PROJECT

KAPITA SELEKTA INSTRUMENTASI DAN KONTROL

Estimasi dengan Observer dan Kalman Filter pada Turbin Angin

Disusun oleh :
Fadhil Arya Dhiwanto 02311640000024

DEPARTEMEN TEKNIK FISIKA

FAKULTAS TEKNOLOGI INDUSTRI DAN REKAYASA SISTEM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
2020

1
 Daftar Isi

Daftar Isi .....................................................................................................................................................2

I. Pemodelan Turbin Angin ...................................................................................................................3
1.1 Pemodelan DFID ...................................................................................................................3
1.2 Pemodelan PMSM ................................................................................................................3
II. Observer...............................................................................................................................................4
III. Kalman Filter ......................................................................................................................................5
Algoritma Kalman Filter ...........................................................................................................................5
IV. Estimasi Dengan Observer .................................................................................................................6
4.1 Hasil Simulasi dengan MATLAB .......................................................................................................7
V. Estimasi Dengan Kalman Filter ........................................................................................................8
Daftar Pustaka ..........................................................................................................................................11

2
I. Pemodelan Turbin Angin
Pemodelan turbin angin yang akan saya gunakan terdapat 2 tinjauan, yaitu pemodelan
matematis dari Doubly Feed Induction Generator (DFID) dan Permanent Magnet Synchronous
Motor (PMSM) dikarenakan sistem turbin yang saya gunakan dalam projek ini menggunakan
2 sistem yang berbeda yaitu DFID dan PMSM [1].
Berikut ini adalah penjelasan symbol-simbol yang digunakan dalam proyek ini

1.1 Pemodelan DFID

Berikut ini adalah pemodelan untuk sistem DFID

Dimana

Berikut ini adalah parameter-parameter yang digunakan dalam proyek ini berdasarkan
jurnal yang saya kutip

1.2 Pemodelan PMSM

Berikut ini adalah pemodelan untuk PMSM

3
 Berikut ini adalah parameter yang digunakan untuk memodelkan PMSM

II. Observer
Observer merupakan sistem yang dapat mengestimasi variabel dari sebuah sistem yang
dinyatakan dalam bentuk ruang keadaan. Dengan adanya observer state dari sebuah sistem
dapat diketahui berdasarkan input serta pengukuran output. Cara kerja observer dengan meniru
sistem yang sebenarnya lalu melakukan estimasi terhadap variabel yang tidak dapat diamati
dengan sensor berdasarkan variabel lain yang dapat diamati dengan sensor.Berikut merupakan
persamaan umum dari observer

Dimana 𝑥merupakan state observer, 𝐴 ∈ 𝑅 𝑚𝑥𝑚 , 𝐵 ∈ 𝑅 𝑚𝑥𝑛 , serta 𝐶 ∈ 𝑅𝑛𝑥𝑚

𝑒 = error estimasi

𝐾𝑒 = 𝐿 = gain observer
Ketika output observer dikurangkan dengan output dari plant lalu dikalikan dengan
matriks L dan dijumlahkan dengan persamaan state sistem maka ini disebut sebagai Observer
atau Luenberger Observer. Observer mengkoreksi estimasi dengan feedback dari error
estimasi. Eror estimasi yang akan digunakan sebagai feedback untuk mengoreksi sistem agar
model sistem mendekati dengan nilai yang diinginkan. Disturbance Observer merupakan
modifikasi dari Luenberger Observer dengan adanya penambahan state vector 𝑑 atau yang
disebut sebagai disturbance. Adapun state estimasi yang dihasilkan oleh Disturbance Observer
yaitu arus, fluks, dan disturbance tersebut. Dalam perancangan estimator pada Disturbance
4
Observer, nilai estimasi 𝜔𝑟 dipengaruhi dari state fluks estimasi dan state disturbance estimasi.
III. Kalman Filter
Kalman filter banyak digunakan dalam berbagai aplikasi. Fungsi dari kalman filter itu
sendiri adalah sebagai estimator yang handal dalam berbagai sistem yang digunakan. Kalman
filter dapat digunakan untuk mengestimasi sistem yang linear. Dalam perkembangannya, untuk
sistem yang lebih kompleks dengan persamaan matematis yang linier, kalman filterr
dimodifikasi agar dapat mengestimasi sistem yang non linier, modifikasi kalman filter ini ada
yang dinamakan extended kalman filter (EKF), franctional kalman filter (FKF), dan juga
uncented kalman filter (UCF).
Secara umum, kalman filter banyak digunakan sebagai estimator dalam berbagai
permasalahan, karena kalman filter sendiri memiliki keunggulan yaitu kemampuannya
mengestimasi state pada waktu lampau, sekarang, maupun diwaktu mendatang, bahkan ketika
karakteristik spesifik dari model yang akan diestimasi tidak diketahui.

Algoritma Kalman Filter

Model Sistem dan Model Pengukuran

Xk+1 = AkXk + Bk Uk + Wk

Zk = HkXk + Vk

X0 ~ N (X0 , Px0); Wk ~N(0, Qk); Vk ~N (0,Rk)

Inisialisasi

X0 = X0, P0 =Pxo

Tahap Prediksi

Estimasi: X̂ k̄ +1 = Ak X̂ +BkUk

Kovariansi error : Pk̄ +1 = Ak Pk ATk + Qk

Tahap Koreksi

Kalman Gain : Kk+1 = Pk̄ +1 HTk +1(Hk+1 Pk̄ +1 HTk +1 + Rk+1)-1

Estimasi : X̂ k+1 = X̂ k̄ +1 + Kk+1(Zk+1-Hk+1 X̂̄ k+1)

Kovariansi error : Pk+1 = [ I - Kk+1Hk+1] Pk̄ +1

5
IV. Estimasi Dengan Observer
Persamaan model matematis yang didapat dari sistem DFIG dan PMSM diubah
bentuknya menjadi bentuk diskrit. Maka di bawah ini adalah hasil dari penggabungan sistem
tersebut.

6
4.1 Hasil Simulasi dengan MATLAB
Berikut adalah hasil simulasi pada software MATLAB :

Gambar 4. 1 Hasil Simulasi dari Sensor Arus tanpa ada kesalahan sensor

Gambar 4. 2 Hasil Simulasi dari Sensor Arus dengan ada kesalahan sensor

7
V. Estimasi Dengan Kalman Filter
Berikut adalah hasil simulasi dengan menggunakan MATLAB :

Gambar di atas menunjukan error residual yang dihasilkan ketika kesalahan sesnsor diterapkan

8
 Gambar di atas menunjukan error residual yang dihasilkan ketika kesalahan sensor tidak
diterapkan

9
 Gambar di atas mennujukan hasil residual augmentasi Kalman filter ketika kesalahan
sensor tidak diterapkan.

Kesimpulan dari jurnal ini adalah penggunaan Kalman filter untuk mendeteksi kesalahan
sensor telah diilustrasikan. Kemudian, deteksi dan isolasi beberapa kesalahan sensor diatasi
menggunakan bank filter Kalman dalam Skema Pengamat Umum. Kesalahan sensor simultan ditangani
oleh Skema Pengamat Khusus. Semua kesalahan ganda dan simultan terdeteksi dan terletak dengan
skema pengamat yang disesuaikan.

10
 Daftar Pustaka

Bibliography

[1] ,. M. ,. D. b. ,. M. R.Saravanakumara, "Simulation of Sensor Fault Diagnosis for Wind Turbine

Generators," Energy Procedia, pp. 494-505, 2014.

11
12