DAYA MAKSIMUM DALAM SISTEM PEMBANGKIT TENAGA SURYA Shahriar Farajdadian, S.M. Hassan Hosseini Departement of Electrical Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran
M. Ichsan Zulfikar 21060116130080
Grace Dinda Ayu A 21060116140092 Sri Bintang Sangga I 21060116130116 Johanes Soritua S 21060116140125 Pendahuluan Karakteristik PV dan Alasan Energi Terbarukan? Non linier Energi terbarukan adalah energi yang berasal dari proses alam Bergantung pada: yang berkelanjutan, seperti: – Iradiasi – Sudut datangnya sinar matahari • Tenaga surya – Suhu • Tenaga angin – Kondisi muatan • Tenaga air Kenapa harus PV? • Panas bumi + Ramah lingkungan Dalam beberapa tahun terakhir, + Tidak mencemari lingkungan ketertarikan pada energi - Efisiensi konversi energi yang terbarukan semakin tinggi salah lemah satunya tenaga surya bahkan dalam skala besar maupun kecil. - Biayanya tinggi - Kurang optimal jika point maksimumnya tidak dilacak Cara PV supaya optimal? • Dengan melakukan maximum power point tracking (MPPT) secara kontinu. • apa itu MPPT? Merupakan sistem konverter DC- DC yang dirancang untuk mengekstrak daya output maksimum dari modul PV. • Daya maksimum dapat dicapai dengan adanya duty cycle konverter DC-DC yang sesuai. • Duty cycle akan mengontrol beban hambatan dari sumber dan kesesuaian resistansi sistem PV internal serta beban resistansi yang terlihat dari sistem PV Metode untuk MPPT? • FLC atau Fuzzy Logic Controllers dipadukan dengan metode FA (Firefly Algorithm) • Pertubation and Observation (P&O) • Fuzzy Controller Particle Swarm Optimization (PSO) • Tegangan fraktional open circuit • Arus fraksional short circuit
Semua metode ini berbeda dalam aspek yang dibutuhkan, seperti
Sensor yang dibutuhkan Tingkat kerumitan Biaya Rentang operasi Tingkat konvergensi Ketepatan tracking terhadap suhu atau iradiasi Perubahan hardware Fractional Voltage Open Circuit Method
• Untuk mencari nilai Vmpp dan Voc yg digunakan adalah
perkiraan (ilmu kira-kira). • K1 adl konstanta yg bergantung pada karakteristik PV dan harus ditentukan sebelum menentukan nilai Vmpp dan Voc utk suhu dan iradiasi matahari yg berbeda. Biasanya bernilai antara 0,71 sampai 0,78. • Utk menghitung Voc, power inverter harus di off-kan beberapa detik dan dalam perhitungan akan selalu ada loss power sebagian. • Sayangnya, metode ini tidak dapat melacak MPP pada turunan gradien atau peningkatan iradiasi sehingga nilai mpp tidak bisa ditentukan secara kontinu. • Nilai MPP yang didapat akan berbeda dg nilai riil karena nilai K1 dihitung secara kira-kira. Fractional Current Short Circuit • K2 dihitung sama seperti K1. nilai k2 biasanya antara 0,78 dan 0,92 • Isc dihitung selama operasi berlangsung (biasanya akan ada saklar tambahan yang terhubung ke power inverter utk memutus secara berkala dan baru bisa menghitung Isc) Neural Networks Method • Dipadukan dengan mikrokontroler • Disebut juga dengan Jaringan Saraf Tiruan (JST) • JST muncul saat yang sama ketika fuzzy logic muncul dan keduanya akan masuk dalam perhitungan. • Dalam jaringan saraf yang rumit, maka akan lebih banyak hidden layers yang digunakan. • Variabel Input yang digunakan Voc, Isc, suhu, iradiasi matahari • Variabel outputnya duty cycle inverter • Kinerja jaringan saraf bergantung pada fungsi yang digunakan di hidden layers pada percobaan dan bobotnya pun disesuaikan dengan prosedur percobaan. • Prosedur percobaan berisi data pola antara input dan output NN dicatat selama periode waktu yang lama sehingga MPP dapat dilacak dg akurat Neural Networks Method
Kekurangannya adalah data percobaan tiap
array dan lokasi PV harus dikumpulkan secara terpisah. Karena karakteristik array PV tergantung pada modelnya sedangkan lokasi PV bergantung pada kondisi cuaca. Utk merancang dan mengoptimalkan bagian fungsi anggota fuzzy diusulkannyalah Algoritma Genetika (GA) dan JST. Utk menggunakan JST membutuhkan berbagai data sistem sebelumnya utk melatih jaringan dan mendapatkan hasil yang diterima. GA membutuhkan perhitungan yg rumit dan memakan waktu lama utk mendapatkan konvergensi Kedua hal diatas, jika dipadukan dengan mikrokontroler konvensional hampir mustahil dilakukan. Maka dari itu, diusulkan Firefly Algorithm (FA) utk merancangn bagian fungsi anggota fuzzy controller agar efektivitasnya meningkat. Karena karakteristik PV adl asimetris maka perilaku sistem akan menentang perubahan bertambah atau berkurang. Permodelan Sel Surya • Karakteristik I-V dalam PV: Electrical Characteristics of The Solar Array • Di penelitian ini, solar system 220V diproduksi oleh Sanyo Electric dg kode VBHN220AA01 utk simulasi
• Utk mengetahui efek iradiasi pada modul, suhu sel harus
dijaga konstan pada suhu 25°C • Untuk menyelidiki pengaruh suhu pada kinerja modul, tingkat iradiasi matahari diasumsikan 1000 W / m2, sedangkan suhunya bervariasi antara 10 dan 70 ° C. Hasilnya ditunjukkan pada Gambar. 4 dan 5. Seperti dapat dilihat, output maksimum kekuatan modul berkurang saat suhu sel meningkat. System Structure and Configuration • Gambar 7 menunjukkan sistem PV lengkap dengan sistem MPPT, modul surya, algoritma MPPT dan konverter DC DC • Unit mengkonversi energi digunakan untuk hubungan sumber daya dg beban • Konverter boost DC DC untuk pengonversian energi • Energi maksimum dpt ditransfer ke beban jika menerapkan kontrol yg tepat utk sinyal PWM • Jika efisiensi 100% maka persamaannya ada di (15)
• Dg mengubah duty cycle maka hubungan impedansi input dg beban melalui
boost converter adalah
• Unit kontrol akan mentransmisikan sinyal PWM ke boost converter utk
melakukan MPPT. • Algoritma MPPT akan menentukan perintah V dari tegangan dan arus sedangkan pengontrol PI akan digunakan utk menghasilkan gating signals Fuzzy Controller Membership Functions A. Fuzzy MPPT Controller using Symmetrical Membership Functions • Kontroller fuzzy mempunyai bagian fungsi anggota input output, mesin inferensi fuzzy, fuzzy rules dan defuzzifier. Most fuzzy controllers receive error and power derivatives regarding voltage and current of the panel as e (t) = Ppv (t) − Ppv (t − Δt), dPpv (t) dVpv (t) or dPpv (t) dIpv (t) as input. • Di studi ini, perubahan daya dan perubahan tegangan dari sel surya dianggap sbg input pengontrol fuzzy. Perubahan perintah tegangan sebagai output dari kontroler fuzzy. • Umumnya, bentuk fungsi bagian anggota fuzzy nya adalah triangular, trapesium, Gaussian simetris, Bellshaped/Sigmoid. Kinerja PV dibagi menjadi 6 operasi area yg berbeda: positive ΔPpv ΔVpv and positive ΔVpv positive ΔPpv ΔVpv and negative ΔVpv Negative ΔPpv ΔVpv and positive ΔVpv. Negative ΔPpv ΔVpv and positive ΔVpv. zero ΔPpv zero ΔVpv Pada gambar 10 dapat dilihat bahwa ketika titik operasi jauh dari MPP seperti titik A atau B maka perubahan ΔVpv lebih besar untuk MPPT cepat. Disisi lain, ketika titik operasi dekat ke MPP, seperti C atau D maka perubahan ΔVpv lebih kecil untuk mengurangi osilasi steady state.
Metode defuzzikasi dalam penelitian ini adalah
metode Centroid diwakili dalam persamaan (17). Yi adalah hasil inferensi dari aturan fuzzy ith, Xi adalah output dari aturan fuzzy ith dan YCOG adalah output dari kontroler fuzzy. MPPT fuzzy controller using asymmetric fuzzy controller Di bagian ini, fungsi keanggotaan asimetris untuk input ΔPpv digunakan untuk meningkatkan kinerja pengontrol yang diusulkan. Gambar 13 menunjukkan contoh kurva P-V untuk array surya yang digunakan untuk merancang asimetris pengontrol fuzzy MPPT. Untuk menyelesaikan implementasi FA untuk mengoptimalkan parameter bagian fungsi anggota ΔPpv, langkah-langkah berikut harus diikuti: 1. Memilih Parameter 2. Inisialisasi FA 3. Simulasi 4. Evaluasi percobaan 5. Updating best personal dan global data 6. Updating status fireflies 7. Menentukan konvergensi Optimization of fuzzy membership functions 1. Firefly optimization algorithm Penelitian terkini menunjukkan bahwa FA lebih efisien dalam banyak program bahkan lebih baik daripada algoritma lainnya termasuk PSO (Chatterjee et al., 2012). FA adalah salah satu metode kawanan intelijen dan meta-heuristik algoritma yang terinspirasi oleh alam dan digunakan di hampir semua teknik area optimasi dan masalah NP-Hard. Algoritma ini milik sekelompok algoritma acak yaitu pencarian acak digunakan untuk dapatkan serangkaian solusi. FA di level terendah berfokus pada menghasilkan solusi dalam ruang pencarian dan memilih solusi terbaik untuk bertahan hidup. Ada dua masalah penting dalam FA: perubahan kecerahan dan formulasi daya tarik. 2. Distance and displacement 3. PSO algorithm Algoritma optimisasi meta heuristik disebut dg metode PSO. Dalam algoritma ini, inisial populasinya harus teregenerasi. This speed equation is represented based on • three main components including: • Cognitive component Pbest: best local particle (inside a specific neighborhood or best position of the particle) • Cumulative component Gbest: best public particle (status of the best particle among particles) • Speed component Simulation results Kesimpulan 1. Dalam tulisan ini, pengontrolan fuzzy logic simetris dan asimetris untuk MPPT dari sistem PV dan hasilnya dibandingkan dengan P&O. 2. Untuk mengoptimalkan FLC dan mengubah menjadi FLC asimetris maka PSO dan FA digunakan. Hasil menunjukkan metode MPPT konvensional mempunyai kinerja dinamis yg lebih lemah dan hanya bekerja dg baik di tingkat iradiasi tinggi 800 dan 1000 W/m2. 3. Hasil simulasi menunjukkan bahwa di tingkat iradiasi presentasi error MPP utk fuzzy asimetris-FA adalah 0,0907-1,542% ; utk Fuzzy asimetris-PSO sebesar 0,18-3,192% ; fuzzy simetris senilai 0,7303-3,67% 4. Nilai pada kesimpulan nomor 3 menunjukkan bahwa FLC simetris berkerja dg baik pada tingkat iradiasi yg tinggi, memiliki fluktuasi output daya yg cukup besar dari PV array di tingkat iradiasi 600 dan 400 W/m2. 5. Hasil presentasi error MPP utk fuzzy simetris sebesar 11,5737% ; Hasil asimetris FLC menunjukkan bahwa kinerjanyadi tingkat iradiasi tinggi dan menengah itu layak. 6. Jika PSO digunakan untuk mengoptimalkan fungsi keanggotaan fuzzy, maka tingkat fluktuasi diamati pada daya output PV pada media tingkat iradiasi; tetapi fluktuasi ini tidak diamati jika FLC dioptimalkan dengan FA digunakan. Hasil simulasi menunjukkan bahwa, pada 600 W / m2 tingkat iradiasi persentasi error MPP untuk Asimetris Fuzzy-FA Algoritma adalah 7,8037% dan untuk Asimetris Fuzzy –PSO adalah 11,0191%. Ini menunjukkan kinerja FA yang lebih baik dibandingkan dengan PSO di optimalisasi fungsi keanggotaan fuzzy.