Smart PV Solar Tracking System Menggunakan Metode BP-NN
(Back Propagation Neural Network)
R. Y. Adhitya, Sryang T. Sarena, Rachmad A. Atmoko, Dana Hartono
Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri Surabaya, Jl. Teknik Kimia, Kampus ITS Sukolilo, Surabaya 60111
Abstrak
Dengan rendahnya efisiensi konversi energi pada sel surya, solar tracking menjadi sangat esensial untuk memaksimalkan penangkapan cahaya matahari pada panel surya. Pada penelitian ini, telah dirancang dan dibangun prototipe sistem solar tracker. Masukan terhadap sistem ini berupa data intensitas cahaya yang diperoleh dari Light Dependent Resistor (LDR). Pergerakan dari solar tracker ini berdasarkan dari selisih pembacaan sensor untuk memutuskan arah putaran dan kecepatan yang didapat menggunakan metode Back Propagation Neural Network. Sebagai perbandingan, keluaran dari prototipe ini dibandingkan dengan keluaran dari panel surya yang stasioner. Hasil dari penelitian ini terbukti mampu memaksimalkan penangkapan cahaya matahari yang berpengaruh dalam produksi energi listrik. Prototipe ini menghasikan keluaran 6,79 % lebih banyak dibandingkan dengan panel surya stasioner.
Kata kunci: Solar tracker, PV, BP-NN
PENDAHULUAN
Pemanasan global semakin nyata. Temperatur permukaan bumi yang terus meningkat, mulai terjadi secara drastis sejak terjadinya revolusi industri (J.Hansen dkk., 2010). Para peneliti menemukan bahwa penyebab utama pemanasan global adalah emisi gas rumah kaca atau green house gases (GHG) oleh manusia (National Geographic, 2016). Karena sebagian besar GHG berasal dari proses pembakaran bahan bakar fosil pada kendaraan, pabrik dan pembangkitan listrik, maka pemakaian energi terbarukan dalam membangkitkan listrik adalah salah satu cara untuk menurunkan emisi GHG.
Salah satu energi terbarukan yang banyak digunakan untuk membangkitkan listrik adalah cahaya matahari, terutama pada sel surya atau photovoltaic (PV). Indonesia merupakan lokasi yang sangat strategis untuk pemakaian PV, karena secara geografis berada tepat pada garis katulistiwa sehingga mendapat sinar matahari yang melimpah sepanjang tahun. Bentuk negara Indonesia yang berupa negara kepulauan semakin menegaskan kebutuhan akan penggunaan energi terbarukan untuk membangkitkan listrik, karena secara ekonomi dan keamanan, interkoneksi pembangkit listrik konvensional antar pulau-pulau kecil dan terpencil sangat tidak efisien.
Pada umumnya, sel surya memiliki efisiensi sebesar 11-15%. Pada tahun 2015, efisiensi sel surya maksimum yang telah tercapai pada penelitian di lab adalah sebesar 46% (Z.H. Kafafi dkk., 2015). Nilai efisiensi ini menunjukkan rasio antara keluaran berupa besarnya energi listrik yang didapat terhadap masukan sel surya berupa cahaya & panas dari matahari. Dapat terlihat bahwa energi listrik yang dihasilkan akan menjadi semakin kecil jika cahaya matahari yang mengenai sel surya tidak maksimal, karena kedua hal tersebut berbanding lurus. Untuk memaksimalkan penangkapan cahaya matahari pada panel surya (modul yang berisi beberapa sel surya), digunakan alat yang disebut solar tracker. Alat ini akan mengarahkan panel surya menuju pancaran cahaya matahari terkuat berdasarkan data intensitas cahaya yang diterima.
Pada penelitian ini, dirancang dan dibangun prototipe sistem solar tracker. Masukan terhadap sistem ini berupa data intensitas cahaya yang diperoleh dari Light Dependent Resistor (LDR). Arah pergerakan dan kecepatan dari solar tracker ini berdasarkan dari selisih pembacaan sensor yang diproses menggunakan metode Back Propagation Neural Network. Sebagai perbandingan, keluaran dari prototipe ini akan dibandingkan dengan keluaran dari panel surya yang stasioner. Penelitian ini merupakan awal dari penelitian jangka panjang dalam rangka memaksimalkan produktifitas sel surya.
JARINGAN SYARAF TIRUAN (NEURAL NETWORK)
Jaringan syaraf tiruan merupakan bagian dari teknologi artificial intelligence. Jaringan syaraf tiruan adalah sebuah mesin yang dirancang untuk mempolakan cara kerja otak menggunakan sebuah fungsi tertentu. Untuk mendapatkan hasil yang baik, jaringan syaraf tiruan menggunakan hubungan yang besar antara sel-sel
Jaringan syaraf tiruan dikarakteristikkan dengan pola koneksi antar neuron yang disebut arsitektur, metode penentuan bobot pada setiap koneksinya (yang disebut training atau learning, algoritma) dan fungsi aktivasinya. Jaringan syaraf terdiri dari elemen pemroses sederhana yang dinamakan neuron, unit, sel atau node. Jaringan syaraf dapat diaplikasikan untuk masalah yang sangat luas, seperti penyimpanan dan pemanggilan kembali data atau pola, mengklasifikasian pola, menampilkan pemetaan secara umum dari pola input menjadi pola output, mengelompokkan pola yang sama, atau menemukan solusi optimal dari suatu masalah. Setiap neuron mempunyai fungsi aktivasi atau level aktivitas, yang merupakan fungsi dari input yang telah diterima. Neuron mengirimkan aktivasinya sebagai sebuah sinyal ke beberapa neuron yang lain. Ciri utama yang dimiliki oleh jaringan syaraf tiruan adalah kemampuannya untuk belajar. Belajar (learning) pada jaringan syaraf tiruan dapat diartikan sebagai proses penyesuaian parameter pembobot karena keluaran yang diinginkan tergantung pada harga pembobot interkoneksi yang dimiliki oleh sel (Irina A. Belova dkk., 2015).
Proses belajar akan dihentikan jika nilai kesalahan atau MSE (Mean Square Error) / RMSE (Root Mean Square Error) sudah dianggap cukup kecil untuk semua pasangan data training. Prosedur yang digunakan untuk menampilkan proses pembelajaran disebut algoritma pembelajaran dimana fungsinya memodifikasi bobot sinapsis pada jaringan dalam sebuah cara yang teratur untuk mencapai rancangan objek yang diinginkan. Kemampuan JST untuk belajar dan memperbaiki dirinya telah menghasilkan banyak algoritma atau aturan belajar alternatif yang dapat digunakan, dari sekian banyak aturan yang ada, yang paling sering digunakan adalah aturan belajar backpropagation (BP) yang termasuk kategori supervised learning yang dapat digunakan memperbaiki kinerja jaringan syaraf tiruan. Gambar 1 adalah struktur utama jaringan syaraf tiruan yang terdiri dari input layer, hidden layer dan output layer.
Gambar 1. Struktur Jaringan Syaraf Tiruan
METODOLOGI
Untuk mendapatkan cahaya matahari yang lebih optimum pada penelitian ini dirancang suatu sistem solar tracker sehingga sel surya dapat digerakkan sesuai dengan arah berjalannya matahari. Arah berjalannya matahari ditentukan melalui pembacaan sensor, karena variabel kendali adalah intensitas cahaya maka sensor yang digunakan adalah Light Dependent Resistor LDR. LDR menghasilkan tegangan analog yang sesuai atau linear dengan intensitas cahaya yang diterima, tegangan analog yang dihasilkan diterminasikan dengan fasilitas ADC (Analog to Digital Converter) pada mikrokontroller. Untuk selanjutnya pembacaan sensor ini dipakai sebagai masukan struktur BP-NN yang telah tertanam pada mikrokontroller. Struktur BP-NN menghasilkan keluaran berupa arah dan kecepatan yang harus ditempuh sel surya untuk mendapatkan intensitas cahaya matahari yang optimum.
Pada penelitian ini menggunakan panel surya dengan kapasitas 10WP, struktur penyangga solar tracker dibangun dengan material plat besi dengan ketebalan 1 mm, penggerak utama menggunakan motor DC 12 volt, 2 buah sensor LDR untuk sistem umpan balik pada motor. Untuk mendapatkan pembacaan sensor LDR dengan resolusi yang sesuai dengan fasilitas ADC pada mikrokontroller diperlukan rangkaian tambahan. Rangkaian
Data yang dibutuhkan pada penelitian ini adalah data tegangan dan arus, oleh karena itu pada sistem hardware menggunakan sensor efek hall ACS712 dengan kapasitas pembacaan arus hingga 5 Ampere dan sensor tegangan yang menggunakan prinsip pembagi tegangan dengan kapasitas pembacaan hingga 25 VDC. Untuk sistem catu daya motor dan mikrokontroller menggunakan catu daya eksternal dengan bantuan DC power supply 220VAC/12VDC, sedangkan catu daya mikrokontroller diambil dari USB PC (personal computer). Sehingga melalui penggunaan catu daya eksternal, pengisian batterai dapat dioptimalkan tanpa adanya gangguan dari beban yang bersifat dinamis. Batterai yang digunakan memiliki kapasitas 12 VDC dengan arus keluaran hingga 6 ampere. Berikut solar tracker yang telah dirancang pada penelitian ini:
Gambar 2. Prototipe solar tracker
Metode neural network terlebih dahulu dilatih dengan menggunakan bantuan software MATLAB. Data training yang digunakan adalah data pembacaan sensor LDR 1 dan LDR 2 terhadap pergerakan motor dari berbagai kondisi. Asumsi yang digunakan, jika pembacaan nilai ADC sensor adalah sama maka posisi matahari tepat berada di titik pusat panel surya. Dan apabila terjadi selisih maka akan dilihat terlebih dahulu, apakah nilai ADC sensor LDR 1 lebih kecil dari sensor LDR 2, jika sensor LDR 1 lebih kecil maka motor akan bergerak berlawanan jarum jam (ccw). Cepat atau lambatnya pergerakan motor bergantung pada selisih pembacaan sensor semakin besar selisih maka kecepatan motor bertambah, sebaliknya semakin sedikit selisihnya maka putaran motor lambat. Hal ini juga berlaku pada kondisi jika nilai sensor LDR 2 lebih kecil, maka motor akan berputar searah jarum jam (cw).
Total keseluruhan data training adalah 121 data, sebelum tahap training dilakukan terlebih dahulu keseluruhan data dinormalisasi menggunakan metode minmax normalization.
min max min 0
x
x
x
x
x
x
n n
, dimana : Xn = nilai data normal.Xo = nilai data sekarang / aktual Xmin = nilai minimum data aktual Xmax = nilai maksimum data aktual
Normalisasi merupakan metode untuk merubah kisaran data asli ke dalam kisaran -1 sampai dengan, dimana kisaran data tersebut sesuai dengan kisaran data yang digunakan jaringan syaraf tiruan. Proses training menggunakan bantuan software matlab menunjukkan dari total 1000 iterasi yang telah ditentukan, kondisi performa yang diinginkan tercapai pada saat iterasi ke - 20, dengan akar kuadrat kesalahan rata – rata 2.2747 x 10-5, pada gambar 3 menunjukkan proses iterasi awal hingga kondisi yang diinginkan tercapai.
HASIL DAN PEMBAHASAN
Pada tahap ini pengujian performa alat dilakukan dengan membandingkan antara smart solar tracker dengan static solar panel. Pengambilan data dilakukan pada hari selasa tanggal 15 november 2016 mulai pukul 07.00 sampai dengan 09.00. Lokasi pengujian di gedung M lantai 4 Politeknik Perkapalan Negeri Surabaya. Data yang disimpan adalah nomor sampling, tanggal, waktu, daya smart solar tracker (V1,I1,P1) dan daya static solar panel (V2,I2,P2). Interval sampling data adalah 1 detik. Data hasil pengujian untuk kedua panel surya ditampilkan pada tabel 2, kemudian mean dari data dicari untuk menentukan perbedaan kapasitas daya yang dihasilkan. Pada tabel 1 berikut adalah tabel mean data untuk setiap variabel.
Tabel 1. Mean Data
V1 I1 P1 V2 I2 P2
mean 20.175842 0.099945 2.017077 19.87049 0.095075 1.888782
.Tabel 2. Hasil Data Akhir
no tanggal waktu V1 I1 P1 V2 I2 P2 1 15-Nov-16 07.07.54 20.8 0.33 6.864 20.43 0.01 0.2043 2 15-Nov-16 07.07.55 20.8 0.15 3.12 20.43 0.22 4.4946 3 15-Nov-16 07.07.56 20.8 0.09 1.872 20.38 0.01 0.2038 4 15-Nov-16 07.07.57 20.82 0.09 1.8738 20.41 0.09 1.8369 5 15-Nov-16 07.07.58 20.8 0.17 3.536 20.41 0.22 4.4902 6 15-Nov-16 07.07.59 20.77 0.04 0.8308 20.41 0.01 0.2041 7 15-Nov-16 07.08.00 20.77 0.44 9.138801 20.38 0.09 1.8342 8 15-Nov-16 07.08.01 20.77 0.01 0.2077 20.41 0.04 0.8164 9 15-Nov-16 07.08.02 20.82 0.09 1.8738 20.41 0.04 0.8164 10 15-Nov-16 07.08.03 20.8 0.15 3.12 20.38 0.07 1.4266 11 15-Nov-16 07.08.04 20.72 0.07 1.4504 20.38 0.2 4.076 12 15-Nov-16 07.08.05 20.75 0.28 5.81 20.41 0.12 2.4492 13 15-Nov-16 07.08.06 20.75 0.09 1.8675 20.38 0.01 0.2038 14 15-Nov-16 07.08.08 20.77 0.01 0.2077 20.33 0.12 2.4396 15 15-Nov-16 07.08.09 20.77 0.07 1.4539 20.36 0.04 0.8144 16 15-Nov-16 07.08.10 20.8 0.28 5.824 20.38 0.12 2.4456 17 15-Nov-16 07.08.11 20.75 0.04 0.83 20.36 0.01 0.2036 18 15-Nov-16 07.08.12 20.75 0.17 3.5275 20.41 0.09 1.8369 19 15-Nov-16 07.08.13 20.75 0.09 1.8675 20.36 0.09 1.8324 20 15-Nov-16 07.08.14 20.75 0.12 2.49 20.33 0.09 1.8297 ... ... ... ... ... ... ... ... ... 7045 15-Nov-16 09.10.09 19.79 0.04 0.7916 19.26 0.01 0.1926
Dari hasil perhitungan rata – rata data untuk setiap variabel dapat dilihat smart solar tracker lebih dominan dalam hal kapasitas daya yang dihasilkan yaitu 2,017077 Watt/s atau 7,261478 kW/h. Sedangkan static solar panel menghasilkan kapasitas daya rata – rata 1,888782 Watt/s atau setara 6,799616 kW/h. Dengan persentase perbedaan kapasitas daya rata-rata perjam adalah 6,79 %. Sehingga dapat dikatakan bahwa smart solar tracker lebih efisien 6,79% dari static solar panel.
Perbedaan yang cukup signifikan juga dapat diamati dari standar deviasi atau simpangan yang dihasilkan dari populasi data yang ada.
n X X s 2 2 1 ) (
, dimanaTabel 3. Standar Deviasi Daya
tegangan arus Daya sd 0.347739 0.10356 2.076736
Selisih yang signifikan dapat dilihat pada tabel 3, deviasi atau simpangan data antara smart solar tracker dan static solar panel adalah 0,347739 volt, 0,10356 ampere dan 2,076736 watt untuk setiap sampling data. Berikut pada Gambar 4 adalah grafik komparasi antara smart solar tracker dan static solar panel.
Gambar 4. Grafik Komparasi Daya
Secara visual melalui pengamatan grafik, pola sebaran data smart solar tracker (daya1/grafik biru) lebih mendominasi jika dibandingkan dengan grafik static solar panel (daya2/grafik merah).
KESIMPULAN
Pada penelitian ini telah dibuat suatu sistem solar tracker. Aplikasi jaringan syaraf tiruan telah berhasil diterapkan untuk kendali pergerakan smart solar tracker dengan tingkat efisiensi kapasitas daya rata – rata yang dihasilkan 6,79 % lebih optimal jika dibandingkan dengan static solar panel. Parameter standar deviasi daya dengan perbedaan 2,076736 watt antar kedua alat serta dominasi sebaran pola data yang sangat dominan menjadikan teknologi smart solar tracker sangat berpotensi untuk dikembangkan di tahun berikutnya. Perbaikan perlu dilakukan dalam hal mekanik untuk pemilihan motor supaya pergerakan panel lebih presisi sehingga kapasitas daya rata – rata dapat ditingkatkan.
UCAPAN TERIMA KASIH
Ucapan terimakasih ditujukan kepada Unit P3M PPNS atas dana DIPA PPNS 2016.
DAFTAR PUSTAKA
Hossein Ranjbar. et al, 2015. Neural Network based Global Maximum Power Point Tracking under partially shaded condition. 23rd Iranian Conference on Electrical Engineering (ICEE).
Irina A. Belova. et al, 2015. Neural Network Control Algorithm for StandAlone Solar Cell Electrical Energy Conversion System. 16th International Conference on Micro/Nanotechnologies and Electron Devices EDM 2015.
J. Hansen, R. Ruedy, M. Sato, dan K. Lo, 2010. Global surface temperature change, Reviews of Geophysics American Geophysical Union, Paper number 2010 RG000345
National Geographic, 2016. Causes of Global Warming [Online]
Available at: http://environment.nationalgeographic.com/environment/global-warming/gw-causes/, [Accessed 25 April 2016]
Z. H. Kafafi, R. J. Martín-Palma, A. F. Nogueira, D. M. O’Carroll, J. J. Pietron, I. D. W. Samuel, F. So, N. Tansu dan L. Tsakalakos, 2015. The role of photonics in energy, Journal of photonics for energy.
