Salah satu tantangan terbesar mobil listrik bukan hanya mencari cara mengisi daya lebih cepat, tetapi juga menjaga baterai agar tidak cepat aus. Peneliti di Swedia kini menawarkan pendekatan yang mencoba menjawab dua kebutuhan itu sekaligus lewat sistem pengisian cepat berbasis AI.
Tim dari Chalmers University of Technology merancang metode yang tidak lagi mengandalkan pola arus tetap saat pengisian berlangsung. Sistem ini membaca kondisi baterai, lalu menyesuaikan arus listrik berdasarkan state of health atau SoH, tingkat pengisian, serta karakteristik kimia baterai yang sedang diisi.
Pendekatan tersebut memakai reinforcement learning, cabang machine learning yang memungkinkan algoritma belajar dari respons baterai secara langsung. Dengan cara ini, AI terus mengubah keputusan pengisian selama proses berlangsung, bukan memaksakan satu pola yang sama untuk semua kondisi.
Fokus pada kesehatan baterai
Masalah degradasi baterai selama fast charging sudah lama menjadi perhatian. Arus tinggi bisa memicu perubahan reaksi di dalam sel baterai, sehingga performa dan usia pakainya ikut terpengaruh dari waktu ke waktu.
Karena itu, sistem baru ini dirancang agar pengisian tidak sekadar cepat, tetapi juga lebih selaras dengan kondisi baterai. Pendekatan seperti ini dinilai lebih fleksibel karena dapat dipakai pada baterai yang masih baru maupun yang kapasitasnya sudah mulai menurun.
Metode tersebut berbeda dari pengisian umum yang biasanya bergantung pada batas arus dan tegangan tetap. Dalam sistem baru, keputusan pengisian bergerak lebih dinamis karena mengikuti respons baterai selama proses berlangsung.
Hasil uji menunjukkan umur pakai lebih panjang
Dalam pengujian, metode berbasis AI ini mampu meningkatkan umur baterai hingga 22,9 persen dibanding pengisian konvensional. Pengukuran dilakukan dengan parameter equivalent full cycles atau EFC, yaitu jumlah siklus isi dan kosong sampai kapasitas baterai turun ke 80 persen.
Menariknya, peningkatan itu tidak dibayar dengan waktu pengisian yang lebih lama. Rata-rata durasi pengisian tercatat 24,12 menit, sedikit lebih cepat dibanding metode konvensional yang berada di 24,15 menit.
Temuan ini memperkuat pandangan bahwa hambatan fast charging tidak hanya terletak pada batas arus. Kondisi elektrokimia di dalam baterai juga ikut menentukan seberapa cepat kualitas baterai menurun.
Bisa diterapkan lewat pembaruan perangkat lunak
Keunggulan lain dari pendekatan ini ada pada jalur penerapannya yang relatif praktis. Peneliti menyebut teknologi tersebut dapat diimplementasikan lewat pembaruan perangkat lunak pada Battery Management System atau BMS kendaraan listrik.
Meski begitu, riset ini belum langsung masuk tahap penggunaan massal. Tim masih perlu menyesuaikan sistem agar dapat bekerja pada berbagai jenis baterai EV dengan karakteristik yang berbeda.
Tahap berikutnya adalah pengujian langsung pada baterai fisik untuk memastikan hasilnya tetap konsisten di kondisi nyata. Peneliti juga menyoroti perlunya kalibrasi agar sistem bisa dipakai lebih luas pada lebih banyak jenis baterai.
Kolaborasi riset dan arah pengembangan
Riset ini dipublikasikan dalam jurnal IEEE Transactions on Transportation Electrification dan melibatkan Victoria University of Wellington, Selandia Baru. Peneliti utamanya adalah Changfu Zou dari Chalmers dan Meng Yuan yang kini menjadi Asisten Profesor di Universitas Victoria.
Untuk mempercepat adaptasi pada baterai baru, model AI juga dapat memanfaatkan transfer learning. Cara ini membuat sistem memakai pembelajaran sebelumnya agar lebih cepat menyesuaikan diri saat diterapkan pada baterai dengan karakteristik berbeda.
-
-
-
-
