Baterai menjadi salah satu komponen paling penting sekaligus paling mahal pada sebuah mobil listrik. Karena itu, mengetahui kondisi baterai tidak cukup hanya dengan melihat persentase daya yang tersisa di layar.
Di balik layar, terdapat sistem yang terus memantau kondisi baterai, mulai dari tegangan, arus, temperatur, hingga kondisi masing-masing sel. Sistem tersebut dikenal sebagai Battery Management System (BMS).
Kini, perkembangan kecerdasan buatan atau Artificial Intelligence (AI) mulai membawa kemampuan BMS ke level berikutnya. Bukan hanya membaca kondisi baterai saat ini, teknologi berbasis AI juga dikembangkan untuk memperkirakan State of Health (SoH), mendeteksi anomali, memprediksi degradasi, hingga memperkirakan sisa usia pakai baterai.
Penelitian terbaru menunjukkan bahwa machine learning dan deep learning dapat digunakan untuk membantu memperkirakan SoC dan SoH baterai berdasarkan data yang dikumpulkan selama penggunaan kendaraan. Bahkan, sejumlah pendekatan dirancang agar proses estimasi dapat dilakukan secara real-time atau mendekati real-time.
Lalu, seperti apa sebenarnya AI BMS bekerja dan apakah teknologi ini berarti pemilik mobil listrik nantinya bisa mengetahui kesehatan baterainya secara lebih akurat?
Apa Itu BMS pada Mobil Listrik?
BMS merupakan sistem elektronik yang bertugas mengawasi dan mengelola baterai.
Pada mobil listrik, baterai tidak hanya terdiri dari satu sel berukuran besar. Battery pack tersusun dari banyak sel yang dihubungkan menjadi modul dan paket baterai.
Masing-masing sel dapat mengalami perbedaan kecil dalam karakteristiknya. Seiring pemakaian, perbedaan tersebut dapat semakin terlihat.
Di sinilah BMS memiliki peran penting.
BMS secara umum memantau berbagai parameter seperti:
- Tegangan baterai
- Arus masuk dan keluar
- Temperatur
- State of Charge (SoC)
- State of Health (SoH)
- Kondisi balancing sel
- Kondisi pengisian dan pelepasan energi
- Indikasi adanya kondisi abnormal
Sistem tersebut kemudian menggunakan informasi yang diperoleh sensor untuk membantu kendaraan mengambil keputusan.
Misalnya, ketika temperatur baterai terlalu tinggi, sistem dapat mengaktifkan pendinginan atau membatasi performa tertentu. Ketika kondisi baterai tidak memungkinkan untuk menerima daya pada tingkat tertentu, sistem juga dapat mengatur proses charging.
Penelitian mengenai BMS modern menunjukkan bahwa pemantauan tegangan, arus dan temperatur merupakan bagian penting dari pengelolaan baterai kendaraan listrik.
Dari BMS Konvensional ke AI BMS
BMS konvensional sebenarnya sudah mampu melakukan banyak pekerjaan.
Namun, terdapat tantangan ketika sistem harus memperkirakan kondisi baterai yang tidak dapat diukur secara langsung.
Salah satunya adalah State of Health atau SoH.
SoH secara sederhana dapat dipahami sebagai indikator kondisi kesehatan baterai dibandingkan dengan kondisi referensinya ketika masih baru.
Misalnya, baterai yang ketika baru memiliki kemampuan menyimpan energi tertentu akan mengalami penurunan kapasitas setelah digunakan selama bertahun-tahun.
Namun, kondisi baterai tidak hanya ditentukan oleh berapa kali kendaraan melakukan charging.
Pola berkendara, temperatur, beban, kecepatan pengisian, kondisi lingkungan dan karakteristik masing-masing sel juga dapat memengaruhi proses degradasi.
Karena faktor yang memengaruhinya sangat banyak, memperkirakan kesehatan baterai secara akurat menjadi persoalan yang cukup kompleks.
Di sinilah AI dan machine learning mulai mendapatkan perhatian.
AI Belajar dari Data Baterai
Konsep sederhananya seperti ini.
BMS mengumpulkan data baterai secara terus-menerus. Data tersebut kemudian dapat digunakan oleh algoritma untuk mencari pola.
Semakin banyak data yang tersedia, sistem dapat memiliki lebih banyak informasi untuk mengenali perubahan perilaku baterai.
Data yang dianalisis dapat mencakup tegangan, arus, temperatur, pola charging, kondisi penggunaan, hingga respons baterai ketika kendaraan berakselerasi atau melakukan regeneratif braking.
Model machine learning kemudian mencoba menghubungkan pola tersebut dengan kondisi kesehatan baterai.
Penelitian tentang AI untuk baterai menunjukkan bahwa metode seperti Random Forest, Support Vector Machine, neural network, LSTM dan berbagai pendekatan machine learning lainnya telah digunakan untuk estimasi SoC dan SoH.
Dengan pendekatan tersebut, sistem tidak hanya melihat satu parameter secara terpisah.
AI dapat mempelajari hubungan antara berbagai parameter secara bersamaan.
Apa Bedanya SoC dan SoH?
Dua istilah ini sering muncul ketika membicarakan BMS, tetapi keduanya memiliki arti berbeda.
State of Charge (SoC) menunjukkan perkiraan tingkat energi yang tersedia di baterai saat itu.
Sederhananya, SoC dapat dianalogikan dengan indikator "persentase baterai" yang terlihat pada dashboard.
Sedangkan State of Health (SoH) lebih berkaitan dengan kondisi kesehatan baterai.
Jika SoC menjawab pertanyaan:
"Berapa banyak energi yang tersedia sekarang?"
Maka SoH lebih mendekati:
"Seberapa baik kondisi baterai dibandingkan ketika masih baru?"
Keduanya saling berhubungan, tetapi tidak sama.
Mobil dengan SoC 80 persen tidak otomatis berarti kondisi baterainya masih 100 persen.
Baterai yang sudah mengalami degradasi tetap dapat menunjukkan SoC 80 persen. Namun, kapasitas aktual yang dapat disimpan mungkin sudah lebih rendah dibandingkan ketika baterai masih baru.
AI BMS Bisa Membaca Kesehatan Baterai Secara Real-Time?
Secara teknologi, estimasi kondisi baterai secara real-time memang menjadi salah satu arah pengembangan AI BMS.
Namun, istilah "membaca kesehatan baterai" perlu dipahami dengan benar.
AI tidak secara langsung membuka baterai dan melihat kondisi kimia setiap sel.
Sistem melakukan estimasi berdasarkan data yang tersedia.
Dengan kata lain, angka SoH merupakan hasil perhitungan atau estimasi berdasarkan berbagai parameter.
Penelitian yang dilakukan NREL, misalnya, menunjukkan bahwa machine learning dan model berbasis fisika dapat digunakan untuk mempercepat diagnosis kesehatan baterai. NREL juga menggunakan algoritma state observer seperti Kalman filter untuk memperkirakan SoC dan SoH dalam penggunaan dunia nyata.
Artinya, konsep BMS masa depan bukan hanya membaca data sensor, tetapi menginterpretasikan data tersebut untuk memahami kondisi baterai.
Data Apa yang Dibaca AI BMS?
Agar dapat membuat estimasi, AI BMS membutuhkan data.
Beberapa data utama yang dapat digunakan antara lain:
Tegangan
Tegangan setiap sel atau kelompok sel memberikan informasi mengenai kondisi baterai.
Perbedaan tegangan antar sel juga dapat menjadi indikator yang perlu diperhatikan.
Arus
Arus menunjukkan berapa besar energi yang masuk atau keluar dari baterai.
Data arus menjadi penting ketika kendaraan melakukan charging, akselerasi, maupun regenerative braking.
Temperatur
Temperatur memiliki pengaruh besar terhadap perilaku dan degradasi baterai.
Baterai tidak selalu bekerja dengan karakteristik yang sama pada temperatur yang berbeda.
Karena itu, data temperatur menjadi salah satu input penting bagi sistem estimasi.
Riwayat Charging
AI dapat memanfaatkan informasi mengenai bagaimana baterai digunakan dan diisi.
Pola charging tertentu, frekuensi pengisian cepat, durasi penggunaan dan berbagai parameter lainnya dapat membantu membentuk gambaran mengenai kondisi baterai.
Siklus Penggunaan
Jumlah siklus bukan satu-satunya faktor yang menentukan umur baterai, tetapi tetap merupakan informasi penting.
AI dapat menggabungkan data siklus dengan parameter lainnya untuk membangun estimasi yang lebih komprehensif.
Mengapa AI Bisa Lebih Menarik?
Metode tradisional biasanya menggunakan model matematis atau algoritma estimasi yang telah ditentukan.
Metode tersebut tetap penting dan masih digunakan.
Namun, baterai merupakan sistem yang sangat kompleks.
Ada variasi antar sel, perubahan temperatur, kondisi pemakaian yang berbeda, serta proses degradasi yang tidak selalu berlangsung dengan pola yang sama.
Machine learning memberikan pendekatan berbeda.
Alih-alih hanya mengandalkan satu persamaan, model dapat dilatih menggunakan data untuk mengenali pola.
Penelitian tentang probabilistic machine learning untuk diagnosis baterai juga menyoroti bahwa variasi antar sel dan perubahan kondisi operasi membuat prediksi kesehatan baterai menjadi tantangan. Karena itu, memperhitungkan ketidakpastian hasil estimasi juga menjadi bagian penting dalam pengembangan teknologi tersebut.
AI BMS Bisa Mendeteksi Gejala Masalah Lebih Awal
Salah satu manfaat yang paling menarik bukan sekadar menampilkan angka SoH.
AI BMS juga berpotensi digunakan untuk anomaly detection.
Misalnya, sistem menemukan bahwa salah satu kelompok sel memiliki pola temperatur atau tegangan yang berbeda dari kondisi normal.
Sistem dapat menandai kondisi tersebut sebagai sesuatu yang perlu diperiksa.
Pendekatan seperti ini membuka peluang menuju konsep predictive maintenance.
Artinya, kendaraan tidak harus selalu menunggu sampai masalah muncul secara jelas.
Sistem dapat memberikan peringatan ketika data menunjukkan adanya pola yang berpotensi menjadi masalah.
Sejumlah penelitian berbasis IoT dan machine learning bahkan telah mengembangkan sistem yang mengumpulkan data baterai secara real-time dan menggunakan model AI untuk mendeteksi potensi gangguan serta memantau kondisi baterai.
Bukan Sekadar Menampilkan Angka Persentase
Bayangkan sebuah mobil listrik memiliki dashboard yang tidak hanya menampilkan:
Battery: 78%
Tetapi juga memberikan informasi seperti:
Battery Health: 91%
Kemudian sistem bisa memberikan informasi tambahan mengenai perubahan performa baterai dalam beberapa bulan terakhir.
Misalnya, sistem mendeteksi bahwa kapasitas baterai mengalami penurunan secara bertahap.
Informasi seperti ini akan sangat membantu pemilik kendaraan.
Namun, angka tersebut tetap harus dipahami sebagai hasil estimasi sistem, bukan pemeriksaan laboratorium secara langsung.
Akurasi AI sangat bergantung pada kualitas sensor, data pelatihan, model yang digunakan, kondisi baterai dan kondisi penggunaan kendaraan.
AI BMS Bisa Memprediksi Sisa Umur Baterai
Tahap yang lebih maju adalah Remaining Useful Life atau RUL.
RUL merupakan perkiraan mengenai sisa masa manfaat komponen sebelum mencapai kondisi tertentu yang telah ditentukan.
Dalam konteks baterai, AI dapat mencoba memprediksi bagaimana kapasitas baterai akan berubah di masa mendatang.
Contohnya, bukan hanya mengatakan:
"Kondisi baterai saat ini 90 persen."
Tetapi sistem dapat mencoba menjawab:
"Dengan pola penggunaan saat ini, bagaimana kondisi baterai kemungkinan berkembang dalam beberapa tahun ke depan?"
Penelitian terbaru mengembangkan model machine learning untuk memperkirakan SoH sekaligus Remaining Useful Life. Salah satu pendekatan menggunakan LSTM dan GRU untuk menangkap pola degradasi jangka panjang.
Kemampuan seperti ini dapat menjadi penting bagi kendaraan listrik yang sudah digunakan dalam jangka panjang.
Manfaat Besar untuk Pemilik Mobil Listrik
Jika teknologi AI BMS diterapkan secara matang pada kendaraan produksi, manfaatnya dapat dirasakan langsung oleh pemilik.
1. Mengetahui Kondisi Baterai
Pemilik tidak perlu hanya mengandalkan feeling mengenai apakah baterainya masih sehat atau tidak.
Data SoH dapat memberikan gambaran yang lebih objektif.
2. Deteksi Masalah Lebih Cepat
Jika sistem menemukan anomali, pemilik dapat melakukan pemeriksaan sebelum masalah berkembang lebih jauh.
3. Perawatan Lebih Terencana
Informasi mengenai kondisi baterai dapat membantu menentukan kapan kendaraan perlu diperiksa.
4. Mengoptimalkan Charging
AI juga dapat digunakan untuk membantu menentukan strategi charging berdasarkan kondisi baterai.
Penelitian terbaru bahkan menggabungkan estimasi SoH berbasis GRU dengan optimasi charging menggunakan reinforcement learning dalam kerangka BMS berbasis cloud.
5. Membantu Memperpanjang Umur Baterai
Jika sistem mampu memahami kondisi baterai, strategi penggunaan dan pengisian dapat disesuaikan untuk mengurangi kondisi operasi yang mempercepat degradasi.
AI BMS dan Fast Charging
Fast charging menjadi salah satu area yang menarik dalam pengembangan AI BMS.
Pengisian dengan daya tinggi dapat meningkatkan tantangan pengelolaan temperatur dan kondisi baterai.
AI dapat membantu sistem memahami bagaimana baterai merespons proses pengisian.
Namun, bukan berarti AI akan selalu memilih charging paling cepat.
Dalam sistem yang lebih cerdas, tujuan akhirnya dapat berupa keseimbangan antara kecepatan pengisian, temperatur, kebutuhan pengguna dan kesehatan baterai.
Dengan begitu, kendaraan tidak hanya bertanya:
"Seberapa cepat baterai bisa diisi?"
Tetapi juga:
"Bagaimana cara mengisi baterai dengan tetap menjaga kondisi baterai?"
AI BMS Bisa Membantu Industri Mobil Bekas
Ada satu manfaat lain yang cukup menarik, terutama untuk pasar kendaraan listrik bekas.
Saat membeli mobil listrik bekas, kondisi baterai menjadi salah satu informasi paling penting.
Selama ini calon pembeli dapat melihat usia kendaraan, jarak tempuh, riwayat servis dan kondisi fisik.
Namun, kesehatan baterai sering kali lebih sulit dinilai secara sederhana.
Jika sistem BMS dapat menyediakan data SoH yang terpercaya, informasi tersebut dapat menjadi bagian dari proses evaluasi kendaraan bekas.
Misalnya, dua mobil listrik dengan usia dan jarak tempuh yang hampir sama bisa memiliki kondisi baterai berbeda karena pola penggunaan dan perawatannya berbeda.
Data kesehatan baterai dapat membantu membuat penilaian kondisi kendaraan menjadi lebih transparan.
Namun, untuk kebutuhan transaksi, data tersebut tetap idealnya diverifikasi menggunakan prosedur diagnostik yang sesuai.
Tantangan AI BMS
Meskipun terdengar menjanjikan, AI BMS bukan teknologi tanpa tantangan.
Salah satu masalah utama adalah kualitas data.
AI membutuhkan data yang representatif agar mampu menghasilkan estimasi yang dapat diandalkan.
Kondisi baterai juga berbeda-beda.
Baterai dari produsen berbeda, kimia sel berbeda, temperatur berbeda, pola penggunaan berbeda dan usia berbeda dapat menghasilkan karakteristik yang tidak sama.
Karena itu, model AI yang bekerja sangat baik pada satu kelompok baterai belum tentu langsung memiliki performa yang sama pada baterai lain.
Penelitian mengenai diagnosis dan prediksi kesehatan baterai juga menyoroti tantangan variasi antar sel dan kondisi penggunaan yang berubah-ubah.
AI Tidak Menggantikan Sensor dan BMS
Ada anggapan bahwa ketika AI semakin pintar, semua sensor pada baterai tidak lagi dibutuhkan.
Justru sebaliknya.
AI tetap membutuhkan data.
Sensor tegangan, arus dan temperatur tetap menjadi sumber informasi penting. BMS tetap membutuhkan sistem proteksi dan kontrol yang dapat bekerja cepat ketika terjadi kondisi abnormal.
AI lebih tepat dipandang sebagai lapisan kecerdasan tambahan yang membantu BMS memahami data.
Jadi, konsepnya bukan:
BMS digantikan AI.
Tetapi lebih dekat dengan:
BMS diperkuat dengan AI.
Masa Depan BMS Mobil Listrik
Perkembangan BMS mengarah pada sistem yang semakin pintar.
BMS masa depan kemungkinan tidak hanya bertugas menjaga baterai agar tetap berada pada batas aman.
Sistem juga dapat menjadi alat diagnostik yang terus mempelajari kondisi baterai.
Penelitian pada 2026 bahkan telah mengeksplorasi kerangka BMS berbasis AI yang menghubungkan estimasi SoH dengan pengambilan keputusan terkait keselamatan kendaraan.
Sementara itu, pendekatan hybrid yang menggabungkan model fisika dengan machine learning juga terus dikembangkan karena masing-masing pendekatan memiliki kelebihan dan keterbatasan.
Ke depannya, BMS bisa menjadi semakin terintegrasi dengan sistem kendaraan, cloud, layanan purna jual dan bahkan ekosistem kendaraan bekas.
Baterai Bisa "Bercerita" tentang Kondisinya
Jika teknologi ini terus berkembang, pemilik mobil listrik tidak lagi harus menunggu sampai jarak tempuh terasa menurun drastis untuk mengetahui adanya degradasi.
Baterai dapat memberikan data mengenai kondisinya secara lebih terstruktur.
Misalnya, kendaraan dapat mengetahui:
- Kondisi kesehatan baterai saat ini.
- Perubahan kapasitas dari waktu ke waktu.
- Sel atau modul yang menunjukkan perilaku tidak normal.
- Kondisi temperatur baterai.
- Pola degradasi.
- Perkiraan sisa masa manfaat.
- Potensi masalah yang perlu diperiksa.
Namun, semua informasi tersebut tetap perlu dibaca dengan konteks yang tepat.
Angka SoH bukanlah "vonis" bahwa baterai akan langsung rusak ketika mencapai angka tertentu. Kondisi aktual baterai jauh lebih kompleks.
Apa Artinya bagi Pengguna Mobil Listrik di Indonesia?
Bagi pengguna mobil listrik di Indonesia, teknologi AI BMS akan semakin relevan seiring bertambahnya populasi kendaraan listrik.
Kondisi lalu lintas perkotaan, temperatur lingkungan, perjalanan jarak jauh, penggunaan AC, kebiasaan charging dan frekuensi fast charging menjadi bagian dari kehidupan sehari-hari kendaraan.
Sistem BMS yang mampu memahami pola penggunaan secara lebih detail berpotensi membantu kendaraan menyesuaikan pengelolaan baterai dengan kondisi nyata.
Bagi pemilik, manfaat terbesarnya adalah informasi.
Bukan lagi sekadar mengetahui berapa persen baterai yang tersisa, tetapi memahami bagaimana kondisi baterai tersebut dari waktu ke waktu.
AI BMS merupakan salah satu perkembangan menarik dalam teknologi kendaraan listrik.
Dengan memanfaatkan machine learning dan data dari berbagai sensor, sistem dapat membantu memperkirakan State of Charge, State of Health, mendeteksi anomali, hingga memprediksi kemungkinan degradasi dan Remaining Useful Life baterai. Penelitian di bidang ini terus berkembang, termasuk pendekatan yang dirancang untuk bekerja dalam penggunaan kendaraan secara nyata.
Namun, penting untuk memahami bahwa AI BMS tidak benar-benar "melihat" kondisi kimia baterai secara langsung. Sistem melakukan estimasi berdasarkan data dan model.
Karena itu, kualitas sensor, data, algoritma dan validasi menjadi sangat penting.
Bagi industri kendaraan listrik, perkembangan ini bisa membawa perubahan besar. Baterai bukan lagi sekadar komponen yang menyimpan energi, tetapi menjadi komponen yang kondisinya dapat dipantau dan dianalisis secara lebih mendalam sepanjang masa penggunaan kendaraan.
Bagi konsumen, teknologi tersebut pada akhirnya bisa memberikan satu hal yang sangat penting: transparansi mengenai kondisi baterai.
Dan ketika pasar mobil listrik semakin besar, informasi mengenai kesehatan baterai kemungkinan akan menjadi sama pentingnya dengan jarak tempuh, kapasitas baterai dan fitur kendaraan itu sendiri.
Di masa depan, mungkin bukan hanya manusia yang bertanya apakah baterai mobil listrik masih sehat. Baterainya sendiri bisa memberikan jawabannya berdasarkan data yang terus dipelajari AI.
