Kusuma, Vita (2021) Prediksi Daya Pembangkit Listrik PV Satu Hari Ke Depan Untuk Memudahkan Dalam Manajemen Sistem Energi Generator Peaker. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
07111850012004-Master_Thesis.pdf - Accepted Version Download (6MB) | Preview |
Abstract
Pembangkit listrik tenaga surya (PLTS) merupakan pembangkit yang memanfaatkan energi matahari menjadi energi listrik. PLTS mulai banyak dikembangkan karena sistem ini mampu mengurangi tagihan biaya listrik, selain itu listrik yang dihasilkan ramah terhadap lingkungan dan bebas emisi. Daya yang dihasilkan oleh PV berubah-ubah bergantung pada kondisi cuaca. Oleh karena itu pada penelitian ini akan melakukan prediksi mengenai daya yang mampu dihasilkan oleh PV satu hari kedepan dengan menggunakan metode Recurrent Neural Network (RNN) dengan algoritma Bayesian regularization yang mamput memecahkan permasalahan tentang prediksi dan klasifikasi. Sistem PV yang digunakan pada penelitian ini adalah sistem off grid yang tidak terkoneksi dengan jaringan PLN. Data yang digunakan adalah data historis daya PV dari PT. Sinarmas Land. Ukuran kesalahan akurasi dari hasil simulasi pada penelitian ini dihitung menggunakan MAPE (Mean Absolute Percentage of Error). Akurasi daya PV dengan metode RNN kemudian dibandingkan dengan data aktual. Besarnya daya beban yang tidak mampu dipenuhi oleh PV nantinya akan di back up oleh generator peaker. Oleh karena itu manajemen sistem energi antara PV dan generator peaker sangat dibutuhkan. Prediksi daya PV dengan metode RNN dengan jumlah neuron hidden layer 16 dan learning rate 0.01 menghasilkan nilai MAPE yang paling baik yaitu 2.6397%. Berdasarkan hasil tersebut, prediksi keluaran daya PV menggunakan metode RNN dengan data historis dapat diaplikasikan untuk mengetahui besarnya daya PV untuk satu hari kedepannya.
=====================================================================================================
Solar power plant (PV) is a generator that utilizes solar energy into electrical energy. PV has begun to be developed a lot because this system is able to reduce electricity bills, besides that the electricity produced is environmentally friendly and free emission. The power generated by PV varies depending on weather conditions. Therefore, this research propose the prediction about the power that can be generated by PV in the next day using the Recurrent Neural Network (RNN) method with the Bayesian regularization algorithm which is capable of solving problems regarding prediction and classification. The PV system used in this study is an off-grid system that is not connected to the main power network grid. The data used are historical PV power data from PT. Sinarmas Land. The measure of accuracy error from the simulation results in this study is calculated using MAPE (Mean Absolute Percentage of Error). The PV power accuracy using the RNN method is then compared with the actual data. The amount of load power that is not able to be fulfilled by PV will be backed up by the peaker generator. Therefore, the management system energy between PV and peaker generator is needed. The prediction of PV power using the RNN method with the number of hidden layer 16 neurons and a learning rate of 0.01 resulted in the best MAPE value of 2.6397 %. Based on these results, the prediction of PV power output using the RNN method with historical data can be applied to determine the amount of PV power for the next day
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Peramalan daya PV, Recurrent Neural Network (RNN), Manajemen sistem energi, Generator Peaker. PV power forecasting, Recurrent Neural Network (RNN), Energy system management, Peaker Generator. |
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1087 Photovoltaic power generation |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis |
| Depositing User: | Vita Kusuma |
| Date Deposited: | 03 Jul 2021 01:44 |
| Last Modified: | 22 Aug 2024 07:30 |
| URI: | http://repository.its.ac.id/id/eprint/84270 |
Actions (login required)
 |
View Item |