Tantangan
Estimasi State of Charge dan State of Health baterai kendaraan listrik harus tetap andal pada variasi kondisi pengisian dan suhu operasional.
Beranda/Hybrid LSTM-XGBoost Stacking Ensemble for Multi-Condition Battery Management System Optimization in Electric Vehicles
2026 · AI/Research
Hybrid LSTM-XGBoost Stacking Ensemble for Multi-Condition Battery Management System Optimization in Electric Vehicles
Model hybrid LSTM (ekstraktor fitur 128-64-32 unit) dan XGBoost (500 tree) untuk estimasi State of Charge dan State of Health baterai lithium-ion 18650 pada kendaraan listrik, termasuk fast charging 2C/3C dan suhu -10°C sampai 45°C.
Penulis: I Made Prabu Mahendra Putra Rebawa, Michael Jemmy Tanzel, Nikita Ananda Putri Masaling, Edy Irwansyah (BINUS University)
Peran: Peneliti & Pengembang Model AI
Tim: BINUS University
Stack: Python, LSTM, XGBoost, Stacking Ensemble
Solusi
Menggunakan LSTM berlapis 128-64-32 unit sebagai ekstraktor fitur, lalu XGBoost 500 tree dalam stacking ensemble untuk mengestimasi SoC dan SoH.
0,202%
SoC RMSE
ECM 7,945%
0,105%
SoH RMSE
1,000
Deteksi anomali · F1-Score
Fitur utama
Analisis data baterai
Menganalisis kondisi baterai pada beragam skenario kendaraan listrik.
Model stacking ensemble
Ekstraksi fitur LSTM dipadukan dengan 500 tree XGBoost.
Hasil
Model mempertahankan akurasi pada skenario fast charging dan suhu ekstrem.