Rancang Bangun Sistem Prediksi Pembangkit Listrik Tenaga Surya Secara Mobile Berbasis Logika Fuzzy di PT. GMN Tuban Jawa Timur

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)

1

Rancang Bangun Sistem Prediksi Pembangkit Listrik Tenaga Surya Secara Mobile Berbasis Logika Fuzzy di PT. GMN Tuban Jawa Timur Abu Bakar Abdul Karim Al Mukmin dan Hendra Cordova Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail: [email protected] Abstrak— Kebutuhan sebuah alat untuk memonitor kinerja pembangkit listrik tenaga surya setiap saat tanpa terkendala jarak dan waktu sangat diperlukan. Untuk itu dibutuhkan sebuah sistem yang bisa melakukannya secara mobile. Selain bisa mobile, sistem ini harus bisa handal dalam memprediksi daya. Sistem prediksi tersebut digunakan untuk mengukur daya yang keluar dari PV karena sangat diperlukan untuk memperkirakan daya jangka pendek selanjutnya. Pada penelitian ini digunakan logika fuzzy sebagai short-term forecasting dengan tambahan variabel input suhu dan kelembapan. Nilai output dari fuzzy tersebut adalah faktor koreksi untuk kurva daya pada hari yang sama sebelumnya untuk membentuk hari perkiraan. Faktor koreksi tersebut diaplikasikan pada setiap hari yang sama dan memperbaiki kurva daya pada hari yang sama. Perkiraan daya untuk hari yang selanjutnya kemudian dihitung dengan merataratakan perbaikan kurva daya pada hari yang sama sebelumnya.. Dari hasil pemrosesan logika fuzzy menggunakan software MATLAB, didapatkan bahwa perkiraan daya cukup baik dengan RMSE<10% walaupun masih ada beberapa perkiraan yang nilai RMSE>10%. Kata Kunci— Daya, Fuzzy, Mobile, Prediksi, Fotovoltaik.

S

I. PENDAHULUAN

ebuah survey yang disponsori oleh Shell Indonesia, diadakan pada Hari Bumi yang jatuh pada tanggal 22 April 2013, menunjukkan bahwa 4 dari 5 orang responden Indonesia sangat peduli akan kebutuhan energi di masa yang akan datang. Survey ini juga menunjukkan bahwa responden Indonesia lebih memilih berbagai sumber daya energi untuk memenuhi kebutuhan energi di masa yang akan datang [1]. Energi surya merupakan sumber energi masa depan yang paling banyak dipilih (46%), bersaing erat dengan gas alam (43%), sebuah bahan bakar fosil dengan pembakaran lebih bersih dan merupakan sekutu dari energi terbarukan. Pemerintah pun sadar akan hal ini dan memberikan bantuan kepada masyarakat dalam bentuk pembangkit listrik tenaga surya (PLTS). Salah satunya adalah di Bangka Belitung. Namun, Menurut anggota Komisi III DPRD Bangka Belitung, Didit Srigusjaya, PLTS di Bangka Belitung dipasang begitu saja tanpa ada perawatan berkelanjutan [2]. Sehingga, bila ada PLTS rusak warga setempat tidak mampu memperbaikinya. Bila dibiarkan terus menerus maka PLTS yang rusak akan terbengkalai.

Kebutuhan sebuah alat untuk memonitor kinerja pembangkit listrik tenaga surya setiap saat tanpa terkendala jarak dan waktu sangat diperlukan. Untuk itu dibutuhkan sebuah sistem yang bisa memonitornya secara mobile. Selain bisa mobile, sistem ini harus bisa handal dalam memprediksi daya. Sistem prediksi pembangkit listrik tenaga surya secara mobile yang berupa serangkaian mikrokontroller dan sms gateway dibuat untuk memenuhi kebutuhan ini. Mikrokontroller yang digunakan adalah arduino. Rangkaiannya berupa 3 buah input tegangan, 3 buah sensor arus, 1 buah sensor kelembapan, 1 buah sensor irradiansi, dan 1 buah sensor suhu yang terletak di panel surya. Sistem prediksi tersebut digunakan untuk mengukur daya dari PV karena sangat diperlukan untuk memperkirakan daya jangka pendek selanjutnya dan kepraktisan dalam pengoprasiannya. Alat prediksi ini belum dilengkapi dengan fitur pengiriman data secara mobile. Untuk itu, sms gateway diperlukan untuk melakukan pengiriman data dari plant menuju server. Pada penelitian sebelumnya, peningkatan efisiensi atau optimasi baterai dilakukan dengan mengontrol charge dan discharge baterai. Tetapi parameter dari kontrol tersebut hanya arus dan tegangan dari atau ke baterai saja. Dengan metode kontrol ini terdapat beberapa kekurangan salah satunya kurang fleksibel sehingga jika ada kondisi di luar set point susah untuk dikendalikan [3]. Oleh karena itu, pada penelitian ini digunakan logika fuzzy sebagai short-term forecasting dikarenakan beberapa kelebihan antara lain algoritmanya yang sederhana sehingga mudah dimengerti, fleksibel dan mampu memodelkan fungsi non linear yang kompleks dengan tambahan variabel input seperti suhu dan kelembapan. II. PERANCANGAN SISTEM MONITORING A. Penentuan Variable Berpengaruh pada forecast Penentuan variabel yang mempunyai pengaruh besar terhadap perkiraan beban sangat diperlukan sebelum merancang logika fuzzy nya. Sistem ini juga harus mampu mengumpulkan data di lingkungan sekitar yang mempengaruhi keluaran daya oleh PV. Maka variabel yang paling relevan adalah variabel cuaca yang dapat diwakilkan oleh variabel suhu dan kelembapan [5]. Jadi berikut beberapa variabel yang berpengaruh, yaitu nilai per-jam dari daya keluaran PV, suhu, dan kelembapan yang


2

didapatkan dari historical data dari perusahaan dan data cuaca dari sensor DHT11. Tabel 1 Variable berpengaruh pada forecast Variabel Nilai Kisaran Tegangan (V) 0 - 320 Arus (A) 0 - 100 Suhu (°C) 0 - 50 Kelembapan (%RH) 20 - 90 B. Perancangan Logika Fuzzy Perancangan Algoritma fuzzy pada matlab ini dimaksudkan untuk mempermudah perancangan yang akan dirancang pada arduino. Sistem inferensi fuzzy yang digunakan untuk mengevaluasi kesamaan antara hari-hari perkiraan sebelumnya dan hari yang sama sebelumnya dalam faktor koreksi [6]. Faktor koreksi ini digunakan untuk mengoreksi hari yang sama dengan hari perkiraan untuk memperoleh perkiraan daya keluaran PV. untuk mengevaluasi tingkat kesamaan ini, tiga variabel input fuzzy untuk sistem inferensi fuzzy didefinisikan.

Dimana dan adalah rata-rata daya dari hari perkiraan sebelumnya dan hari yang sama sebelumnya. , , , menunjukkan suhu dan kelembapan yang berkaitan. , , dibagi menjadi 3 nilai set fuzzy; Low (L), Medium (M), High (H). Fungsi keanggotan dari masing-masing input dan output dijelaskan pada gambar berikut:

Gambar 1 Fungsi keanggotaan dari variable input

Gambar 2 Fungsi keanggotaan dari variable output yang merupakan Nilai output dari fuzzy tersebut adalah faktor koreksi untuk kurva daya pada hari yang sama sebelumnya untuk membentuk hari perkiraan. diaplikasikan pada setiap hari yang sama dan memperbaiki kurva daya pada hari yang sama. Perkiraan daya untuk hari yang selanjutnya kemudian dihitung dengan merata-ratakan perbaikan kurva daya pada hari yang sama sebelumnya. 1

1

Dimana merupakan waktu jam (nilai 1 sampai 24), merupakan jumlah hari yang sama, adalah hari yang sama, adalah daya keluaran di waktu pada hari yang sama. C. Pengujian Logika Fuzzy menggunakan MATLAB Algoritma perkiraan beban plant yang diterapkan dalam arduino adalah logika fuzzy. Masukan Fuzzy berupa daya yang keluar dari 3 titik : PV, AC Inverter, Battery Inverter. Dan input sensor temperatur dan kelembapan. Masukan itu akan diolah dalam inference engine dengan metode if-then. Keluaran sistem fuzzy berupa perkiraan beban pada hari berikutnya. Berikut merupakan rentang parameter nilai input dan nilai output dari fungsi keanggotaan fuzzy. Tabel 2 Parameter fungsi keanggotaan variable input Selisih Daya Selisih Suhu Selisih Kelembapan -1600, 1600 -50, 50 -70 , 70

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) Tabel 3 Parameter fungsi keanggotaan variable output

3

Humidity (%RH)

100

Temperature (°C)

Nilai

80 60 40 20

0:00 1:15 2:30 3:45 5:00 6:15 7:30 8:45 10:00 11:15 12:30 13:45 15:00 16:15 17:30 18:45 20:00 21:15 22:30 23:45

0

Waktu (jam:menit)

Gambar 4 Grafik data cuaca di Tuban

D. Perancangan dan Pengerjaan Hardware Dalam tahap ini diintegrasikan sensor-sensor dengan arduino UNO dan modul GSM. Ada 3 titik daya yang akan dipasang degan sensor arus, yaitu di antara baterai dengan inverter baterai, di antara array sel surya dengan inverter AC, dan di antara kedua inverter tersebut. Hal ini dimaksudkan agar perhitungan daya dapat diketahui sumbernya, apakah dari tenaga surya secara langsung atau dari baterai (pada saat malam hari). Berikut gambaran dari perangkat sistem prediksi.

Dari Gambar 4.1 terlihat semakin rendah suhu maka semakin tinggi kelembapannya. Pada pagi hari pada saat mulai pengambilan data, cuaca mendung setelah hujan sehingga dapat dilihat suhu cukup rendah (28°C – 30ºC) dan kelembapan cukup tinggi (80% - 90%). Suhu tertinggi terdapat pada sore hari mencapai titik suhu 36°C dengan kelembapan 80%. Data daya keluaran PV diambil menggunakan data logger yang dihubungkan ke pusat kontrol PLTS. Hal ini dilakukan untuk mendapatkan data yang valid dari kurva daya yang sebenarnya dari sistem PLTS tersebut. Pengambilan data dilakukan oleh data logger berkala setiap 1 menit. Data yang diukur adalah data arus yang keluar dari inverter baterai, tegangan inverter baterai, arus dari inverter PV, dan tegangan inverter PV. 1600 1400 1200

Daya (Watt)

1000 800 600 400 200

Gambar 3 Diagram hardware sistem prediksi

0:00 1:15 2:30 3:45 5:00 6:15 7:30 8:45 10:00 11:15 12:30 13:45 15:00 16:15 17:30 18:45 20:00 21:15 22:30 23:45

0

Waktu (jam:menit) Gambar 5 Grafik daya keluaran PV III. DATA HASIL MONITORING Data cuaca diambil selama 24 jam menggunakan sensor DHT11 yang terhubung dengan mikrokontroller arduino dan kemudian datanya disimpan secara berkala ke dalam komputer. Perekaman data dilakukan setiap 15 menit mulai dari pukul 00:00 hingga pukul 23:45. Sensor diletakkan di luar ruangan untuk mengetahui keadaan cuaca lingkungan luar dari PLTS.

IV. PENGUJIAN LOGIKA FUZZY Hasil dari pengambilan data tersebut diolah menggunakan software MATLAB. Input pertama adalah yang merupakan selisih daya hari ini dengan hari yang sama sebelumnya. Input kedua adalah yang merupakan selisih suhu hari ini dengan hari yang sama sebelumnya. Input ketiga adalah yang merupakan selisih kelembapan hari ini dengan hari yang sama sebelumnya. Outputnya berupa faktor koreksi seperti berikut ini.

Forecasted Power Measured Power

Daya (Watt)

Waktu (Jam:Menit) Gambar 8 Grafik prediksi daya keluaran PV hari Rabu


0:00 1:15 2:30 3:45 5:00 6:15 7:30 8:45 10:00 11:15 12:30 13:45 15:00 16:15 17:30 18:45 20:00 21:15 22:30 23:45


1600 1500 1400 1300 1200 1100 1000 900 800 700 600 500 400 300 200 100 0

Waktu (Jam:Menit) Gambar 9 Grafik prediksi daya keluaran PV hari Kamis

Waktu (Jam:Menit) Gambar 7 Grafik prediksi daya keluaran PV hari Selasa

1600 1500 1400 1300 1200 1100 1000 900 800 700 600 500 400 300 200 100 0


0:00 1:15 2:30 3:45 5:00 6:15 7:30 8:45 10:00 11:15 12:30 13:45 15:00 16:15 17:30 18:45 20:00 21:15 22:30 23:45

1600 1500 1400 1300 1200 1100 1000 900 800 700 600 500 400 300 200 100 0

0:00 1:15 2:30 3:45 5:00 6:15 7:30 8:45 10:00 11:15 12:30 13:45 15:00 16:15 17:30 18:45 20:00 21:15 22:30 23:45

Daya (Watt)

Waktu (Jam:Menit) Gambar 6 Grafik prediksi daya keluaran PV hari Senin

1600 1500 1400 1300 1200 1100 1000 900 800 700 600 500 400 300 200 100 0

4

0:00 1:15 2:30 3:45 5:00 6:15 7:30 8:45 10:00 11:15 12:30 13:45 15:00 16:15 17:30 18:45 20:00 21:15 22:30 23:45


Daya (Watt)

1600 1500 1400 1300 1200 1100 1000 900 800 700 600 500 400 300 200 100 0

0:00 1:15 2:30 3:45 5:00 6:15 7:30 8:45 10:00 11:15 12:30 13:45 15:00 16:15 17:30 18:45 20:00 21:15 22:30 23:45

Daya (Watt)

Faktor koreksi tersebut kemudian digunakan untuk menghitung perkiraan daya hari yang sama pada minggu setelahnya. Seperti yang telah dibahas pada bab sebelumnya, faktor koreksi tersebut ditambahkan dengan nilai 1 yang kemudian dikalikan dengan daya pada hari yang sama sebelumnya. Setelah diproses data-data tersebut kemudian dimasukkan dalam perangkat lunak microsoft excel, tujuannya adalah untuk didapatkan grafik perbandingan data perkiraan daya dengan data daya aslinya. Grafik yang didapatkan dalam analisa ini ada 7 grafik yaitu grafik perkiraan daya keluaran PV selama 1 minggu penuh. Grafiknya dapat dilihat sebagai berikut.

Daya (Watt)


Waktu (Jam:Menit) Gambar 10 Grafik prediksi daya keluaran PV hari Jumat

1600 1500 1400 1300 1200 1100 1000 900 800 700 600 500 400 300 200 100 0


0:00 1:15 2:30 3:45 5:00 6:15 7:30 8:45 10:00 11:15 12:30 13:45 15:00 16:15 17:30 18:45 20:00 21:15 22:30 23:45

Daya (Watt)


Waktu (Jam:Menit) 1600 1500 1400 1300 1200 1100 1000 900 800 700 600 500 400 300 200 100 0


0:00 1:15 2:30 3:45 5:00 6:15 7:30 8:45 10:00 11:15 12:30 13:45 15:00 16:15 17:30 18:45 20:00 21:15 22:30 23:45

Daya (Watt)

Gambar 11 Grafik prediksi daya keluaran PV hari Sabtu

Waktu (Jam:Menit) Gambar 12 Grafik prediksi daya keluaran PV hari Minggu Akan tetapi untuk mengetahui dengan jelas tingkat keakuratan hasil perkiraan daya ini perlu dilakukan perhitungan nilai kesalahan. Untuk perhitungan nilai kesalahan pada estimator paling baik adalah dengan RMSE atau Root Mean Squarred Error. Yaitu dengan mengkuadratkan setiap kesalahan yang kemudian dirata-ratakan dan pada akhirnya diakarkan.

∑

∆

Hasil perhitungan RMSE pada prediksi keluaran daya selama 1 minggu adalah sebagai berikut. Tabel 4 Nilai RMSE perkiraan daya dalam 1 minggu No Hari RMSE 1 Senin 11.64698393 2 Selasa 9.032820917

3 4 5 6 7

5

Rabu Kamis Jumat Sabtu Minggu

13.64404538 12.25764425 11.24705563 8.945254296 7.374976735

Dapat dilihat bahwa nilai RMSE pada hari yang berbeda juga berbeda pula tingkat kesalahannya. Kesalahan terbesar adalah pada perkiraan daya keluaran PV pada hari rabu dengan nilai RMSE sebesar 13.64 persen. Hal ini dapat terjadi karena fluktuasi dari kurva beban dinamis sementara faktor cuaca tidak berubah secara signifikan. Kejadian seperti ini bisa dikarenakan langit yang berawan atau terdapat masalah terhadap perangkat sistem pengukuran. Sementara terdapat tiga hari perkiraan daya keluaran yang kesalahannya cukup memenuhi tujuan, yaitu dibawah 10 persen. Prediksi yang baik itu ada pada hari selasa dengan nilai RMSE sebesar 9.03 persen, kemudian hari sabtu dengan nilai RMSE sebesar 8.95 persen, dan yang terakhir pada hari minggu dengan nilai RMSE sebesar 7.35 persen. Dengan hasil ini, bisa diindikasikan bahwa sistem prediksi daya keluaran PV bisa melakukan tugasnya namun masih butuh optimasi lagi agar dalam 1 minggu seluruh perkiraan bisa mempunyai tingkat kesalahan yang kecil dengan nilai RMSE dibawah 10 persen. Dikarenakan kegagalan sistem setelah minggu ketiga penelitian, maka kebutuhan data untuk perhitungan perkiraan daya yang diperluas pun tidak dapat dilakukan. Karena itu kami mencoba menggunakan historical data dari pembangkit listrik selama beberapa bulan kebelakang. Berikut adalah perhitungan nilai RMSE dari perkiraannya. Tabel 5 Nilai RMSE perkiraan daya historical data No Durasi Data RMSE 1 2 bulan 6.996670218 2 3 bulan 7.515509433 3 4 bulan 7.152465648 4 5 bulan 7.605316192 Dapat dilihat bahwa penambahan panjangnya data dapat mengurangi tingkat kesalahan hingga dibawah 10 persen. Namun tingkat kesalahan tidak dapat secara stabil menurun secara sebanding karena seperti yang dibahas pada subbab sebelumnya, fluktuasi daya keluaran tdiak cukup diatasi dengan variabel cuaca. Dibutuhkan variabel lain untuk menyempurnakan model sistem prediksi daya ini. V. KESIMPULAN Dari hasil perekaman data suhu dan kelembapan, didapatkan hasil bahwa perubahan suhu tidak selalu signifikan jika dilihat tiap jamnya (hanya sekitar 1 hingga 3 derajat) sedangkan perubahan kelembapan sangat signifikan berkisar antara 38% paling kecil hinggal 92% paling besar. Tingkat pengaruhnya pada perkiraan daya lebih berat pada kelembapan daripada suhu. Dari hasil pemrosesan logika fuzzy untuk memperikirakan daya keluaran PV menggunakan software MATLAB,

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) didapatkan bahwa perkiraan daya cukup baik dengan nilai kesalahan pada 3 hari dalam 1 minggu mencapai RMSE kurang dari 10 persen. Namun 4 hari perkiraan yang lainnya masih nilai kesalahnnya belum mencapai tujuan. Ini dikarenakan adanya fluktuasi daya yang dinamis dan tidak teratasi oleh faktor cuaca. Setelah dilakukan perhitungan dengan historical data hingga 5 bulan kebelakang, didapatkan bahwa nilai kesalahan RMSE turun hingga kurang dari 10 persen, namun nilai itu tidak dapat stabil turun secara periodik. Didapatkan bahwa pada penambahan historical data justru meningkatkan sedikit error. Dibutuhkan variabel lain yang bisa mengatasi dinamika fluktuasi daya. DAFTAR PUSTAKA [1] [2] [3] [4] [5]

[6]

Kebutuhan Energi Masa Depan Dianggap Sangat Penting oleh Responden Indonesia dalam Survey Energi Shell, “shell.co.id”, Juni 2013. [Online]. [Accessed June 2014]. Banyak PLTS Dibiarkan Terbengkalai, Gunung Kidul, “kompas.com”, Agustus 2009. [Online]. [Accessed June 2014]. Irwan Fachrurrozi. “Perancangan Sistem Monitoring Dan Optimasi Berbasis Labview Pada Pembangkit Listrik Tenaga Surya Dan Angin”. Proceeding Seminar Tugas Akhir Jurusan Teknik Elekto FTI – ITS, 2010. Eugene A. Feinberg, Dora Genethliou. “Applied Mathematics For Power Systems”. Chapter 12 : Load Forecasting. State University of New York, Stony Brook, 2003. E. Srinivas, Amit Jain. “A Methodology for Short Term Load Forecasting Using Fuzzy Logic and Similarity”. The National Conference on Advances in Computational Intelligence Applications in Power, Control, Signal Processing and Telecommunications (NCACI-2009), Bhubaneswar, India, March 20-22, 2009. Amit Jain, E. Srinivas, Rasmimayee Rauta, “Short Term Load Forecasting using Fuzzy Adaptive Inference and Similiarity” IEEE Nature Biologically Inspired Computing, 2009.`

6

Rancang Bangun Sistem Prediksi Pembangkit Listrik Tenaga Surya Secara Mobile Berbasis Logika Fuzzy di PT. GMN Tuban Jawa Timur

Recommend Documents