DESAIN KONTROLER FUZZY

OPTIMAL UNTUK MENDAPATKAN

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
Energi Terbarukan?
Energi terbarukan adalah energi
yang berasal dari proses alam
yang berkelanjutan, seperti:
• Tenaga surya
• Tenaga angin
• Tenaga air
• Panas bumi
Dalam beberapa tahun terakhir,
ketertarikan pada energi
terbarukan semakin tinggi salah
satunya tenaga surya bahkan
dalam skala besar maupun kecil.
Karakteristik PV dan Alasan
 Non linier
 Bergantung pada:
– Iradiasi
– Sudut datangnya sinar matahari
– Suhu
– Kondisi muatan
Kenapa harus PV?
+ Ramah lingkungan
+ Tidak mencemari lingkungan
- Efisiensi konversi energi yang
lemah
- 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.