ESTIMASI WIND POWER SEBAGAI PEMBANGKIT LISTRIK MASA DEPAN Suwarno1, Rohana2 Jurusan Teknik Elektro, ITM 2 Jurusan Teknik Elektro, UMSU 1
[email protected] 2
[email protected] 1
Abstrak Dalam tulisan ini membahas tentang potensi kecepatan angin yang dapat dimanfaatkan menjadi pembangkit listrik tenaga bayu (Wind Power) di Kota Medan. Data kecepatan angin diperoleh dari BMKG selama 2008-2010, berdasarkan data kecepatan angin ini akan diestimasi besarnya daya dan energi yang dihasilkan dengan menggunakan program Matlab. Untuk estimasi parameter skala (c) dan shape (k) menggunakan distribusi Weibull dan parameter ini digunakan untuk mengestimasi daya dan energi listrik yang dibangkitkan. Hasil simulasi menggunakan program Matlab menunjukkan bahwa besarnya daya dan energi persatuan luas masing masing adalah 12,412-39,0532 Watt/m2 dan 9,2346-29.0556 KWh/m2. Kata kunci: Kecepatan angin, Distribusi Weibull, Daya dan Energi, Wind Power
1.
terbarukan
Latar belakang
yang
ramah
lingkungan,
sehingga dimasa depan sangat Kota
Medan
merupakan
daerah
perlu
menjadi perhatian khusus bagi semua
tropis, sehingga merupakan sumber energi
pihak
yang
menekuni
bidang
tenaga angin yang cukup besar. Menurut
terbarukan
data Badan Meteorologi Klimatologi dan
Pemanfaatan kecepatan angin selama ini
Geofisika (BMKG) kota Medan, bahwa
digunakan hanya untuk pompa disawah
angin rata-rata berkisar antara 2 s/d 6 m/s
dan tempat peternakan yang jauh dari kota.
, namun pemanfaatannya belum dilakukan
Sebelum melakukan pemasangan turbin
untuk menjadikan energy listrik secara
angin untuk pembangkit listrik, maka perlu
optimal dan komersial. Energy angin yang
dilakukan estimasi agar pembangunan
dikonversikan ke energy listrik kemudian
pembangkit listrik tenaga bayu sesuai
dapat digunakan langsung oleh konsumen.
dengan potensi angin yang ada di daerah
Pembangkit listrik tenaga angin (Wind
tersebut.
Power) merupakan pembangkit energi
diestimasi
(renewable
Suatu
Wind
dengan
energi energy).
power
metode
dapat
distribusi
Weibull berdasarkan data kecepatan angin
(IAV= inter annual variability), yang
atau kelembaban udara di setiap tempat.
didefinisikan sebagai standar deviasi dari
Data kecepatan angin dapat diperoleh
kecepatan
dengan mengukur langsung menggunakan
beberapa perwakilan dari tahun. Perkiraan
anemometer atau data yang diperoleh dari
IAV
Badan
kecepatan angin dari stasiun meteorologi
Meteorologi
Klimatologi
dan
Geofisika (BMKG). Untuk mengestimasi Wind
Power
rata-rata
didasarkan
tahunan
pada
selama
pengukuran
dengan nilai antara 4% sampai 10%.
menggunakan Potensi energi terbarukan yang
MATLAB/SIMULINK dan hasilnya akan dapat diketahui potensi Wind Power
diklasifikasikan ke dalam kategori yang berbeda, yaitu potensi teoritis, potensi
sebagai pembangkit masa depan.
yang tersedia, potensi teknis dan potensi 2.
ekonomis. Potensi teknis mengacu pada
Tinjauan Pustaka
jumlah energi yang bisa dimanfaatkan dengan Turbin
angin
teknologi
yang
dengan
sudah ada dan tergantung pada waktu
mengubah energi kinetik angin menjadi
pengukuran. Potensi ekonomi mengacu
energi kinetik. Energi yang tersedia untuk
pada
konversi
ekonomis dengan ketersediaan teknologi
terutama
bekerja
menggunakan
tergantung
pada
kecepatan angin dan daerah menyapu sudu
jumlah
energi
potensial
yang
(Alam & Manfred, 2010).
turbin. Ketika merencanakan sebuah wind Angin
farm, maka yang paling penting diketahui adalah daya dan energi output dari masingmasing
turbin
angin
untuk
dapat
menghitung kelayakan ekonominya dan akan menghitung daya kinetik rotasi yang dihasilkan turbin angin serta kecepatan angin minimum di mana turbin angin menghasilkan tenaga terpasangnya. Salah satu
faktor
ketidakpastian
utama
yang
dalam
menentukan memprediksi
produksi energi dari proyek angin adalah variabilitas sumber angin. Hal ini sering diwakili oleh variabilitas antar tahunan
merupakan
salah
satu
sumber energi terbarukan di Zeway, Ethiopia
yang
memerlukan
alami.
data
Energi
yang
diukur
angin dari
kecepatan angin harian dan arah, data angin diperoleh dari stasiun meteorologi dan
analisis
Rayleigh
dilakukan
analisis
menggunakan
statistik,
sedangkan
software Matlab digunakan untuk akuisisi data. Potensi energi yang tersedia dengan maksimal
dan
rata-rata
minimum
kecepatan angin masing-masing adalah 4,9 m/s dan 1,5 m/s dan kepadatan tenaga
angin rata-rata juga bervariasi dengan
mengurangi ukuran transformator, ukuran
maksimum dan minimum nilai masing-
filter dan karakteristik sumber arus. Model
masing,
68,6
W/m2
dan 0,0
W/m2
(Tolessa. G A ,2013).
Simulink dari rangkaian untuk sistem loop tertutup
Pada skala kecil, energi angin
VSWT
digunakan
dikembangkan
untuk
studi
berdiri sendiri semakin dipandang sebagai
(Annamalai. M, 2012).
sumber yang layak, seperti di desa desa
Analisis
dan
simulasi
efek
topografi
terpencil atau peternakan dan beban
menggunakan dua metode dilakukan dan
terpencil yang jauh dari sumber utama
empat studi kasus untuk Semenanjung
saluran listrik, serta untuk alasan efektif
Korea
biaya. Energi angin dirancang untuk
menggunakan lima kode yang berbeda
kecepatan angin tinggi dan memiliki cut-
dengan ASCE 7-05, AS / NZS 1170,2:
off kecepatan angin di bawah kecepatan
2002, Eurocode 2004, AIJ 2004, KBC
angin yang diizinkan. Turbin angin yang
2005, dan metode kedua dengan simulasi
paling efisien ketika beroperasi di salah
komputasi.
satu rasio kecepatan tertentu (TSR=Tip
memprediksi
Speed Ratio). Sehubungan Dengan Itu,
menggunakan lima kode yang berbeda
untuk menangkap efisien tenaga angin,
untuk bergelombang medan di sama spasi
kecepatan turbin harus dikontrol untuk
delapan arah angin. Kode arah angin
mengikuti (TSR) ideal, dengan optimal
diperlukan untuk mengadopsi parameter
titik operasi yang berbeda untuk setiap
melawan arah angin pada metode MPM
kecepatan
(Mixing Parameter Method) atau ASCE 7-
angin.
Energi
angin
ini
disajikan.
Metode
Metode
untuk
faktor
topografi
05
tetap penuh. Pemodelan dan simulasi
membandingkan faktor topografi antara
variabel
kode asli dan MPM untuk memperlihatkan
angin
kecepatan
kode
ini
digunakan untuk pengisian baterai agar
turbin
dengan
efek
pertama
lain.
Metode
ini
(VSWT=variable speed wind turbine)
efek dari medan bergelombang,
dengan DC-to-DC converter untuk berdiri
formula disajikan dan dirasionalisasikan
sendiri sistem energi angin. Sistem turbin
untuk
angin
sinkron
berpengaruh dalam setiap kode. Faktor
(SG=sinkron generator), dioda penyearah,
topografi yang dihasilkan terbukti bahwa,
buck DC- DC converter dan inverter.
ada pengaruh parameter yang berbeda di
Berdasarkan model Simulink dari sistem
masing-masing
kode
dan
yang disimulasikan menggunakan Matlab
topografi
arah
melawan
Simulink blok,
Dinamika fluida komputasi diterapkan
terdiri
dari
generator
Converter ini dapat
memahami
ke
faktor-faktor
dan
yang
kemiringan angin.
untuk mendapatkan efek topografi untuk
kˆ
perbandingan dan untuk mengamati aliran mengubah
faktor
topografi
1 N
V
kˆ
i
ln Vi
i 1
sepanjang
N
Vi
medan. Data kecepatan angin rata rata dan
kˆ
(6) 1 N
N
ln V
i
i 1
i 1
maksimum tahunan disimpan setiap 10 menit
melalui
selama
Korea
1971-2007.
Meteorological
Kecepatan
angin
Berdasarkan empiris bahwa besarnya daya yang dibangkitkan oleh kecepatan
merupakan perbandingan kondisi fitur
angin adalah:
tanah yang berbeda, melalui konversi pada
Pm 0.5 A v 3
fitur
tanah
identik
Di mana :
(Maharani. Y N, 2009).
η = efisiensi turbin angin
(Pdf) untuk variabel acak ‘x’ dapat ditulis
A = luas daerah sapuan turbin
sebagai berikut 1 2
ex
Pm= Daya mekanik (watt)
ρ = massa jenis angin (kg/m3)
Sebuah fungsi distribusi probability
f (x)
(5)
dan tanah datar
2
angin (m2)
2
2
x (1)
ν = angin sebelum melewati turbin
2
angin (m/s)
x max
xf ( x)dx
Di mana :
(2)
x min
3.
Metodologi
x max 2
dan 2
x
f ( x)dx
(3) Potensi
x min
Persamaan fungsi distribusi kumulatif
b
xmin
0
k1
k k kV Fb f (V)dV eV/c dV1eb/c Weibull c c
(4)
cˆ
sebagai
pembangkit listrik diperoleh berdasarkan
Vi2
(5)
i 1
angin (m/s) Parameter shape:
digunakan
sebagai
patokan
terhadap
estimasi Wind Power. Pengambilan data
hingga tahun 2010. Modul wind turbine
N
N= jumlah data dan
ini mengukur kecepatan angin yang akan
kecepatan angin dimulai tahun 2008
Di mana parameter skala: 1 2N
angin
data dari stasiun BMKG, di mana stasiun
sebagai berikut: b
kecepatan
yang digunakan dalam penelitian ini mempunyai kapasitas 200 watt, 12 volt,
Vi2=
kecepatan
400 rpm. Modul ini digunakan untuk pengambilan
data
kecepatan
angin
terhadap tegangan yang dibangkitkan.
Pengolahan dan manajemen data kecepatan
angin
untuk
lain berbasis rantai Markov dilakukan oleh
mengetahui
Sahin dan Sen (2001). Castino et al. (1998)
kapasitas daya dan energi yang dapat
ditambah proses autoregressive ke rantai
digunakan
listrik
Markov dan simulasi baik kecepatan dan
tenaga angin sangat penting, sehingga
arah angin. Sebuah studi baru-baru ini
dapat digunakan sebagai patokan dalam
(Kitagawa T,2003) menyajikan metode
pengembangan pembangkit listrik di masa
berbasis wavelet untuk menghasilkan data
yang akan datang. Besarnya kecepatan
angin buatan. Distribusi Weibull telah
angin bulanan dari 2008 hingga 2010 di
banyak digunakan untuk meperkirakan
plot ke dalam bentuk garis dan bentuk
data kecepatan angin (Garcia A. 1998 dan
batang,
sebagai
pembangkit
selain
diperhitungkan
itu
probabilitas
Grigoriu
M.
1982).
untuk
mengetahui
pendekatan threshold juga telah umum dalam
Puncak
estimasi
atas
kemampuan kecepatan angin yang dapat
digunakan
quantiles
diubah menjadi pembangkit listrik.
ekstrim data kecepatan angin (Heckert NA et al, 1998, Lechner A, et al, 1993, Pandey
Kecepatan angin harian, mingguan, dan bulanan diambil dari stasiun cuaca
MD, et al. 2001, Simiu E, dan Heckert NA, 1996).
(simiu E,et al, 1982) untuk menentukan desain kecepatan angin. Data kecepatan angin dari daerah yang normal digunakan
4.
Hasil dan Pembahasan
(Cheng dan Chiu, 1985) untuk penentuan
4.1.
Hasil
probabilitas Markov.
transisi
Pendekatan
menggunakan yang
dari BMKG, Sumatera Utara bahwa
digunakan dalam generasi time series
kecepatan angin minimum, rata rata dan
simulasi kecepatan angin dibandingkan
maksimum selama tiga tahun (2008-2010),
dengan Kaminsky et al. (1991). Sfetsos
maka hasil estimasi kecepatan angin
(2000) meneliti sistem inferensi neuro-
menjadi pembangkit listrik masa dapat
fuzzy adaptif dan logika jaringan saraf dan
ditunjukkan pada gambar 1 s/d 7 di bawah
membandingkannya
ini.
autoregressive
alternatif
Berdasarkan data yang diperoleh
dengan
tradisional
model rata-rata
bergerak (ARMA). Dukes dan Palutikof (1995) menggunakan rantai Markov untuk memperkirakan kecepatan angin dengan periode ulang yang sangat panjang. Studi
Gambar 1. Pdf terhadap Wind Speed Gambar 3. Wind Speed Vs Month of the year
Gambar 2. Cdf Vs Wind Speed Gambar 4. Wind Speed Vs Month of the year
Gambar 7. Wind energy density Vs Month of the year
Gambar 5. Power/Energy density Vs Tower height 4.2.
Pembahasan Hasil estimasi potensi Wind Power
menggunakan Matlab dapat
diketahui
bahwa kecepatan angin minimum, rata rata dan maksimum selama tiga (3) tahun mempunyai potensi yang cukup baik ( Allen et al, 1998 dan Yesa, 1999-2003) yaitu di atas 2 m/s, sedangkan daya minimum menghasilkan Gambar 6. Wind Speed Density Vs Month of year
dan
maksimum
12,412
Watt/m2
dapat dan
39,0532 Watt/m2. Hal ini memperlihatkan bahwa pada setiap meter persegi dapat menghasilkan daya sebesar 12,412 watt sampai 39,0532 watt. Besarnya energi listrik yang dapat dihasilkan sebesar 9,2346 KWh/m2 dan 29.0556 KWh/m2, ini berarti bahwa untuk setiap meter persegi dalam setiap jam dapat menghasilkan daya sebesar 9,2346 Kw sampai 29,0556 Kw.
5.
Kesimpulan Berdasarkan simulasi menggunakan Matlab/Simulink,
maka
dapat
diambil kesimpulan sebagai berikut 1. Kecepatan angin minimum, rata rata dan maksimum masing masing sebesar 2,572 m/s, 3,1591 m/s dan 4,167 m/s. 2. Faktor probabilitas kerapatan (Pdf) kecepatan angin sebesar 1,0587. 3. Daya minimum dan maksimum persegi sebesar 12,412 Watt/m2 dan 39,0532 Watt/m2. 4. Energi minimum dan maksimum persegi masing masing sebesar KWh/m2
9,2346
dan
29.0556
2
KWh/m . 5. Kecepatan angin rata rata di Kota Medan
sebesar
3,1591
m/s
mempunyai potensi sangat baik digunakan
sebagai
pembangkit
listrik tenaga bayu/angin, karena mempunyai kecepatan angin rata rata lebih besar dari 2 m/s dari ketentuan Allen et al (1998) dan 2,07 m/s dari Yesa (1999-2003). Pustaka Allen R G, Perrier L S, Raes D and Smith M, (1998). Crop evapotranspiration, Guidelines for computing crop water requirement, Irrigation and Drainage Paper No. 56, FAO, Rome, Italy.
Annamalai. M. Dr. M. Vijaya Kumar.(2012). Modeling & Simulation of Variable Speed Wind Turbine with Resonant DC-DC Converters. International Conference on Power Electronics, Systems and Applications (ICPESA'2012) August 25-26, 2012 Kuala Lumpur (Malaysia). Ayodele T R, Adisa A Jimoh, Josiah L Munda, John T Agee ( 2012). Statistical analysis of wind speed and wind power potential of Port Elizabeth using Weibull parameters. Journal of Energy in Southern Africa . Vol 23 No 2 , May 2012. Castino F, Festa R, Ratto CF.(1998). Stochastic modelling of wind velocities time series. Journal of Wind Engineering and Industrial Aerodynamics ;74–76:141–51. Celik A N (2003). Energy output estimation for small-scale wind power generators using Weibullrepresentative wind data. Journal of Wind Engineering and Industrial Aerodynamics 91 (2003) 693–707. Cheng EDH, Chiu ANL.(1985) Extreme winds simulated from short-period records. ASCE, Journal of Structural Engineering ;111(1):77–94. Cheng EDH, Chiu ANL. (1988). Extreme winds generated from short records in a tropical cyclone-prone region. Journal ofWind Engineering and Industrial Aerodynamics ;28:69–78. Cheng EDH, Chiu ANL. (1990). An expert system for extreme wind simulation.
Journal of Wind Engineering and Industrial Aerodynamics ;36:1235–43. Cheng EDH. (1991). Wind data generator: a knowledge-based expert system. Journal of Wind Engineering and Industrial Aerodynamics ;38:101–8. Dukes M D G, Palutikof JP.(1995). Estimation of extreme wind speeds with very long return periods. Journal ofApplied Meteorology ;34:1950–61. Eminoglu , Ulas and Saffet Ayasun. (2014). Modeling and Design Optimization of Variable-Speed Wind Turbine Systems, Energies 2014, 7, 402-419; ISSN 1996-1073, www.mdpi.com/journal/energies. doi:10.3390/en7010402. Garcia A, Torres JL, Prieto E, De Francisco A. (1998). Fitting wind speed distributions: a case study. Solar Energy ;62(2):139–44. Gowtham S and Ramaprabha R. (2014). Simulation Methodology for Control of PV Wind Hybrid System. International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering. (An ISO 3297: 2007 Certified Organization)
Vol. 3, Issue 4, April 2014. ISSN (Print) : 2320 – 3765. ISSN (Online): 2278 – 8875. Jack W and Langelaan J W (2010). Wind Field Estimation for Small Unmanned Aerial Vehicles. AIAA Guidance, Navigation and Control Conference, Toronto, Canada. American Institute of Aeronautics and Astronautics Paper 2010-8177. Kaminsky F C, Kirchhoff R H, Syu C Y, Manwell J F.(1991). A comparison of alternative approaches for the synthetic generation of a wind speed time series. Transactions of the ASME ;113:280–9. Lucena, A. F. P.; Szklo, A. S.; Schaeffer, R and Dutra, R. M.(2010). The vulnerability of wind power to climate change in Brazil. Renewable Energy, 35, 904-912. Odo F C, Offiah S U and Ugwuoke P E. (2012). Weibull distribution-based model for prediction of wind potential in Enugu, Nigeria. Available online at www.pelagiaresearchlibrary.com. Pelagia Research LibraryAdvances in Applied Science Research; 3 (2):12021208.
