Panel surya mengubah intensitas radiasi matahari menjadi energi listrik

5

BAB II

LANDASAN TEORI

Di era ini masyarakat membutuhkan listrik dalam berbagai fungsi, mulai dari alat perkantor hingga peralatan rumah tangga dan lainnya, hampir semua orang menggunakan listrik, sehingga kebutuhan semakin meningkat seiring dengan pertumbuhan penduduk, meskipun sumber energi digunakan untuk menghasilkan energi (fosil). Oleh karena itu, sebagai solusi krisis listrik, energi listrik baru terbarukan, seperti energi angin, air, panas bumi, matahari, biomassa, dll, harus dikembangkan lagi, karena ketersediaan energi terbarukan di bumi masih sangat rendah.

2.1 Panel Surya

Energi matahari yaitu sumber energi baru terbarukan berupa radiasi matahari yang sampai ke bumi dan menggunakan energi panasnya untuk energi listrik. Panel surya mengubah intensitas radiasi matahari menjadi energi listrik.

Semakin besar radius radiasi matahari, semakin banyak listrik yang dihasilkan, listrik yang dikonversi terutama tergantung pada intensitas radiasi matahari yang mencapai permukaan panel surya. Selain itu, kemiringan panel surya sangat penting untuk mendapatkan energi yang optimal, dan penempatannya harus di lapangan terbuka tanpa hambatan seperti gedung tinggi, pohon, dll [13]. Sel surya ini terdiri dari bahan semikonduktor berupa silikon yang dilapisi bahan kimia khusus dan mampu menghasilkan arus sekitar 0,5 volt per sel. Semakin besar luas penampang, semakin banyak energi yang dihasilkan dan bermuatan elektron saat terkena sinar matahari. pada materi. Sel surya semikonduktor bergerak membentuk sirkuit dan membangkitkan daya listrik

Gambar 2.1 Pembangkit Listrik Tenaga Surya [1]

6 2.2 Turbin Angin

Angin yaitu pergerakan arus udara yang disebabkan oleh perbedaan tekanan atmosfer. Saat Bumi berputar, setiap permukaan terkena sinar matahari secara berbeda. Angin memiliki pengaruh besar terhadap tekanan udara, bergerak dari daerah bertekanan tinggi ke daerah bertekanan rendah. Saat permukaan bumi memanas, udara mengembang ke atas dan tekanan turun, menyebabkan udara bertekanan tinggi bergerak ke atas di daerah bertekanan rendah. Proses ini berlangsung selama bumi berputar, menghasilkan energi angin. Kami memiliki berbagai macam. Di daerah pesisir terdapat angin laut dan angin darat yang dapat dimanfaatkan sebagai energi listrik. Pada siang hari, air laut lebih hangat daripada lautan karena dapat menahan lebih banyak panas dari matahari daripada daratan.

Suhu udara di darat [14]. Turbin angin adalah alat yang mengubah energi angin menjadi listrik. Energi angin memutar kincir angin, yang memutar bilah generator di belakang kincir angin untuk menghasilkan energi listrik. Output generator sangat tergantung pada kecepatan angin, semakin cepat kecepatan angin, semakin banyak energi angin yang bangkitkan. Sedikit perbedaan dalam kecepatan angin dapat membuat perbedaan besar dalam energi yang dihasilkan. Ada dua jenis turbin angin berdasarkan arah putarannya: kincir angin horizontal dan kincir angin vertikal. Kincir angin horizontal berbentuk kincir angin, dengan rotor dan generator yang disusun sejajar dengan titik dasar dan sumbu vertikal tegak lurus dengan rotor, seperti yang ditunjukkan pada Gambar 2.2 di bawah ini..

Gambar^. 2.21Turbin Angin Horizontal Dan^. Vertikal.[14]

Turbin angin horizontal lebih efisien daripada turbin angin vertikal dan oleh karena itu umumnya digunakan pada turbin angin berukuran besar dan sedang. Dalam kasus tertentu seperti industri kecil atau bangunan yang ingin

7

membangun pembangkit listrik skala kecil sendiri dengan turbin angin sumbu vertikal. Karena dimensi turbin vertikal umumnya lebih kecil, perawatannya lebih mudah dan murah [16].

Gambar 2.3 Pembangkit Listrik Tenaga Angin

2. 3 Konversi Intensitas Radiasi Matahari Dan Kecepatan Angin Menjadi Energi Listrik

2.3.1 Konversi Intensitas Radiasi Matahari Menjadi Energi Listrik^.

Pada tahap ini yang akan dijelaskan berikut ini hanya pada posisi aray tetap, tahapan tahapannya sebagai berikut:

 Tentukan luas susunan panel surya yang akan dipasang.

 Tentukan sudut kemiringan modul PV yang terpasang.

 Menentukan intensitas radiasi matahari berdasarkan letak geografis.

 Menentukan efisiensi konversi panel surya. Efisiensi modul tergantung pada jenis produk modul surya yang digunakan.

 Menentukan efisiensi inverter yang digunakan. Efisiensi biasanya lebih tinggi dari 95%

 Gunakan rumus berikut untuk menentukan output panel surya sesudah konversi ke tegangan AC.

𝑃𝑜𝑢𝑡 = 𝐼. 𝐴. 𝐸𝑝. 𝐸𝑖 (2.1) Dimana:

𝑃𝑜𝑢𝑡 = Power output (Watt) 𝐼 = Iradiasi matahari (W/m²) 𝐴 = Luas panel surya (𝑚²)

8 𝐸𝑝 = Efisiensi panel surya

𝐸𝑖 = Efisiensi inverter

Perhitungan daya modul surya, daya modul maksimum :

𝑃𝑚𝑎𝑥 = 𝑉𝑜𝑐. 𝐼𝑠𝑐. 𝐹𝐹 (2.2)

Gunakan Persamaan 2.3 untuk menghitung nilai FF. Hasilnya dapat dihitung sebagai :[17]

(2.3)

𝑃𝑖𝑛 = (𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠 𝑐𝑎ℎ𝑎𝑦𝑎) ∗ (𝑙𝑢𝑎𝑠 𝑎𝑟𝑒𝑎 𝑚𝑜𝑑𝑢𝑙) (2.4) Efisiensi:

(2.5)

2.3.2 Konversi Kecepatan Angin^.

Ini adalah metode pembangkit listrik menggunakan energi angin secara bertahap untuk menghitung energy kinetik.[6]

(2.6) Dimana:

E = Energi kinetik^. (Joule) m = MassaUdara^. (Kg) v = Kecepatan Angin^. (m/det)

Misalnya. Tentukan massa udara dalam balok dengan luas A (m2), yang bergerak dengan kecepatan v (m/s). Ini adalah aliran melalui massa pada posisi udara.

m = A . 𝑣 . 𝜌 (2.7) A = 𝜋𝑟² (2.8) Dimana:

m = Massa ^.udara (kg) A = Luas penampang (m2) v = Kecepatan angin (m/det)

= Kerapatanudara (kg/m3)

Untuk menghitung jumlah listrik yang dihasilkan dari energi angin

(2.9)

9

Untuk tujuan praktis, kita memerlukan pendekatan sederhana yang cukup untuk menangani kecepatan^. angin^. dan^. luas^. penampang^. sudu dengan persamaan.:

𝑃 = 𝑘 . 𝐴 . 𝑣³ (2.10) Dimana^.:

P = Power (watt)

= Konstanta (1,37 x 10-5) A = Luas Penampang (m2) v = Kecepatan Angin (m/det)

2.3.3 Cara Kerja Jaringan Syaraf Tiruan Meramalkan Daya.

 Ukur data lingkungan (suhu, kelembaban, kecepatan angin, intensitas sinar matahari, dll.) secara teratur selama periode waktu tertentu.

 Daya yang terukur harus mempengaruhi besarnya daya yang dihasilkan oleh PLTS (PV) dan PLTB (turbin angin).

 Data yang diperoleh di input ke fungsi jaringan saraf MATLAB. Fungsi jaringan syaraf melakukan pelatihan/pembelajaran secara berulang berdasarkan data masukan untuk mencapai tujuan yang diinginkan.

 Pelatihan berulang menghasilkan nilai error.

 Semakin kecil nilai kesalahan, semakin baik latihan

2.4 Artificial Neural Network^.

2.4.1 Pengertian Artificial Neural Network.

Artificial neural network merupakan sistem informasi dengan sifat yang mirip dengan jaringan saraf biologis. Artificial neural network yaitu sistem komputer cerdas berdasarkan pendekatan dari pemodelan sistem saraf biologis dan biologi komputasi. beberapa pola informasi. input/output. Ditentukan oleh ANN yang dipegang oleh neuron. Neuron membentuk layer yang disebut neuron layer. Layer yang membentuk ANN dibagi menjadi tiga bagian:

1. Input layer, dan unit lapisan input disebut unit input. unit di lapisan input menerima pola data yang menggambarkan masalah.

2. Hidden layer, unit ini disebut unit tersembunyi tidak dapat diamati secara langsung.

10

3. Output layer, unit ini disebut lapisan keluaran. Output dari layer ini adalah solusi JST-nya untuk masalah tersebut.

2.4.2 Arsitektur Artificial Neural Network

ANN memiliki beberapa arsitektur jaringan yang biasa digunakan dalam aplikasi yang berbeda, seperti :

1. Single layer (Lapisan tunggal), memiliki lapisan masukan dan lapisan keluaran. Setiap neuron pada lapisan masuk selalu terhubung langsung dengan lapisan keluaran, tidak ada lapisan tersembunyi.

2. Multi-layer network yaitu jaringan yang terdiri dari lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. Jaringan multilayer memecahkan masalah yang lebih kompleks daripada jaringan lapisan tunggal. Namun, itu akan memakan waktu untuk menyelesaikannya.

3. Competitive Layers atau Jaringan Kompetitif. Dalam jaringan ini, kelompok neuron bersaing satu sama lain untuk mendapatkan hak untuk menjadi aktif.[8]

Gambar 2.4^. Arsitektur Artificial Neural Network Backpropagation^. 2.4.3 Artificial Neural Network Backpropagation

Backpropagation adalah model jaringan saraf multilayer. Backpropagation adalah kekuatan dalam melatih jaringan dengan mengidentifikasi pola yang dihasilkan dalam proses, sehingga menghasilkan jaringan yang merespon dengan

11

baik pola masukan yang serupa (namun tidak identik) dengan yang digunakan dalam pelatihan.

2.4.3.1 Fungsi^. Aktivasi^. Backpropagation

Backpropagation harus memenuhi beberapa persyaratan, seperti fungsi kontinu, fungsi yang mudah terdiferensiasi, atau tidak dapat dihitung. Di bawah ini adalah fungsi aktivasi yang umum digunakan. untuk algoritma backpropagation. Digunakan selama pelatihan.

1. Fungsi sigmoidbiner

Salah satu fungsi dengan tiga kondisi di atas. Sigmoid biner memiliki rentang nilai dari 0 hingga 1 dalam rumus :

(2.11) Dengan turunan 𝑓^′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)). Kurvanya tampak pada gambar

Gambar 2.5 Kurva Sigmoid Biner.

2. Fungsi sigmoid bipolar

Aktivasi^. sigmoid^. bipolar^. menyerupai^. fungsi^. aktivasi^. sigmoid^. biner^., tetapi hanya berbeda antara -1 dan 1 pada persamaan berikut.:

(2.12) Dengan turunan berikut bentuk kurva fungsi aktivasi sigmoid bipolar.

Gambar 2.6^. Fungsi Aktivasi Sigmoid Bipolar.[18]

12

Langkah-langkah dari algoritma backpropagation adalah:

1. Langkah 0: inisialisasi bobot dengan nilai random atau dengan nilai yang cukup kecil. Nilai-nilai ini berkisar dari -1 hingga 1.

2. Langkah 1: lanjutkan ke langkah 9 kecuali kondisi berhenti terpenuhi.

3. Langkah^. 2^.: melakukan setiap pasangan latihan dari langkah 3 hingga langkah 8.

2.4.3.2 Fase Maju (Feedforward)

4. Langkah 3: setiap lapisan input (𝑋𝑛, = 1,2,3…n) menerima input dan mengirimkan sinyal ke semua neuron di lapisan atas (lapisan tersembunyi).

5. Langkah 4: untuk setiap lapisan tersembunyi (𝑍𝑗, = 1,2,3, … ,p), nilai masukan dihitung dengan nilai bobot berikut:

(2.13) Keterangan rumus :

𝑧_𝑖𝑛𝑗 = Total sinyal yang masukpada lintasan j 𝑣0𝑗 = Nilai bobot bias j

𝑥𝑖 = Nilai masukan dari i

𝑣𝑖𝑗 = Bobot antara unit i dengan lapisan unit j Setelah itu nilai output dihitung menggunakan fungsi aktivasi.:

𝑧𝑗 = (𝑧𝑖𝑛 𝑗) (2.14) Menggunakan fungsi sigmoid biner sebagai fungsi aktivasi memberikan :

(2.15) 6. Langkah^. 5^.: pada setiap^. neuron keluaran (𝑌𝑘, = 1,2,3, … ,m), hitung nilai masukan dengan pembobotannya sebagai berikut :

(2.16) Hasil tersebut kemudian dihitung dengan fungsi aktivasi seperti pada Persamaan:

𝑌𝑘 = (𝑦𝑖𝑛𝑘) (2.17)

13

Jika fungsi sigmoid biner digunakan sebagai fungsi aktivasi, seperti pada Persamaan .:

(2.18) 2.4.3.3 Fase Balik (Backpropagation)

7. Langkah 6: setiap neuron output (𝑍𝑘, = 1,2,3, ... ,m) menerima pola target sesuai pada pola input dan menghitung informasi kesalahan sesuai rumus berikut:

𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘)′𝑦𝑖𝑛𝑘 (2.19) Koreksi bobot kemudian dihitung, yang kemudian digunakan untuk memperbarui nilai learning rate dalam Persamaan

∆𝑤𝑗𝑘 = 𝛼𝛿𝑘𝑧𝑗 (2.20) Hitung koreksi nilai bias dan gunakan untuk memperbarui nilai sesuai dengan rumus berikut:

∆𝑤0𝑘 = 𝛼𝛿𝑘 (2.21) 8. Langkah 7: pada setiap jaringan tersembunyi (𝑍𝑗, = 1,2,3, … ,p), delta input (impuls) dari lapisan atas dihitung sebagai :

(2.22) Kemudian nilai ini dikalikan dengan turunan dari fungsi aktivasi untuk menghitung data kesalahan seperti yang ditunjukkan pada persamaan berikut :

𝛿𝑗 = 𝛿𝑖𝑛 𝑗𝑓′(𝑦𝑖𝑛 𝑗) (2.23) Hitung koreksi berat. Ini digunakan untuk memperbarui nilai sesuai dengan rumus

∆𝑣𝑖𝑗 = 𝛼𝛿𝑗𝑥𝑖 (2.24) Ini digunakan untuk menghitung nilai koreksi bias dan memperbarui nilai sesuai dengan rumus berikut.

∆𝑣0𝑗 = 𝛼𝛿𝑗 (2.25)

14 2.4.3.4 Fase modifikasi bobot (adjustment)

9. Langkah 8: Setiap nilai gerak sama nilai bobot (j= 0.1,2,3,..., p) dari keluaran neuron (𝑌𝑘, = 1,2,3,...m) dengan rumus:

(𝑏𝑎𝑟𝑢) = (𝑙𝑎𝑚𝑎) + ∆𝑊𝑗𝑘 (2.26) Tiap unit-unit tersembunyi (𝑍𝑗, 𝑗 = 1,2,3, … 𝑝) memperbarui bias dan bobot yang ( = ,1,2,3,..., ) diperbarui seperti pada Persamaan:

(𝑏𝑎𝑟𝑢) = (𝑙𝑎𝑚𝑎) + ∆𝑉𝑖𝑗 (2.27) 10. Langkah 9: Uji apakah status telah berhenti. Setelah status ini berakhir, pengujian dapat dihentikan. Ada dua hal yang menghentikan negara. Itu adalah:

a. Tetapkan batas toleransi kesalahan sesuai kebutuhan. Proses pelatihan berlanjut hingga nilai MSE turun di bawah toleransi yang ditentukan.

b. Tetapkan batas jumlah epoch yang akan dijalankan. Epoch adalah proses dari langkah 1 ke langkah 6. [8]

2.5 Nilai MSE

Nilai Mean Squared Error (MSE) adalah metode pemeriksaan kesalahan sistematis. Menghitung MSE menggunakan rumus ini memberikan:

(2.28)

Dimana :

n = Penjumlah^. data^. yk = Output^. data^. tk = Target^. data^.

Tujuan dari pelatihan ANN adalah untuk mengurangi MSE setiap siklus sampai perbedaan antara nilai MSE siklus tersebut dan nilai MSE siklus sebelumnya kurang dari atau sama dengan batas minimum yang ditentukan [15].

15 2.6 Software Matlab R2019b

Gambar 2.7 Software Matlab R2019b

Matlab atau Laboratory Matrix yaitu lingkungan komputasi numerik generasi keempat dan bahasa pemrograman komputer. Dikembangkan oleh MathWorks, Matlab memungkinkan manipulasi matriks, perencanaan dan manipulasi data, implementasi algoritme, pembuatan antarmuka pengguna, dan koneksi ke program dalam bahasa lain. Meski hanya berupa angka, kotak alat berbasis simbol menyediakan akses ke kemampuan aljabar komputasi. Plug-in Simulink menambahkan simulasi multidomain grafis berdasarkan sistem dinamis.

Dalam penelitian ini, kami menggunakan perangkat lunak Matlab R2019b untuk mensimulasikan prediksi saat ini.