Estimasi State of Charge Baterai Lithium-Ion Menggunakan Algoritma CNN-LSTM dengan Attention Layer Berbasis Data Pulse Test

Abstract

Accurate State of Charge (SoC) estimation is crucial for ensuring the optimal performance of Battery Management Systems (BMS), especially under dynamic and fluctuating operational conditions. This study proposes a deep learning-based SoC estimation model utilizing a hybrid architecture that combines Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM), enhanced with an Attention Layer. The model is designed to effectively extract both spatial and temporal features from battery data to improve prediction accuracy. Data acquisition is conducted through a microcontroller-based pulse test system that records real-time current and voltage readings. The collected data is preprocessed through normalization, extraction of rest conditions to establish the relationship between Open Circuit Voltage (OCV) and SoC, and internal resistance estimation using the Recursive Least Squares (RLS) algorithm. The resulting dataset is then used to train and evaluate the model. Evaluation results show that the CNN–LSTM with Attention Layer achieves more accurate and stable SoC estimation than conventional LSTM, and holds high potential for implementation in smart and adaptive battery management systems.

Abstrak

Estimasi State of Charge (SoC) yang akurat sangat penting untuk memastikan kinerja optimal Battery Management System (BMS), khususnya dalam kondisi operasional yang dinamis dan berubah-ubah. Penelitian ini mengusulkan model estimasi SoC berbasis deep learning dengan menggunakan arsitektur gabungan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM), yang dilengkapi dengan Attention Layer. Model ini dirancang untuk mengekstraksi fitur spasial dan temporal dari data baterai secara efektif guna meningkatkan akurasi prediksi. Akuisisi data dilakukan melalui pengujian pulse test berbasis mikrokontroler yang merekam arus dan tegangan secara real-time. Data yang dikumpulkan dipraproses melalui normalisasi, ekstraksi kondisi diam (rest) untuk mendapatkan hubungan Open Circuit Voltage (OCV) terhadap SoC, serta estimasi resistansi internal menggunakan algoritma Recursive Least Squares (RLS). Dataset hasil praproses digunakan untuk pelatihan dan pengujian model. Hasil evaluasi menunjukkan bahwa model CNN–LSTM dengan Attention Layer memberikan performa estimasi yang lebih akurat dan stabil dibandingkan metode LSTM konvensional, serta berpotensi tinggi untuk diimplementasikan dalam sistem manajemen baterai cerdas dan adaptif.