Peramalan Keluaran Photovoltaic Kapasitas 120WP menggunakan Metode Neural Network

Fansyuri, Irfan Hamzah (2023) Peramalan Keluaran Photovoltaic Kapasitas 120WP menggunakan Metode Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 10311910000055-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Dalam penerapan industri skala besar, PLTS tidak digunakan sebagai pembangkit utama dikarenakan daya yang dihasilkan tidak stabil. Hal ini disebabkan oleh PLTS yang sangat bergantung terhadap keadaan cuaca. Saat ini, PLTS hanya digunakan sebagai suplai tambahan dan dihubungkan baik secara on grid maupun hybrid dengan pembangkit konvensional. Penerapan ini dilakukan untuk mengurangi penggunaan energi fosil atau sumber energi tidak terbarukan yang dibutuhkan oleh pembangkit konvensional dalam memproduksi daya. Dimana biasanya kebutuhan daya disuplai seluruhnya oleh pembangkit konvensional, namun dengan adanya PLTS jumlah daya yang harus diproduksi menjadi berkurang karena mendapat support daya dari PLTS. PV merupakan komponen dari PLTS yang berfungsi untuk merubah energi radiasi matahari menjadi energi listrik. Namun dikarenakan daya yang dihasilkan PV tidak stabil dan daya yang dihasilkan oleh pembangkit konvensional bernilai konstan, dibutuhkan pembangkit tambahan yang dapat merespons terhadap perubahan kebutuhan daya dan hasil ramalan keluaran daya PV dengan menyeimbangkan antara total kebutuhan daya dengan total produksi daya. Pembangkit ini disebut dengan load tracking power plant. Meski begitu, tetap diperlukan peramalan keluaran daya PV untuk mengetahui perkiraan jumlah daya yang akan dihasilkan oleh PLTS di hari berikutnya untuk setiap menitnya agar load tracking power plant dapat dengan cepat dan akurat menyeimbangkan daya yang diproduksi sebagai suplai daya dari pembangkit konvensional dan hasil ramalan keluaran daya PV terhadap total kebutuhan daya beban. Dalam Proyek Akhir ini, penelitian hanya berfokus pada peramalan keluaran daya PV dengan menggunakan algoritma NN yang memiliki akurasi terbaik. Dari hasil pengujian, PV yang digunakan memiliki efisiensi sebesar 13,16% ketika menghasilkan daya maksimum 60,67 W saat intensitas cahaya matahari sebesar 82.574,66 Lux. Sedangkan saat intensitas cahaya sebesar 15.432,43 Lux, PV memiliki efisiensi sebesar 15,48% dengan daya yang dihasilkan adalah 13,34 W. Peramalan dilakukan menggunakan metode Neural Network (NN) dengan 6 kasus percobaan. Dari percobaan yang dilakukan, didapat algoritma NN dengan nilai MAPE terkecil yaitu 1,22% saat jumlah data training sebanyak 80% dari total data serta dari dua hidden layer. Selanjutnya, algoritma ini digunakan untuk peramalan keluaran daya PV di tiga hari pengujian. Input yang digunakan berupa data radiasi matahari, suhu, dan kelembaban di hari yang sama pada empat minggu sebelumnya. Hasil dari pengujian didapat nilai MAPE sebesar 9,43% untuk peramalan di hari pertama, 6,11% untuk di hari kedua, dan 21,33% untuk di hari ketiga. Nilai MAPE keseluruhan dalam meramalkan keluaran daya PV yaitu sebesar 12,29%.
=================================================================================================================================
In large-scale industrial applications, solar power plant are not used as the main power source due to their unstable power output, which is highly dependent on weather conditions. Currently, solar power plant is utilized as an additional supply and is connected to conventional power generators, either on-grid or in hybrid systems. This application is aimed at reducing the use of fossil fuels or non-renewable energy sources required by conventional power generators. Normally, the entire power demand is supplied by conventional power generators, but with the presence of solar power plant, the required power production is reduced as it receives power support from solar power plant. PV (Photovoltaic) is a component of solar power plant that converts solar radiation into electrical energy. However, due to the fluctuating power output of PV and the constant power output from conventional generators, an additional power generator is required to respond to changes in power demand and the forecasted PV power output. This additional power generator is called a load tracking power plant. Nevertheless, forecasting the PV power output is still necessary to estimate the amount of power that solar power plant will produce on the following day for each minute. This enables the load tracking power plant to quickly and accurately balance the power produced as a supply from conventional power generators with the forecasted PV power output in accordance with the total power demand. In this final project, the research only focuses on forecasting the PV power output using the NN (Neural Network) algorithm with the best accuracy. From the test results, the PV used has an efficiency of 13.16% when producing a maximum power of 60.67 W at a solar radiation intensity of 82,574.66 Lux. Meanwhile, at a light intensity of 15,432.43 Lux, the PV has an efficiency of 15.48% with a power output of 13.34 W. The forecasting is conducted using the Neural Network (NN) method with 6 experimental cases. From the experiments conducted, an NN algorithm with the smallest MAPE value of 1.22% is obtained when using 80% of the total data for training and employing two hidden layers. Subsequently, this algorithm is used to forecast the PV power output for three testing days. The inputs used are solar radiation, temperature, and humidity data from the same days in the four previous weeks. The test results yield an MAPE value of 9.43% for the first day forecast, 6.11% for the second day, and 21.33% for the third day. The overall MAPE value for forecasting the PV power output is 12.29%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	PLTS, PV, Neural Network, Peramalan, MAPE, Solar Power Plant, Forecasting, MAPE
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1010 Electric power system stability. Electric filters, Passive. T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1056 Solar power plants. Ocean thermal power plants T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1087 Photovoltaic power generation
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Irfan Hamzah Fansyuri
Date Deposited:	11 Aug 2023 02:55
Last Modified:	11 Aug 2023 02:59
URI:	http://repository.its.ac.id/id/eprint/104062

Actions (login required)

View Item