PREDIKSI POWER SOLAR ENERGY MELALUI SOLAR PHOTOVOLTAIC (SPV) MENGGUNAKAN ARTIFICIAL NEURAL NETWORK – RADIAL BASIC FUNCTION (ANN-RBF)

harmini harmini

doi:10.24176/simet.v12i2.6897

PREDIKSI POWER SOLAR ENERGY MELALUI SOLAR PHOTOVOLTAIC (SPV) MENGGUNAKAN ARTIFICIAL NEURAL NETWORK – RADIAL BASIC FUNCTION (ANN-RBF)

harmini harmini

Abstract

Sinar matahari yang sampai kepermukaan bumi dapat diubah menjadi energi listrik menggunakan sel surya atau Solar Photovoltaic Array (SPV) yang dipengaruhi oleh radiasi matahari dan temperatur yang selalu berubah-ubah dari musim ke musim. Tujuan penelitian ini adalah membuat model yang digunakan untuk memprediksi energi listrik yang dihasilkan oleh solar energi melalui SPV berdasarkan nilai radiasi matahari dan temperatur selama 5 tahun terakhir dan memprediksi selama 5 tahun ke depan menggunakan kontrol Artificial Neural Network (ANN) yang disimulasikan menggunakan software PVSYS dan MATLAB dengan variasi kondisi klimatologi. Variabel input ANN-RBF adalah daya dan energi listrik keluaran SPV sesuai kondisi radiasi dan suhu selama 5 tahun terakhir yang memiliki pengaruh signifikan terhadap respon ANN-RBF. Variabel keluaran dari ANN-RBF adalah daya dan energi listrik keluaran SPV untuk 5 tahun kedepan. Metode yang dilakukan (1) menghitung daya dan energi listrik berdasarkan variasi nilai radiasi matahari dan temperatur menggunakan software PVSYS, (2) melakukan pelatihan menggunakan ANN-RBF dari data 5 tahun (2015-2020), (3) pengujian data hasil pelatihan ANN-RBF, dan (4) memprediksi energi listrik untuk 5 tahun ke depan. Parameter NN-RBF yang digunakan untuk pola pembelajaran data energi listrik antara lain error goal (MSE) sebesar 1e-5, spread constant 2, number of neurons sebesar K= 20 dan Ki=10. Tingkat akurasi rata-rata proses pembelajaran dan pengujian data untuk menentukan pola prediksi energi listrik panel SPV pada tahun 2018 sebesar 92.35%, tahun 2019 sebesar 76.83 %, dan tahun 2020 sebesar 87.36%, sehingga prosentase error rata-rata tahun 2018 sebesar 7.6 %, tahun 2019 sebesar 23.16 % dan tahun 2020 sebesar 12.63 %. Tingkat akurasi menggunakan NN-RBF masih rendah dan error lebih dari 10%, hal ini dikarenakan NN-RBF masih memiliki osilasi pencapaian target yang selalu berubah-ubah dengan cepat. Prediksi rata-rata energi listrik selama 5 tahun kedepan dari tahun 2021-2025 berkisar antara 936 Wh-1894 Wh dari panel SPV dengan ukuran 240 Wp

Keywords

Artificial Neural Network; Solar Photovoltaic; Radial Basic Function

Teks Lengkap:

PDF

Referensi

Cynthia, E. P., Yanti, N., Fitriani, Y., & Yusra, Y. (2019, November). PREDIKSI RADIASI MATAHARI DENGAN PENERAPAN METODE ELMAN RECURRENT NEURAL NETWORK. In Seminar Nasional Teknologi Informasi Komunikasi dan Industri (pp. 22-29).
Dolara, A., Leva, S., Mussetta, M., & Ogliari, E. (2016, June). PV hourly day-ahead power forecasting in a micro grid context. In 2016 IEEE 16th International Conference on Environment and Electrical Engineering (EEEIC) (pp. 1-5). IEEE.
Elamim, A., Hartiti, B., Haibaoui, A., Lfakir, A., & Thevenin, P. (2019, July). Generation of Photovoltaic Output Power Forecast Using Artificial Neural Networks. In International Conference on Advanced Intelligent Systems for Sustainable Development (pp. 127-134). Springer, Cham.
Hu, K., Cao, S., Wang, L., Li, W., & Lv, M. (2018). A new ultra-short-term photovoltaic power prediction model based on ground-based cloud images. Journal of Cleaner Production, 200, 731-745.
Loutfi, H., Bernatchou, A., Raoui, Y., & Tadili, R. (2017). Learning processes to predict the hourly global, direct, and diffuse solar irradiance from daily global radiation with artificial neural networks. International Journal of Photoenergy, 2017.
Mohapatra, A., Nayak, B., & Mohanty, K. B. (2016, March). Performance improvement in MPPT of SPV system using NN controller under fast changing environmental condition. In 2016 IEEE 6th International Conference on Power Systems (ICPS) (pp. 1-5). IEEE.
Torabi, R., Rodrigues, S., Cafofo, N., & Morgado-Dias, F. (2017, July). Development of an ANN model to predict the electricity produced by small scale roof-top PV systems in Madeira Island. In 2017 International Conference in Energy and Sustainability in Small Developing Economies (ES2DE) (pp. 1-6). IEEE.
Xiao, W., Dai, J., Wu, H., Nazario, G., & Cheng, F. (2017). Effect of meteorological factors on photovoltaic power forecast based on the neural network. RSC advances, 7(88), 55846-55850.
Yuliarto, B. 2011. Solar Sel Sumber Energi Terbarukan Masa Depan, www.esdm.go.id/berita/artikel/, diakses pada 18 Januari 2019
http://www.djk.esdm.go.id/pdf/RUPTL/RUPTL%20PLN%202016-2025.pdf