RANCANG BANGUN SISTEM PENGENDALIAN SUDUT PITCH TURBIN ANGIN HORIZONTAL AXIS BERBASIS PARTICLE SWARM OPTIMIZATION (PSO)

Abstrak—Peranan minyak bumi sebagai sumber energi begitu besar dan terus berlanjut, sedangkan cadangannya semakin menipis. Sehingga diperlukan energi alternatif yang mampu membantu menyediakan kebutuhan energi di Indonesia. Salah satu sumber energi alternatif yang potensial adalah energi angin. Tetapi di Indonesia kecepatan angin relatif berubah-ubah tergantung pada letak geografisnya. Solusi dari permasalahan tersebut adalah dengan mengaplikasikan sistem pengendalian sudut pitch pada turbin angin. Pada penelitian ini digunakan metode Particle Swarm Optimization (PSO) PID Controller untuk mengendalikan sudut pitch pada blade turbin angin. Sehingga diharapkan pada berbagai kecepatan angin, nilai kecepatan sudut rotor turbin tetap stabil dan terjaga pada daerah kerja optimal. PSO adalah algoritma heuristic modern berbasis populasi yang terinspirasi dari perilaku gerakan kawanan hewan seperti lebah. Hasil penelitian uji performansi menunjukkan bahwa turbin angin mempunyai nilai Cp rata-rata sebesar 0.5714, lebih kecil 0.0209 dari Beltz Number. Hasil tuning PSO didapatkan parameter Kp sebesar 0.4176 dan Kd sebesar 0.1159. Pada kondisi real plant, kontroler PSO-PID pada kondisi steady memiliki standart deviasi respon rata-rata sebesar 0.81. Dibandingkan dengan FLC dan JST, PSO mampu mencapai berapapun nilai setpoint yang ditentukan, namun mempunyai settling time yang lama dibandingkan dengan JST dan FLC.

Kata Kunci: Particle Swarm Optimization (PSO), turbin angin

I. PENDAHULUAN

etersediaan energi di masa depan merupakan permasalahan yang senantiasa menjadi perhatian semua bangsa. Sampai saat ini, minyak bumi masih merupakan sumber energi yang utama dalam memenuhi. Peranan minyak bumi yang besar tersebut terus berlanjut, sedangkan cadangannya semakin menipis. Sehingga diperlukan energi alternatif yang mampu membantu menyediakan kebutuhan energi di Indonesia. Salah satu sumber energi alternatif yang potensial adalah energi angin. Akan tetapi permasalahan yang dihadapi menunjukkan bahwa potensi angin di Indonesiaberkecapatan antara 0-5 m/s dan pada suatu daerah tertentu relatif berubah-ubah bergantung pada letak geografis.

Solusi dari permasalahan tersebut adalah dengan mengaplikasikan sistem pengendalian pada turbin angin yang menyangkut pengendalian sudut pitch. Dengan adanya sistem pengendalian pada turbin angin horizontal axis, maka daya generator yang dihasilkan tetap stabil dan generator tetap bekerja pada daerah optimal. Pada penelitian ini akan digunakan metode Particle Swarm Optimization (PSO) PID

Controller untuk mengendalikan sudut pitch pada blade turbin angin. Sehingga diharapkan pada berbagai kecepatan angin, nilai kecepatan sudut rotor turbin tetap stabil dan terjaga pada daerah kerja optimal.

Permasalahan pada penyusunan Tugas Akhir ini

adalah bagaimana merancang dan membangun sistem

turbin angin untuk wilayah dengan kecapatan angin

rendah serta bagimana performansi

Particular Swarm

Optimization (PSO)

dibandingkan dengan Jaringan

Syaraf Tiruan (JST) dan

Fuzzy Logic Controller

(FLC)

pada plant turbin angin

Horizontal Axis

.

II. TURBIN ANGIN

Salah satu energi terbarukan yang berkembang pesat di dunia saat ini adalah energi angin. Akan tetapi secara umum, pemanfaatan tenaga angin di Indonesia kurang mendapat perhatian. Sampai tahun 2004, kapasitas terpasang dari pemanfaatan tenaga angin hanya mencapai 0.5 MW dari 9.29 GW potensi yang ada. Padahal kapasitas pembangkitan listrik tenaga angin di dunia telah berkembang pesat dengan laju pertumbuhan kumulatif sampai dengan tahun 2004 melebihi 20 persen per tahun. Dari kapasitas terpasang 5 GW pada tahun 1995 menjadi hampir 48 GW pada akhir tahun 2004 tersebar dalam 74,400 turbin angin di sekitar 60 negara[3]_.

Gambar 1. Milestone PLT Bayu[3]

Prinsip dasar bahwa sebuah turbin angin dapat berputar pada porosnya adalah karena adanya vektor dari gaya lift dan gaya drag yang dihasilkan akibat bentuk aerodinamis dari penampang blade tersebut. Pada gambar 2 dijelaskan ketika sebuah air foil terkena angin dari arah depan, maka akan menghasilkan vektor gaya lift (L) dan drag (D). Gaya lift dan

RANCANG BANGUN SISTEM PENGENDALIAN SUDUT

PITCH

TURBIN ANGIN

HORIZONTAL AXIS

BERBASIS

PARTICLE SWARM OPTIMIZATION

(PSO)

Sunarto, Ali Musyafa’

Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)

Jl. Arief Rahman Hakim, Surabaya 60111

E-mail

: musyafa@ep.its.ac.id

gaya drag ini perubahannya dipengaruhi langsung oleh bentuk geometri blade, kecepatan dan arah angin terhadap garis utama

blade. Akibat dari perubahan gaya lift dan drag, maka kecepatan sudut dan torsi poros akan berubah pula. Sistem pengendalian kemiringan sudut blade adalah salah satu mekanisme kontrol pada turbin angin yang bekerja dengan mengontrol aerodinamis dari blade melalui kontrol kemiringan sudut blade terhadap arah tiupan angin (angle of attack) seperti tampak pada gambar 2, perubahan sudut blade

ini akan mempengaruhi kecepatan sudut (RPM) dari shaft

karena adanya perubahan jumlah daya tiup angin yang diterima oleh blade yang dikonversi menjadi kecepatan putar

shaft

Gambar 2. Vektor Gaya Pada Air Foil dengan Angle of Attack Berbeda[4]

Daya adalah energi per satuan waktu. Daya angin berbanding lurus dengan kerapatan udara, dan kubik kecepatan angin, seperti diungkapkan dengan persamaan berikut:

(1) Untuk menganalisis seberapa besar energi angin yang dapat diserap oleh turbin angin, digunakan Teori Momentum Elementer Betz. Secara sederhana, teori momentum elementer

Betz didasarkan pada pemodelan aliran dua dimensi angin yang mengenai rotor turbin angin. Kecepatan aliran udara berkurang dan garis aliran membelok ketika melalui rotor. Berkurangnya kecepatan aliran udara disebabkan sebagian energi kinetik angin diserap oleh rotor turbin angin. Pada kenyataannya, putaran rotor menghasilkan perubahan kecepatan angin pada arah tangensial yang akibatnya mengurangi jumlah total energi yang dapat diambil dari angin

Gambar 3. Model aliran dari teori momentum Beltz[4]

Energi dapat diambil dari angin dengan mengurangi kecepatannya, artinya kecepatan udara dibelakang rotor akan lebih rendah dari pada kecepatan didepan rotor. Energi

mekanik yang diambil dari angin satuan waktu didasarkan pada perubahan kecepatannya dinyatakan dalam persamaan:

(2) dengan asumsi massa jenis tidak mengalami perubahan, maka sesuai dengan hukum kontinuitas:

Maka:

(3) Rasio perbandingan antara keluaran daya mekanik yang telah diubah dari energi angin dengan daya yang terkandung pada angin Po disebut dengan “power coefficient”Cp dengan

persamaan:

(4) Dengan , maka besarnya effisiensi teoritis atau maksimum dari turbin angin Cp sebesar 0.5923. Sehingga daya angin maksimum yang dapat diekstrak oleh turbin angin dengan luas sapuan rotor A adalah,

(5) Nilai Cp untuk satu tipe turbin angin tidak selalu sama karena nilai Cp merupakan fungsi dari tip speed ratio atau λ. Untuk mengetahui nilai Cp maksimal yang mampu dihasilkan oleh sebuah turbin angin, maka perlu diketahui terlebih dahulu berapa nilai tip speed ratio yang dihasilkan. Melalui persamaan 5 dapat dilakukan perhitungan nilai tip speed ratio.

(6)

III. PARTICULAR SWARM OPTIMIZATION (PSO)

Menurut James Kennedy dan Russel Eberhart (1995),

Particle swarm optimization (PSO) adalah salah satu algoritma

heuristic modern berbasis populasi yang terinspirasi dari perilaku gerakan kawanan hewan seperti ikan (school of fish), hewan herbivor (herd), dan burung (flock) dalam mencari makanan. Mereka bergerak secara bersamaan dalam suatu kelompok dan bukan tiap individu. selanjutnya tiap objek hewan disederhanakan menjadi sebuah partikel. Suatu partikel dalam ruang memiliki posisi yang dikodekan sebagai vektor koordinat. Vektor posisi ini dianggap sebagai keadaan yang sedang ditempati oleh suatu partikel di ruang pencarian. Setiap posisi dalam ruang pencarian merupakan alternatif solusi yang dapat dievaluasi menggunakan fungsi objektif yangmana setiap partikel bergerak dengan kecepatan v[5]_.

Menurut Alrijadjis (2010), PSO sendiri merupakan salah satu teknik optimasi dan termasuk jenis teknik komputasi evolusi. Metode ini memiliki robust yang bagus untuk memecahkan persoalan yang mempunyai karakteristik

nonlinier dan nondifferentiability, multiple optima, dimensi besar melalui adaptasi yang diturunkan dari teori psychologi-sosial.

Gambar 4. Diagram alir algoritma dasar PSO[6]

Persamaan PSO dinyatakan dalam:

(7) (8)

Inertia weight dapat dibuat konsta dengan harga antara 0.2 – 0.9.

Dari persamaan PSO, terbagi dalam tiga bagian utama[5]_:

Momentum Part :

Kecepatan partikel tidak dapat berubah secara bebas, melainkan mengalami perubahan melalui kecepatan sekarang

Cognitive part :

Merupakan bagian pengalaman partikel, belajar dari pengalaman partikel itu sendiri.

Social part :

Merupakan kerja sama antar partikel, belajar dari pengalaman partikel-partikel lain.

Menurut Rochmatulah (2009), fungsi fitness (f(x)) digunakan untuk mengetahui seberapa baik posisi yang telah ditentukan. Fungsi ini memiliki domain vektor posisi x dengan keluaran berupa nilai tertentu yang menunjukkan seberapa baik vektor posisi x. makin baik nilainya, makin dekat posisi tersebut dengan solusi. Dengan fungsi ini, posisi-posisi yang telah ditemukan bisa dibandingkan kedekatannya dengan solusi yang dicari. Fungsi fitness berbeda pada tiap-tiap permasalahan bergantung pada masalah yang dihadapi.

IV. METODOLOGI PENELITIAN

Langkah-langkah untuk mencapai tujuan penelitian tentang sistem pengendali sudut pitch pada blade turbin angin berbasis particle swarm optimimization (PSO) digambarkan dalam diagram alir pada gambar 5.

Gambar 5. Diagram alir penelitian

A. Pemodelan Dinamik Turbin Angin

Pemodelan turbin angin sendiri didasarkan pada jurnal

Dr. John E. Sneckenberger

dalam

Modelling and

Control Of a Wind Turbine as a Distributed Resource

,

yang mana pada proses pemodelannya dilakukan linearisasi

dengan Taylor series. Secara umum untuk memodelkan wind turbin didapatkan dari persamaan energi kinetik yang melewati

blade turbin angin.

Linearisasi model dinamik persamaan turbin angin diperlukan karena mode kontrol yang digunakan adalah proportional-integral-derivative (PID) yang mana bekerja dalam sistem linier, karena itu model dinamik dari turbin yang

non-linier harus dilinierkan. Linearisasi dari persamaan dinamik turbin angin adalah[1]

Perbaikan Turbin Angin dan pemodelan dinamik turbin angin Mulai

Integrasi dan Sinkronisasi Hardware serta Software

Berhasil?

Pengujian Performansi Sistem

Respon sistem memenuhi kriteria ?

Analisa Data dan Pembahasan

Selesai Tidak Ya Ya Tidak Analisa Kegagalan

Perancangan dan Pembuatan Hardware Elemen Pengendali (realisasi kontrol PID dalam bahasa C & pembuatan HMI)

Tuning PID berbasis PSO

(realisasi algoritma PSO dalam matlab, penentuan parameter PSO, pembuatan simulink berdasarkan model wind turbine

penelitian sebelumnya dan penentuan parameter PSO )

Penyusunan Laporan Ya

Sehingga kecepatan putar turbin angin didefinisikan sebagai (9)

Gambar 6. Diagram blok model plant turbin angin[1]

Sehingga model matematis turbin angin dinyatakan dalam persamaan:

(10) B. Pemodelan Aktuator

Untuk menggerakkan blade turbin angin dibutuhkan tiga buah motor servo. Pemodelan aktuator dipresentasikan dalam persamaan:

Km adalah gain aktuator yang didapatkan dari persamaan:

τs adalah time konstan yang didapatkan dari datasheet servo

GWS S-125 sebesar 0.21/60o. Sehingga transfer fungsi aktuator adalah.

(11) C. Pemodelan Transmitter

Transmitter yang digunakan adalah optointerrupter yang menghasilkan sinyal kotak karena adanya rotary encoder 20 lubang yang dikopel dengan poros turbin angin. Settling time

didapat dari datasheet optointerruptor sebesar 10ms. Dari

datasheet optointerruptor, didapatkan nilai gain Kt adalah perbandingan antara span keluaran dengan span masukan.

Sehingga fungsi transfer optointerruptor adalah

(12)

Setelah memodelkan plant, aktuator dan transmitter maka pemodelan sistem keseluruhan turbin angin adalah.

Gambar 7. Pemodelan dinamik turbin angin

Gambar 8. Pemodelan plant, transmitter dan aktuator

V. PENGUJIANDANANALISA

Analisa terhadap kinerja turbin angin dilakukan dengan pengujian open loop. Hal ini ditujukan untuk mengetahui performansi sistem. Pada simulasi open loop ini digunakan masukan berupa sinyal uji step bernilai 1, nilai ini mempresentasikan besarnya Pulse Per Second (PPS) yaitu 0.33 kecepatan putar (RPM) turbin angin.

0 50 100 150 200 250 0 0.5 1 1.5 2 2.5 Time P P S

Gambar 9.Hasil pengujian open loop sistem turbin angin

Untuk melakukan tuning PID dengan PSO, maka langkah pertama yang harus dilakukan adalah penentuan jumlah individu dalam suatu populasi, penentuan nilai posisi dan kecepatan, penentuan jumlah iterasi serta penentuan nilai bobot inersia.

0 10 20 30 40 50 60 70 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 Time P P S W= 0.9 W= 0.7 W= 0.6 W= 0.5 W= 0.4 W= 0.2

Gambar 10. Hasil pengujian close loop sistem turbin angin dengan bobot inersia berbeda.

Tabel 1. Pengaruh Bobot Inersia Terhadap Indek Performansi

w=0.2 w=0.4 w=0.5 w=0.6 w=0.7 w=0.9 Kp 0.5145 0.4855 0.2285 0.388 0.5147 0.4176 Ki 0 0 0 0 0 0 Kd 0.0009 0.0226 0.1713 0.0401 0.001 0.1159 IAE 2.463 1.26 1.15 0.9481 2.465 0.6966 ISE 1.347 0.5746 0.6369 0.4355 1.349 0.3784

ITEM rata-rata PSO

Parameter PID Indeks Performansi

Dari tabel 1 dijelaskan bahwa nilai bobot inersia terbaik terletak pada nilai 0.9, hal tersebut didasarkan dari nilai indeks performansi terkecil terdapat pada bobot inersia sebesar 0.9. Namun nilai bobot inersia sebesar 0.9 tersebut tidaklah berlaku terhadap semua sistem. Berdasarkan aturan standart PSO, nilai bobot inersia ditetapkan dalam rentang 0.2-0.9. Untuk grafik respon sistem pada gambar 10.

0 10 20 30 40 50 60 70 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 Time P P S n= 25 n= 40 n= 50

Gambar 11. Grafik respon close loop dengan variasi jumlah individu

Selanjutnya dilakukan uji respon terhadap pengaruh jumlah individu dalam populasi dan jumlah iterasi. Jumlah individu ditetapkan sejumlah 25, 40 dan 50 dengan jumlah iterasi sebesar 50 dan nilai bobot inersia sebesar 0.9. Untuk grafik respon sistem pada gambar 11.

Tabel 2. Pengaruh Jumlah Individu Terhadap Indek Performansi

0 20 40 60 80 100 120 140 -4 -2 0 2 4 6 8 10 Time P P S PSO MPSO ZN BG BG-PSO

Gambar 12. Grafik respon close loop tuning PSO, MPSO, ZN, BG dan PSO-BG

Analisa terhadap sistem pengendalian sudut pitch dilakukan dengan melihat respon tracking setpoint sistem.

0 100 200 300 400 500 600 0 5 10 15 20 25 30 35 time p p s

Gambar 13. Uji tracking setpoint PSO-PID Tabel 3. Analisa Respon Kontroller PSO-PID

Set Point Maksimum

Overshoot

Rata-rata kondisi

steady

Settling

Time (detik) STDEV ITAE*

20 5% 19.4178 98 0.7498 35825

30 3.30% 29.1812 175 0.7841 183650

40 2.50% 38.5465 566 0.8961 585943

Perbandingan penggunaan Particular Swarm Optimization (PSO), Fuzzy Logic Controller (FLC) dan Jaringan Saraf Tiruan (JST) ditujukan untuk mengetahui performansi dari tiap-tiap kontroller sehingga diketahui jenis kontroller terbaik yang sesuai digunakan pada turbin angin.

0 100 200 300 400 500 600 700 800 900 0 5 10 15 20 25 30 35 Waktu(detik) P P S Set point respon

Gambar 14. Uji tracking setpoint pada mode kontrol JST

ITEM Rata-rata PSO iterasi=50

n=25 n=40 n=50 Parameter PID Kp 0.1468 0.5075 0.4176 Ki 0 0 0 Kd 0.3937 0.007 0.1159 Indeks Performansi IAE 3.035 1.852 0.6966 ISE 1.6 0.9304 0.3784

0 50 100 150 200 250 300 350 400 450 500 0 5 10 15 20 25 30 35 W A K T U ( s ) P P S RESPON SETPOINT

Gambar 15. Uji tracking setpoint pada mode kontrol FLC

Diketahui bahwa tiap-tiap metode kontrol mempunyai kelebihan dan kekurangan masing-masing. Penggunaan PSO mempunyai nilai Error steady State (ess) yang lebih kecil dibanding dengan FLC dan JST pada semua nilai setpoint, namun menghasilkan settling time paling lama. FLC mempunyai nilai maksimum overshoot paling rendah dibandingkan dengan PSO dan fuzzy. Sedangkan JST mempunyai nilai settling time paling rendah dibandingkan dengan FLC dan PSO, namun mode kontrol ini tidak mampu mencapai setpoint diatas 20 pps.

Tabel 4 Perbandingan PSO, FLC dan JST

Set Point (PPS) 20 30 40 Maksimum Overshoot (%) PSO 5 3.3 2.5 FLC 5 0 0 JST 20 0 0 Rata-rata Kondisi Steady PSO 19.42 29.18 38.55 FLC 20.84 28.61 38.18 JST 19.76 26.39 32.58

Settling Time (s) PSO 98 175 566

FLC 30 98 148 JST 73 80 94 STDEV PSO 0.75 0.784 0.896 FLC 1.027 0.973 1.05 JST 1.47 1.52 1.89 ITAE* PSO 35825 200000 600000 FLC 10925 30887 392750 JST 29666 81350 184630 VI. KESIMPULAN

Setelah dilakukan penelitian rancang bangun sistem pengendalian sudut pitch blade prototype turbin angin berbasis Particular Swarm Optimization (PSO) disimpulkan:

1. Berdasarkan uji performansi turbin angin pada variasi kecepatan angin, menunjukkan bahwa turbin angin mempunyai performansi yang sangat bagus karena mempunyai nilai Cp rata-rata sebesar 0.5714. Nilai tersebut lebih kecil 0.0209 dari maksimum nilai Cp yang dikemukakan oleh Beltz, yakni sebesar 0.5923.

2. Setelah dilakukan pemodelan dinamik turbin angin dan tuning PID dengan PSO didapatkan parameter Kp=0.4176 dan Kd=0.1159. Pada kondisi real plant, kontroler PSO-PID pada kondisi steady memiliki standart deviasi respon rata-rata sebesar 0.81. Dibandingkan

dengan FLC dan JST, PSO mampu mencapai berapapun nilai setpoint yang ditentukan, namun mempunyai settling time yang lama dibandingkan dengan JST dan FLC.

UCAPANTERIMAKASIH

Terimakasih yang sebesar-besarnya disampaikan kepada laboratorium pengukuran fisis yang telah menyediakan tempat demi terlaksananya penelitian tugas akhir.

DAFTARPUSTAKA

[1] Abbas, Furat A.R. dkk.., 2010. Simulation of Wind-Turbine Speed Control by MATLAB. International Journal of Computer and Electrical Engineering.

[2] Alrijadjis, dkk. 2010. Optimasi Kontroler PID Berbasis Algoritma Particle Swarm Optimization (PSO) Untuk Sistem dengan Waktu Tunda. Surabaya. Institut Teknologi Sepuluh Nopember. Thesis [3] ____. Blueprit Pengelolaan Energi Nasional 2006-2025,

Kementrian Energi dan Sumber daya Mineral. Peerintah Republik Indonesia

[4] Fingers, L.J. dkk.. 2008. Advance Control Design for Wind Turbines. National Renewable Energy Laboratory (NREL). U.S. Department of Energy

[5] Rochmatullah, 2009. Modifikasi Fuzzy Neuro Learning Vector Quantization Menggunakan Particle swarm Optimization Untuk Sistem Penciuman Elektronik. Jakarta. Universitas Indonesia. Thesis [6] Sneckenberger, John, E dkk..2003. Modeling and Control of a Wind

Turbine as a Distributed Resource. IEEE

[7] Zerda, Evi Rea. 2009. Analisis dan Penerapan Algoritma Particle Swarm Optimization (PSO) Pada Optimasi Penjadwalan Sumber Daya Proyek. Bandung. Institut Teknologi Telkom. Tugas Akhir.