyimpanan, dan inverter. Tenaga matahari disimpan dalam baterai dan disalurkan ke inverter untuk digunakan oleh beban. Salah satu jenis kimia baterai yang sering digunakan yaitu lithium-ion yang memiliki kapasitas besar namun membutuhkan ruang yang kecil. Baterai lithium sangat berpengaruh dengan suhu, over charge, deep charge, dan over discharge yang menyebabkan umur pemakaian baterai menjadi pendek sehingga harus diganti ketika mencapai batas tertentu. Dibutuhkan sistem manajemen  pengisian daya baterai untuk memperpanjang umur baterai. Penelitian ini mengimplementasikan algoritma berbasis sorting pada control pengisian baterai dengan mempertimbangkan suhu, state of charge, dan state of health disertai dengan proteksi over charge, deep charging dan over discharge. Algoritma dikembangkan untuk dapat membaca ketersediaan sinar matahari dan kebutuhan beban sampai waktu diperlukan. Penelitian dilakukan secara simulasi sehingga dapat menjalankan berbagai skenario fluktuasi sinar matahari dan fluktuasi beban. Dengan implementasi algoritma ini diharapkan dapat memanajemen pengisian baterai secara efektif dan efisien serta memperpanjang umur baterai. Hasil pengujian dengan skenario irradiance besar dan beban besar menunjukkan nilai battery cycle sebesar 80 cycle (dengan waktu simulasi 10 hari), skenario pengujian irradiance besar dan beban kecil menunjukkan nilai 40 cycle, skenario irradiance kecil beban besar menunjukkan nilai cycle sebesar 20 cycle, dan skenario pengujian irradiance kecil dan beban kecil pada nilai 15 cycle. Semua baterai memiliki SOC dan cycle yang berbeda. Hasil manajemen menunjukkan bahwa cycle baterai dapat dikurangi secara keseluruhan dengan melakukan prosessorting untuk charging/discharging di setiap cell baterai.

Kata Kunci : Standalone PV, solar panel, inverter, state of charge, over charge, over discharge, deep charging, algoritma sorting.

 

Abstract

The solar power plant consists of solar panel components, control systems, storage systems, and inverters. Solar power is stored in batteries and supplied to the inverter for use by the load. One type of battery chemistry that is often used is lithium-ion which has a large capacity but requires little space. Lithium batteries are very influential with temperature, over charge, deep charge, and over discharge which cause the battery life to be short, so it must be replaced when it reaches a certain limit. It takes a battery charge management system to extend battery life. This study implements a sorting algorithm based on battery charging control by considering temperature, state of charge, and state of health along with protection over charge, deep charging and over discharge. The algorithm was developed to be able to read the availability of sunlight and load requirements until the time needed. The research was conducted in a simulation so that it could run various scenarios of fluctuating sunlight and load fluctuation. With the implementation of this algorithm, it is hoped that it can manage battery charging effectively and efficiently and extend battery life. The test results with large irradiance scenarios and large loads show a battery cycle value of 80 cycles (with a simulation time of 10 days), large irradiance test scenarios and small loads show a value of 40 cycles, small irradiance scenarios with large loads show a cycle value of 20 cycles, and scenarios small irradiance test and small load at a value of 15 cycles. All batteries have a different SOC and cycle. The optimization results show that the overall battery cycle can be reduced by managing the charging / discharging process in each battery cell.

Keywords: Standalone PV, solar panels, inverters, state of charge, over charge, over discharge, deep charging, sorting algorithm.

 

Pendahuluan

Mengingat berkurangnya energi dari fosil dan perlindungan lingkungan, energi terbarukan seperti angin dan matahari (solar) sudah digunakan semenjak beberapa decade (Ghaniyyu & Husnita, 2021). Energi matahari (solar) mempunyai keunggulan yaitu tersedia bebas, tanpa polusi, rendah pemeliharaan, tersedia disemua belahan dunia, dan tidak bising dikarenakan tidak mempunyai komponen bergerak (Muslim et al., 2020; Silitonga & Ibrahim, 2020). Terdapat dua jenis sistem pembangkit tenaga matahari (photovoltaic/PV) yaitu : sistem PV standalone dan sistem PV terhubung grid. Perubahan sinar matahari mengakibatkan kebutuhan penyimpanan daya pada baterai bank (Chan & Gu, 2010; Chen et al., 2012; Gholizadeh & Salmasi, 2013). Terdapat banyak jenis kimia baterai yang digunakan salah satunya berbasis Lithium-ion (Li-ion) yang mempunyai katakteristik charging tersendiri. Penyimpanan daya pada baterai mengakibatkan naiknya suhu cell baterai yang berakibat pada pendeknya umur pemakaian (Bartlett et al., 2015; Eom et al., 2017), selain itu masalah seperti over charge, over discharge, deep discharge,  dan cycle count menjadi pertimbangan penting dalam pengembangan sistem manajemen baterai (C. Zou et al., 2015).

Terdapat beberapa metode yang telah digunakan untuk melakukan manajemen pengisian baterai salah satunya cell qualization (Amanor-Boadu et al., 2017; Y. Zou et al., 2015) dimana sistem ini digunakan jika baterai pack mempunyai bahan kimiawi berbeda dan melakukan monitoring setiap baterai ketika dalam keadaan charge dan discharge (Azis, 2022). Kelemahan sistem ini adalah tidak adanya pemilihan baterai mana yang akan charge ataupun discharge selanjutnya mengingat fluktuasi dari sinar matahari dan fluktuasi pemakaian beban. Memilih baterai mana yang akan charge dan discharge seiring perubahan sinar matahari dan beban dengan mempertimbangkan suhu, state of charge (SOC), state of health (SOC), dan cycle count menjadi dasar penelitian ini (Abbas et al., 2023; Kumar et al., 2017).

Penelitian ini mengimplementasikan algoritma sorting pada controller manajemen pengisian baterai dengan mempertimbangkan fluktuasi sinar matahari dan beban, serta pertimbangan suhu, SOC dan charge cycleuntuk mengurutkan kelompok baterai yang akan charge dan kelompok baterai yang akan discharge. Baterai yang memiliki charge cycle yang paling kecil akan digunakan lebih jarang dan sebaliknya.

Penelitian ini bertujuan untuk mengembangkan sistem manajemen baterai pada pembangkit PV standalone dengan menerapkan algortima sorting pada pengisian setiap baterai. Adapun tujuan yang ingin dicapai pada penelitian ini adalah sebagai berikut:

1)   Mengembangkan sistem manajemen charging dan discharging baterai yang adaptif terhadap ketersediaan sumber daya matahari, kebutuhan beban, dan state of charge (SOC) pada setiap baterai sehingga dapat memperpanjang umur baterai dengan mengurangi state of charge baterai secara keseluruhan dengan menerapkan algoritma sorting SOC pada masing-masing baterai ketika proses charge dan discharge

2)   Menganalisa respon baterai dengan mengimplementasikan algoritma sorting terhadap state of charge pada setiap baterai dengan menganalisa nilai SOC pada semua baterai sehingga dapat ditentukan efektifitas kinerja algoritma terhadap manajemen baterai yang dijalankan dengan berbagai skenario itensitas matahari dan itensitas beban secara bervariasi.

 

Metode Penelitian

Teknik Penelitian Dan Metode Manajemen Pengisian Baterai

Penelitian ini menggunakan metode simulasi dari pemodelan sistem pembangkit photovoltaic (PV) yang meliputi pemodelan panel PV, dc-dc converter, battery bank, inverter, dan beban (Husnayain & Luthfy, 2020). Algoritma dikembangkan dengan bahasa matlab. Data itensitas matahasi dan skenario pemakaian beban dihasilkan secara prosedural.

Sistem manajemen dimulai dengan membaca arus (I) dan tegangan (V) pada setiap elektrode baterai untuk menentukan state of charge (SOC) dan state of health (SOH). Jika SOC dari baterai dibawah 100 % (belum penuh) maka sistem membaca itensitas matahari untuk menentukan apakah itensitas chaya cukup untuk melakukan charging terhadap baterai, jika itensitas tidak cukup maka baterai masuk dalam mode standby. Jika itensitas cahaya matahari cukup maka sistem melakukan sorting charging berdasarkan SOC baterai.

 

Bahan Penelitian

Alat Penelitian

Penelitian ini menggunakan persoal computer (PC) untuk perancangan model, pengembangan algoritma, dan menjalankan simulasi matlab/simulink dengan spesifikasi prosesor Intel Core i5 (quad core), random access memory (RAM) 16 GB. Software matlab/simulink 2020a 64 bit digunakan untuk perancangan model,membangun algoritma dan menjalankan simulasi.

Prosedur Pengujian

Prosedur pengujian dilakukan dengan mengimplementasikan algoritma sorting untuk charging manajemen menggunakan software matlab/simulink. Data itensitas (irradiance) matahari dihasilkan secara prosedural disertai data skenario fluktuasi beban. Setiap subsistem model simulasi ditampilkan dalam grafik. Hasil total berupa SOC pada masing-masing baterai disimpan dalam file disertai dengan lama penggunaan baterai berdasarkan waktu simulasi. Penelitian ini menjalankan simulasi pemakaian baterai selama 10 hari dalam lingkungan simulasi untuk melihat hasil kinerja sistem manajemen pengisian baterai.

 

Hasil dan Pembahasan

Perancangan Model dan Analisa Charging/Discharging Baterai Lithium-Ion

Perancangan model baterai Lithium-Ion menggunakan Matlab/Simulink dilakukan. Perancangan model baterai menggunakan blok function battery dengan spesifikasi rating 3,6 Volt, 2.0 Ah. Model baterai yang digunakan juga diatur dalam mode “Simulate Temperature” dan “Simulate Ageing Effect” seperti yang diperlihatkan pada Gambar 4.2 untuk mendapatkan variasi variable dari model baterai ketika terjadi variasi suhu dan proses penuaan baterai secara simulasi. Perancangan blok baterai terdiri dari switch untuk memulai dan menghentikan proses charging, switch untuk memulai dan menghentikan proses discharging, pengukuran tegangan sirkuit tertutup (closed circuit voltage measurement), pengukuran arus (current measurement), dan terminal untuk menghubungkan blok sistem baterai dengan blok sistem lain seperti yang diperlihatkan pada Gambar 1.

Gambar 1. Perancangan Blok Model Baterai Lithium-Ion

 

Pemodelan baterai yang dirancang terdiri dari cell baterai sebagai model utama baterai, 2 (dua) ideal switch yang berfungsi untuk menghubung dan memutus arus ketika mode charging, 2 (dua) ideal switch yang berfungsi untuk menghubungkan dan memutus arus ketika mode discharging, current sensor, voltage sensor, dan power input/output. Ketika gate Charge Enable aktif, maka kedua ideal swith akan menghubungkan cell baterai dengan power input, dan ketika gate Battery Enable aktif, maka kedua ideal swith lainnya akan mengubungkan baterai dengan power output.

 

Gambar 2. Parameter model baterai Lithium-Ion

 

Parameter cell bateri yang digunakan terdiri dari opsi untuk mensimulasikan pengaruh suhu, simulasi penuaan (aging) baterai, preset baterai 12.8 Volt, 40Ah, tegangan nominal 12,6 Volt, dan kapasitas 40 Ah, nilai awal SOC 0%, dan waktu respon baterai selama 30 detik. Input dan output sistem blok baterai terdiri dari Ambient temperature untuk membaca suhu ambient baterai, Charge Enable untuk mengaktifkan/non-aktifkan proses charging baterai, Baterry enable untuk mengaktifkan/non-aktifkan pemakaian (discharge) baterai, Input positif dan input negative untuk jalur masukknya arus ke baterai, Battery temperature untuk mendapatkan suhu cell baterai, Battery voltage untuk mendapatkan tegangan clossed circuit baterai, Battery current untuk mendapatkan arus yang keluar dari baterai, Baterry SOC (state of charge) untuk mendapatkan nilai persentase charging baterai, charge cycle untuk mendapatkan nilai kesehatan baterai yang menjadi parameter penuaan baterai.S imulasi model baterai untuk melihat performa bateri ketika proses charge dan discharge dengan sekenario dilakukan. Blok fungsi cell baterai dirangkai dengan sumber arus yang berfungi sebagai sumber daya ketika proses charging, dan dirangkai dengan Load (beban) pasif yang berfungsi sebagai beban untuk proses discharging.

Gambar 3. Perancangan simulasi charging/ discharging satu cell baterai Lithium-Ion

 

Gambar 4. State machine charging dan discharging controller baterai Lithium-Ion

 

Gambar 3 memperlihatkan hasil perancangan simulasi untuk proses charging dan discharging pada satu cell baterai. Rangkaian simulasi juga terdiri dari charge controller seperti yang diperlihatkan pada Gambar 4 yang berfungsi untuk memutus dan menghubungan sumber arus serta beban. Charge controller diatur untuk melakukan prose s charge dan discharge dengan berbagai skenario seperti yang disebutkan dalam butir berikut.

1.     Skenario arus charge besar dan arus discharge besar

2.     Skenario arus charge besar dan arus discharge kecil

3.     Skenario arus charge kecil dan arus discharge besar

4.     Skenario arus charge kecil dan arus discharge besar

 

Skenario arus charge besar dan arus discharge besar

Pengujian dengan skenario arus charge besar dan arus discharge besar dilakukan. Pengujian ini bertujuan untuk melihat respon cell baterai ketika diatur untuk charge (pengisian) dan discharge (pengosongan) dengan arus charge dan arus discharge besar. Arus yang digunakan untuk proses pengisian dilakukan pada arus 5 Ampere, dan arus yang digunakan oleh beban ketika pengosongan baterai terjadi pada 8,3 Ampere. Hal ini bertujuan untuk melihat respon baterai ketika cell baterai yang sering digunakan karena pengisian dan pemakaian pada nilai yang besar sehingga terjadi peningkatan pada nilai SOC baterai. Pada grafik pengujian dapat dilihat bahwa performa baterai turun ketika sudah melewati charge cycle diatas 100 cycle. Total cycle yang didapat ketika simulasi dijalankan selama 10 hari (waktu simulasi) menunjukkan nilai 297 cycle. Suhu maksimum yang didapat pada nilai 28 °Celcius. Semakin besar nilai cycle maka semakin besar frekuensi pengisian dan pengosongan baterai yang menandakan bahwa umur baterai menjadi pendek ketika digunakan pada arus pengisian dan arus pengosongan yang besar.

Gambar 5. Grafik pengujian skenario arus charge besar dan arus discharge besar

 

Skenario arus charge besar dan arus discharge kecil

Pengujian dengan skenario arus charge besar dan arus discharge kecil dilakukan. Pengujian ini bertujuan untuk melihat respon cell baterai ketika diatur untuk charge (pengisian) dan discharge (pengosongan) dengan arus charge besar dan arus discharge kecil. Arus yang digunakan untuk proses pengisian dilakukan pada arus 5 Ampere, dan arus yang digunakan oleh beban ketika pengosongan baterai terjadi pada 6,2 Ampere. Total cycle yang didapat ketika simulasi dijalankan selama 10 hari (waktu simulasi) menunjukkan nilai 18 cycle.

 

Skenario arus charge kecil dan arus discharge besar

Pengujian dengan skenario arus charge besar dan arus discharge besar dilakukan. Pengujian ini bertujuan untuk melihat respon cell baterai ketika diatur untuk charge (pengisian) dan discharge (pengosongan) dengan arus charge dan arus discharge besar. Arus yang digunakan untuk proses pengisian dilakukan pada arus 3 Ampere, dan arus yang digunakan oleh beban ketika pengosongan baterai terjadi pada 8,3 Ampere. Hal ini bertujuan untuk melihat respon baterai ketika cell baterai yang sering digunakan karena pemakaian pada nilai yang besar sehingga terjadi peningkatan pada nilai SOC baterai secara cepat. Pada grafik pengujian dapat dilihat bahwa performa baterai turun bahkan mengalami break down ketika sudah melewati charge cycle diatas 300 cycle bahkan sebelum 10 hari (waktu simulasi). Baterai yang sudah melewati 300 cycle tidak dapat digunakan untuk pengisian atau pengosongan seperti yang diperlihatkan pada Gambar 4.7.

Gambar 6. Grafik pengujian skenario arus charge besar dan arus discharge kecil

Gambar 7. Grafik pengujian skenario arus charge kecil dan arus discharge besar

Skenario pengujian arus charge kecil dan arus discharge kecil

Pengujian dengan skenario arus charge kecil dan arus discharge kecil dilakukan. Pengujian ini bertujuan untuk melihat respon cell baterai ketika diatur untuk charge (pengisian) kecil dan discharge (pengosongan) juga kecil. Arus yang digunakan untuk proses pengisian dilakukan pada arus 3 Ampere, dan arus yang digunakan oleh beban ketika pengosongan baterai terjadi pada 4.2 Ampere. Hal ini menunjukkan respon baterai ketika cell baterai yang tidak terlalu sering digunakan sehingga nilai battery cycle tidak terlalu besar (hanya 10 cycle) selama simulasi 10 hari (waktu simulasi) seperti yang diperlihatkan pada Gambar 8.

 

Perancangan Model Simulasi Blok Fungsi Solar Panel

Perancangan model simulasi blok fungsi solar panel sebagai sumber daya dilakukan. Perancangan blok fungsi ini bertujuan untuk mengubah data Irradiance yang merupakan nilai kecerahan matahari (dalam satuan W/m2) menjadi nilai arus yang digunakan pada blok fungsi sumber arus. Pada penelitian ini, solah panel sebagai sumber daya listrik dianalogikan sebagai sumber arus dengan nilai minimum 0 Ampere hingga 100 Ampere dengan maping nilai Irradiance dari 0 W/m2 hingga 1000 W/m2. Perancangan model simulasi dengan versi ringkas (simplified version) ini bertujuan untuk memudahkan kalkulasi matlab ketika simulasi dijalankan. Hasil perancangan model simulasi blok fungsi solar panel dapat dilihat pada Gambar 9.

Gambar 9. Perancangan model sumber PV

Gambar 10. Grafik pengujian skenario arus charge kecil dan arus discharge kecil

 

Perancangan Model Simulasi Bank Baterai dan Charge Controller

Percancangan bank baterai dan charge controller dilakukan. Percangan dilakukan dengan menghubungkan 16 cell baterai sehingga menjadi bank baterai. Pemilihan 16 cell baterai dipilih sebagai batas minimun untuk dijadikan baterai bank hanya untuk keperluan analisa pada penelitian, setelah penelitian dilakukan, maka jumlah cell baterai dan jumlah bank baterai dapat ditingkatkan sesuai dengan kebutuhan beban dan ketersedian sumber dari solar panel. Model blok fungsi bank baterai terdiri dari input parameter Bat_XX_In (XX merupakan penomoran baterai) yang terdiri dari 3 signal yaitu : Ambient Temperature, Charge Enable, dan Battery Enable. Kemudian setiap cell baterai dihubungkan dengan output parameter yang terdiri dari 5 signal yaitu: Battery Temperature, Battery Voltage, dan Battery Current seperti yang diperlihatkan pada Gambar 10.

 

Gambar 11. Perancangan model simulasi bank baterai

Gambar 12. Perancangan model blok fungsi charge controller

Perancangan selanjutnya adalah model blok fungsi charge controller untuk bank baterai. Charge controller merupakan blok fungsi yang terdiri kode matlab sebagai algoritma controller. Output charge controller terdiri dari Bat_En (Battery enable) yang merupakan sinyal untuk mengaktifkan baterai (mode discharging), Crg_En (Charge enable) yang merupakan sinyal untuk mengktifkan mode charging pada cell baterai. Sinyal Bat_En dan Crg_En merupakan nilai dalam bentuk array dimana setiap item dari array merupakan sinyal untuk setiap cell baterai. Input charge controller terdiri dari terminal seperti yang diurai pada Tabel 1.

 

Tabel 1. Penamaan dan fungsi terminal input charge controller

No

Nama Terminal Input

Fungsi

1

Ir_Solar

Irradiance sinar matahari

2

N_Bat

Jumlah cell baterai dalam bank baterai

3

V_Bat

Tegangan setiap cell baterai

4

I_Bat

Arus setial cell baterai

5

T_Bat

Suhu setial cell baterai

6

Bat_Soc

State of charge setiap cell baterai

7

Bat_Cycle

Jumlah siklus pengisian setiap cell baterai

8

V_Load

Tegangan beban

9

I_Load

Arus beban

10

T_Amb

Suhu ruang (statik pada 25 °Celcius)

Implementasi algoritma sorting dilakukan pada model blok fungsi charge controller yang merupakan fungsi yang ditulis menggunakan kode bahasa Matlab. Charge controller berfungsi untuk mengatur mode charge dan discharge setiap cell bateri dengan membaca kebutuhan arus beban dengan mempertimbangkan kekuatan sinar matahari. Jika pada saat tertentu cahaya matahari besar sedangkan arus beban kecil, maka sebagain besar daya digunakan untuk men-charge setiap cell baterai yang memiliki SOC paling rendah ke paling tinggi dengan algoritma sort. Cell baterai yang memiliki SOC dan charge cycle paling rendah setelah dilakukan sort diprioritaskan untuk dicharge terlebih dahulu. Hal ini bertujuan untuk meminimalisir charge cycle yang ada pada setiap cell baterai sehingga distribusi charge dapat terbagi secara merata. Charge controller yang mengatur setiap cell baterai kapan proses charge/discharge terjadi.  Pseudocode dari algoritma yang dibangun dapat diperlihatkan pada Gambar 14.

 

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

procedure AlgoritmaManajemenBaterai(T,Ipv,Soc,Bc,VLoad,ILoad)

    IbatDis ← 5 Ampere

    IbatCrg ← 5 Ampere

    Nbat ←16 Baterai

    Cint ← 60 Detik (controller aktif setiap 60 detik)

    if interval terjadi do

         BatSocOrderedDesc ← sort(Soc,Decending)

         NbatDis ← Iload / IbatDis

         for i=1 to NbatDis do

         CrgEn(i) ← BatSocOrderedDesc(i) ← Aktif, selebihnya itu Nonaktif

         end for

         BatSocOrderedAsc ← sort(Soc,Acending)

         NbatCrg ← Ipv / IbatCrg

         for i=1 to NbatCrg do

         BatEn(i) ← BatSocOrderedAsc (i) ←Aktif, selebihnya Nonaktif

         end for

    end if

    for j=1 to Nbat do

         if Soc(j) <= 10 do

                BatEn(j) ← Nonaktif

         end if

     end for

     for k=1 to Nbat do

          if Soc(k) >= 90 do

                 CrgEn(k) ← Nonaktif

          end if

     end for

Gambar 14. Pseudocode algoritma manajemen baterai

 

Algoritma yang dibangun pada penelitian ini bekerja dengan mengurutkan SOC (state of charge) semua baterai sehingga baterai dengan SOC paling tinggi yang akan digunakan. Jumlah baterai yang digunakan untuk pemakaian beban dihitung dari pembulatan nilai arus beban dibagi dengan jumlah arus yang bisa digunakan perbaterai (dalam penelitian ini, 5 Ampere yang digunakan per-baterai). Algoritma manajemen juga mengurutkan SOC baterai dari nilai SOC paling rendah sampai paling tinggi yang digunakan pada proses charging baterai. Jumlah baterai yang digunakan ketika charging dihitung dari nilai arus dari solar panel dibagi dengan jumlah arus yang bisa digunakan ketika proses charging (dalam penelitian ini, 5 Ampere digunakan). Manajemen terjadi ketika jumlah arus dari solar panel besar, maka algoritma akan bekerja adaptif untuk mengaktifkan berapa baterai yang digunakan untuk pengisian. Manajemen juga terjadi ketika pemakaian baterai yaitu algoritma bekerja adaptif terhadap pemakaian beban sehingga dapat mengatur berapa banyak baterai yang digunakan oleh beban.

Perancangan Model Simulasi Variable Load

Perancangan model simulasi untuk variable load dilakukan. Peracangan load terdiri Resistor sebagai resistansi beban, dan current source dengan terminal terbalik sebagai penyerap arus. Current source dengan terminal terbalik digunakan supaya arus yang dibutuhkan beban bisa dikendalikan sesuai skenario simulasi. Rangkaian simulasi beban variable juga dihubungkan dengan data beban yang di-generate sesuai kebutuhan skenario simulasi. Resistor beban dihubungkan dengan pengukur tegangan (voltage measurement) dan pengukur arus (current measurement). Arus maksimum yang bisa digunakan untuk beban ditetapkan 80 Ampere (arus aman ketika kapasitas sumber solar panel sebesar 100 Ampere). Hasil perancangan beban variable dapat dilihat pada Gambar 15.

Gambar 15. Perancangan model simulasi variable load

 

Perancangan, Pengujian dan Analisa Manajemen Baterai

Perancangan, pengujian dan analisa algoritma manajemen baterai dilakukan. Implementasi algoritma sorting diterapkan pada charge controller yang berfungsi untuk mengatur charge/discharge setiap cell baterai. Algoritma sorting beserta flow cara kerja charge/discharge seperti yang diperlihatkan pada Gambar 3.14. Setiap baterai dengan status SOC dan charge cycle yang rendah disusun untuk diproritaskan pengisian ketika itensitas cahaya tinggi dan beban rendah sehingga sebagian besar daya digunakan sebagai pengisi daya bank baterai.

 

Gambar 16. Perancangan simulasi bank baterai dengan charge controller

Pengujian dilakukan dengan beberapa skenario seperti yang sebutkan pada butir dibawah ini :

1.     Skenario itensitas cahaya tinggi dan beban tinggi

2.     Skenario itensitas cahaya tinggi dan beban rendah

3.     Skenario itensitas cahaya rendah dan beban tinggi

4.     Skenario itensitas cahaya rendah dan beban rendah

Pengujian berbagai skenario seperti yang disebutkan pada butir diatas bertujuan untuk melihat respon bank baterai dan charge controller sehingga bisa dilihat optimasi dari algoritma sort dalam mengatur kapan baterai masuk dalam mode charge dan discharge. Simulasi dijalankan menggunakan data kecerahan matahari dimulai dari 0 pada jam 06:00, mencapat puncak pada jam 12:00, dan turun menuju 0 kembali pada jam 18:00, sedangkan untuk data simulasi pemakaian beban dimulai dari 0 dari jam 06:00 hingga jam 18:00, mencapai puncak pada jam 12:00, dan kembali ke 0 pada jam 06:00. Data tersebut di-generate hingga 10 hari (mengikuti jumlah hari simulasi) seperti yang diperlihatkan pada grafik Gambar 17.

Gambar 17. Data Irradiance dan data beban dalam 1 (datu) hari

 

Pegujian Itensitas Cahaya Tinggi Dan Beban Tinggi (Skenario 1)

Skenario 1 dilakukan dengan membuat data Irradiance tinggi untuk mensimulasikan sinar matahari yang tinggi. Data itensitas cahaya matahari diskenariokan dengan data Irradiance dengan itensitas rendah pada pagi hari, mencapai puncak (1000 W/m2 atau arus maksimum 100 Ampere) pada pertengahan hari, dan kembali rendah pada sore hari. Setelah menjelang matahari yaitu ketika pemakaian beban dimulai dengan pemakaian beban tinggi (arus maksimum 80 Ampere) maka analisapun dilakukan. Simulasi dengan skenario 1 dilakukan secara terus menerus sehingga didapat nilai charge cycle seperti yang diperlihatkan pada Gambar 18.

 

Gambar 18. Hasil SOC semua baterai pada pengujian skenario 1

Gambar 18 menunjukkan grafik SOC semua baterai (Bat_SOCs:1 hingga Bat_SOCs:16). Pada awal simulasi dapat dilihat bahwa baterai dalam 0 % dan terus naik hingga 95 % dengan bertambanhnya arus dari solar panel akibat bertambahnya nilai Irradiance dari data simulasi. Ketika melewati jam 18:00, baterai digunakan dalam mode discharging hingga mendekati nilai 20 % yang menandakan bahwa energi baterai telah digunakan sebesar 65%.

Gambar 19.  Grafik SOC semua baterai pada pengujian skenario 1 (grafik hasil  zoom)

Manajemen baterai terjadi ketika ketersedian arus dari sumber solar panel bekerja secara adaptif yaitu baterai yang di-charge hanya sejumlah baterai yang dihitung berdasarkan algoritma. Gambar 19 menunjukkan bahwa SOC setiap baterai dapat berbeda sesuai dengan urutan SOC yang dikalkulasikan oleh algoritma sehingga nilai cycle baterai juga tidak berubah secara keseluhuhan seperti yang diperlihatkan pada Gambar 4.18. Hasil ini menunjukkan bahawa charge controller berkerja seperti yang diharapkan.

Gambar 20. Grafik nilai cycle semua baterai pada pengujian skenario 1

Hasil pengujian menunjukkan bahwa charging terjadi cepat dan proses discharging juga terjadi secara cepat. Simulasi dijalankan dengan waktu 1 Hari (86400 detik). Dari hasil pengujian menunjukkan battery cycle mencapai 80 cycle dalam waktu 10 hari. Manajemen baterai terjadi ketika setiap baterai di-sorting berdasarkan SOC dari rendah ke tinggi (ascending) ketika dalam mode charging. Baterai dengan SOC paling tinggi diprioritaskan cell baterai yang mana yang akan digunakan dengan jumlah dihitung dari ketersediaan sumber arus dari solar panel. Manajemen baterai juga terjadi ketika semua baterai di-sorting berdasarkan SOC dari besar ke kecil (descending) ketika dalam mode discharging.

Baterai 16
 

Baterai 1
 

Gambar 21. Status Crg_En, Bat_En, dan Bat_SOC semua baterai ketika mode charging

Baterai 16
 

Baterai 1
 

Gambar 21. Status Crg_En, Bat_En, dan Bat_SOC semua baterai ketika mode discharging

 

Pada Gambar 20 dapat dilihat bahwa setiap baterai yang akan di-charging setelah proses sorting dilakukan. Pada Gambar 20 juga dapat dilihat bahwa jumlah baterai yang dicharge sejumlah 11 baterai sedangkan 5 baterai lainnya tidak di-charge. Jumlah 11 baterai didapat dari hasil perhitungan arus sebesar 53 Ampere (pada saat simulasi dijeda) sehingga jumlah baterai 11 cell karena hasil pembulatan 53 Ampere dibagi 5 Ampere. Pada Gambar 21 dapat dilihat status Charge Enable (Crg_En), Battery Enable (Bat_En), dan Battery State of charge (Bat_SOC) pada setiap baterai setelah proses sorting berdasarkan SOC secara descending pada saat proses discharging. Dari hasil gambar dapat dilihat bahwa jumlah cell baterai yang diaktifkan untuk proses discharging yaitu sebanyak 8 cell baterai. Hal ini dikarenakan jumlah arus beban sebesar 36 Ampere sehingga hasil pembulatan 36 dibagi 5 ampere = 7.2 dan dibulatkan menjadi 8. Cell baterai dengan SOC paling besar hingga paling kecil diprioritaskan untuk digunakan saat proses discharging berlangsung.

 

Pegujian Itensitas Cahaya Tinggi Dan Beban Rendah (Skenario 2)

Skenario 2 dilakukan dengan membuat data Irradiance matahari menjadi tinggi (1000 W/m2) yang menjadi input pada blok fungsi solar panel dan data pemakaian beban yang rendah (40 Ampere), dengan demikian maka sebagian besar daya yang ditangkap oleh panel surya dari matahari bisa digunakan untuk melakukan charging semua cell baterai secara keseluruhan setelah SOC dan charge cycle disusun dengan algoritma sorting seperti yang diperlihatkan pada Gambar 22.

Gambar 22. Hasil pengujian skenario 2

Hasil pengujian skenario 2 menunjukkan bahwa proses charging terjadi secara cepat sedangkan proses discharging terjadi secara lambat (dapat dilihat penurunan SOC semua baterai tidak melebihi 60 %). Hasil battery cycle menunjukkan nilai 40 cycle dengan waktu simulasi selama 10 hari dapat dilihat pada Gambar 23.

 

Gambar 23. Grafik nilai cycle semua baterai pada pengujian skenario 2

Pegujian Itensitas Cahaya Rendah Dan Beban Tinggi (Skenario 3)

Skenario 3 dilakukan dengan membuat data Irradiance rendah untuk mensimulasikan sinar matahari yang rendah (maksimum 500 W/m2). Data itensitas cahaya matahari diskenariokan dengan data Irradiance dengan itensitas rendah pada pagi hari, mencapai puncak pada pertengahan hari, dan kembali rendah pada sore hari. Setelah menjelang matahari yaitu ketika pemakaian beban dimulai dengan pemakaian beban tinggi (80 Ampere)  maka analisa pun dilakukan. Simulasi dengan skenario 3 dilakukan secara terus menerus sehingga didapat nilai charge cycle.

 

Gambar 24. Hasil Pengujian Skenario 3

Hasil pengujian skenario 3 seperti yang dapat dlihat pada Gambar 24 menunjukkan bahwa kemampuan sumber solar panel tidak mencukupi untuk digunakan oleh beban yang ditandai dengan baterai di-charge hingga rentang 50 % dan habis digunakan bahkan sebelum matahari terbit karena pemakaian beban tinggi.  Hasil charge cycle dapat dilihat pada Gambar 25 menunjukkan nilai charge cycle pada nilai 20 cycle.

 

Gambar 24. Grafik nilai cycle semua baterai pada pengujian skenario 3

 

Pegujian Itensitas Cahaya Rendah Dan Beban Rendah (Skenario 4)

Skenario 4 dilakukan dengan membuat data Irradiance rendah untuk mensimulasikan sinar matahari yang rendah (maksimum 500 W/m2). Data itensitas cahaya matahari diskenariokan dengan data Irradiance dengan itensitas rendah pada pagi hari, mencapai puncak pada pertengahan hari, dan kembali rendah pada sore hari. Setelah menjelang matahari yaitu ketika pemakaian beban dimulai dengan pemakaian beban rendah (maksimum 40 Ampere) maka analisapun dilakukan. Simulasi dengan skenario 4 dilakukan secara terus menerus sehingga didapat nilai charge cycle seperti yag diperlihatkan pada Gambar 4.24. Proses charging dan discharging terjadi secara lambat dikarenakan itensitas cahaya matahari yang rendah dan data beban yang rendah.

 

Gambar 25. Hasil Pengujian Skenario 4

 

Hasil pengujian skenario 4 seperti yang diperlihatkan pada Gambar 26 menunjukkan bahwa pada awal simulasi jumlah energi matahari tidak cukup untuk men-charge baterai namun seiring berjalannya waktu nilai SOC meningkat menuju hingga 100 % dikarenakan energi yang tersimpan tidak semua digunakan karena pemakain beban rendah. Hasil pengujian juga menunjukkan nilai cycle semua baterai seperti yang diperlihatkan pada Gambar 4.24 pada nilai 15 cycle, namun tidak semua nilai cycle sama untuk setiap baterai yang menandakan bahwa manajemen baterai berjalan seperti yang diharapkan.

Gambar 26. Grafik nilai cycle semua baterai pada pengujian skenario 4

 

Kesimpulan

Hasil manajemen charging dan discharging baterai menggunakan algoritma sorting dengan menyusun setial cell baterai berdasarkan SOC (state of charge), rendah ke tinggi (charging) dan tinggi ke rendah (discharging) menunjukkan peningkatan performa baterai dikarenakan setiap cell baterai tidak diisi dan dikosongkan secara bersamaan sehingga meningkatkan performa baterai secara keseluruhan. Hasil penelitian penunjukkan semakin cepat proses charging terjadi maka semakin cepatnya peningkatan nilai charge cycle pada cell baterai sehingga memperpendek umur baterai yang ditandai dengan semakin cepat proses charging dan proses dicharging ketika siklus charging mencapai 100 cycle atau lebih, dengan adanya proses manajemen proses charge dan discharge pada setiap cell baterai menunjukkan bahwa proses peningkatan charge cycle dapat minimalisir dengan menyusun baterai berdasarkan SOC pada setiap baterai sehingga baterai yang sudah mencapai SOC yang tinggi tidak dilakukan proses charge dengan frekuensi charge yang tinggi. Hasil pengujian dengan skenario irradiance besar dan beban besar menunjukkan nilai battery cycle sebesar 80 cycle (dengan waktu simulasi 10 hari), skenario pengujian irradiance besar dan beban kecil menunjukkan nilai 40 cycle, skenario irradiance kecil beban besar menunjukkan nilai cycle sebesar 20 cycle, dan skenario pengujian irradiance kecil dan beban kecil pada nilai 15 cycle. Semua baterai memiliki SOC dan cycle yang berbeda. Hasil manajemen menunjukkan bahwa cycle baterai dapat dikurangi secara keseluruhan dengan melakukan manajemen proses charging/discharging di setiap cell baterai.

 

 

BIBLIOGRAFI

 

Abbas, M. D., Ashari, R., & Sari, N. S. I. (2023). Studi Perencanaan PLTS Hybrid Dengan Penambahan Sistem Automatic Transfer Switch Pada Gedung Kantor Bupati Sidenreng Rappang. Politeknik Negeri ujung Pandang.

Amanor-Boadu, J., Sanchez-Sinencio, E., & Asmah, M. W. (2017). A universal fast battery charging and management solution for stand-alone solar photovoltaic home systems in Sub-Saharan Africa. 2017 IEEE PES PowerAfrica, 174–179. https://doi.org/10.1109/PowerAfrica.2017.7991219

Azis, S. (2022). Multiple Storage Device Pada Rangkaian Penyeimbang Baterai Untuk Aplikasi PLTS (Pembangkit Listrik Tenaga Surya) Off Grid.

Bartlett, A., Marcicki, J., Onori, S., Rizzoni, G., Yang, X. G., & Miller, T. (2015). Electrochemical model-based state of charge and capacity estimation for a composite electrode lithium-ion battery. IEEE Transactions on Control Systems Technology, 24(2), 384–399.

Chan, Y.-K. C. Y.-K., & Gu, J.-C. G. J.-C. (2010). Modeling and control of stand-alone photovoltaic generation system. Power System Technology (POWERCON), 2010 International Conference On. https://doi.org/10.1109/POWERCON.2010.5666629

Chen, Z., Fu, Y., & Mi, C. C. (2012). State of charge estimation of lithium-ion batteries in electric drive vehicles using extended Kalman filtering. IEEE Transactions on Vehicular Technology, 62(3), 1020–1030.

Eom, T.-H., Shin, M.-H., Kim, J.-M., Lee, J., & Won, C.-Y. (2017). Improved charge control algorithm considering temperature of li-ion battery. 2017 IEEE 3rd International Future Energy Electronics Conference and ECCE Asia (IFEEC 2017-ECCE Asia), 1971–1975.

Ghaniyyu, F. F., & Husnita, N. (2021). Upaya Pengendalian Perubahan Iklim Melalui Pembatasan Kendaraan Berbahan Bakar Minyak di Indonesia Berdasarkan Paris Agreement. Morality: Jurnal Ilmu Hukum, 7(1), 110–129.

Gholizadeh, M., & Salmasi, F. R. (2013). Estimation of state of charge, unknown nonlinearities, and state of health of a lithium-ion battery based on a comprehensive unobservable model. IEEE Transactions on Industrial Electronics, 61(3), 1335–1344.

Husnayain, F., & Luthfy, D. (2020). Analisis rancang bangun PLTS ON-Grid hibrid baterai dengan PVSYST pada kantin teknik FTUI. Electrices, 2(1), 21–29.

Kumar, N., Hussain, I., Singh, B., & Panigrahi, B. K. (2017). Single sensor-based MPPT of partially shaded PV system for battery charging by using cauchy and gaussian sine cosine optimization. IEEE Transactions on Energy Conversion, 32(3), 983–992.

Muslim, S., Khotimah, K., & Azhiimah, A. N. (2020). analisis kritis terhadap perencanaan pembangkit listrik tenaga surya (PLTS) tipe photovoltaic (PV) sebagai energi alternatif masa depan. Rang Teknik Journal, 3(1), 119–130.

Silitonga, A. S., & Ibrahim, H. (2020). Buku ajar energi baru dan terbarukan. Deepublish.

Zou, C., Kallapur, A. G., Manzie, C., & Nesic, D. (2015). PDE battery model simplification for SOC and SOH estimator design. Proceedings of the IEEE Conference on Decision and Control, 54rd IEEE, 1328–1333. https://doi.org/10.1109/CDC.2015.7402395

Zou, Y., Hu, X., Ma, H., & Li, S. E. (2015). Combined state of charge and state of health estimation over lithium-ion battery cell cycle lifespan for electric vehicles. Journal of Power Sources, 273, 793–803.

 

 

Copyright holder:

Edi Maulana, Yuwaldi Away, Ira Devi Sara (2024)

 

First publication right:

Syntax Literate: Jurnal Ilmiah Indonesia

 

This article is licensed under: