Desain Dan Simulasi MPPT Hybrid Photovoltaic / Wind Turbine (WT) Multi Input DC-DC Converter Menggunakan RNN (Recurrent Neural Network)

Prananda, Sandra July (2024) Desain Dan Simulasi MPPT Hybrid Photovoltaic / Wind Turbine (WT) Multi Input DC-DC Converter Menggunakan RNN (Recurrent Neural Network). Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 6022222018-Master_Thesis.pdf] Text
6022222018-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2026.

Download (7MB) | Request a copy

Abstract

Peningkatan konsumsi energi dalam beberapa tahun terakhir menjadi alasan pemanfaatan teknologi energi terbarukan (EBT) untuk memabngun pembangkit listrik berkelanjutan. Namun, permasalahan yang ditimbulkan akibat pemanfaatan energi terbarukan adalah daya yang dihasilkan bersifat fluktuatif dan intermittent karena memiliki kurva karakteristik non-linier serta memiliki titik daya maksimum pada titik tertentu dengan koordinat Voltage Maximum Power Point (V_MPP) dan Current Maximum Power Point 〖(I〗_MPP) yang disebut dengan titik Maximum Power Point (MPP) dalam mempertahankan keseimbangan antara pasokan dan permintaan beban. Hybrid photovoltaic dan wind mengkombinasi input yang terintegrasi melalui topologi DC-DC Converter jenis Multi Input DC-DC Converter yang dapat mengekstrak daya optimum dari kedua sumber input jika dibandingkan dengan pemilihan DC-DC Converter jenis Dual Input Hybrid DC-DC Converter maupun Single Input and Single Output (SISO). Topology Multi Input DC-DC Converter diusulkan dengan menggabungkan sistem hybrid photovoltaic dan wind turbin menggunakan pendekatan MPPT (Maximum Power Point Tracking) dalam bidang AI (Artificial Intelligence) dengan algoritma RNN (Recurrent Neural Network) yang disimulasikan pada software MATLAB dan PSIMdengan meningkatkan metode pelacakan MPP untuk mengatasi karakteristik non-linear dari masing-masing sumber input. Algoritma RNN merupakan pengganti dari jaringan syaraf tiruan multilayer yang terdiri dari konfigurasi jaringan, termasuk jumlah lapisan tersembunyi (hidden layer) dan jumlah neuron di setiap lapisan dalam melacak daya maksimum berupa data duty cycle pada daerah MPP. Hasil simulasi menunjukkan metode RNN yang efisien dapat melacak variasi kecepatan angin dan radiasi matahari dengan waktu penyelesaian 0,087 detik lebih efektif daripada algoritma konvensional yaitu P&O (Perturb and Observe) dengan effisiensi sebesar 98%.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Hybrid photovoltaic dan wind energy system, MPPT, Multi Input DC-DC Converter, Reccurent Neural Network. Hybrid photovoltaic dan wind energy system, MPPT, Multi Input DC-DC Converter, Reccurent Neural Network.
Subjects: T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1001 Production of electric energy or power
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1007 Electric power systems control
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1087 Photovoltaic power generation
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7872 Electric current converters, Electric inverters.
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User: Sandra July Prananda
Date Deposited: 29 Jul 2024 03:51
Last Modified: 29 Jul 2024 03:51
URI: http://repository.its.ac.id/id/eprint/109544

Actions (login required)

View Item View Item