Studi Prakiraan Beban dan Potensi Pemanfaatan PV
untuk Mengurangi Beban Puncak di Penyulang
Unsyiah Menggunakan ANN
Muhammad Ridha Munawar
#1, Hafidh Hasan
#2, Ramdhan Halid Siregar
#3# Jurusan Teknik Elektro dan Komputer, Fakultas Teknik, Universitas Syiah Kuala Jl. Tgk. Syech Abdurrauf No.7 Darussalam, Banda Aceh 23111, Indonesia
1ridhamunawar@gmail.com 2hafidh.hasan@unsyiah.ac.id
3Ramdhan@unsyiah.ac.id Abstrak— Kebutuhan beban listrik yang berubah-ubah
disebabkan kondisi suatu daerah menjadi tantangan bagi operator sistem tenaga untuk menjaga tegangan, frekuensi dan daya listrik yang dibangkitkan selalu sesuai dengan permintaan beban yang berubah-ubah. Tugas akhir ini mengajukan studi prakiraan beban jangka pendek pada penyulang Unsyiah dan potensi pengurangan beban puncak ketika terhubung dengan mikrogrid yang bersumber dari panel surya. Dua tipe prakiraan akan dilakukan dalam studi ini. Pertama: prakiraan beban menggunakan variabel-variabel yang mempengaruhi perilaku konsumen yang berdampak pada pemakaian listrik, kedua: prakiraan produksi daya listrik mikrogrid menggunakan variabel-variabel cuaca. Kedua tipe prakiraan disimulasikan dengan menggunakan metode Jaringan Syaraf Tiruan (ANN). Prakiraan radiasi matahari digunakan dalam menunjukkan seberapa besar potensi pemanfaatan panel surya untuk mengurangi beban puncak. Hasil yang didapatkan adalah grafik prakiraan radiasi matahari dan beban listrik yang sudah dapat mengikuti grafik data sebenarnya. Berdasarkan penelitian yang dilakukan didapatkan bahwa jaringan syaraf tiruan yang telah dilatih sudah mampu untuk digunakan dalam prakiraan radiasi matahari dan beban listrik dalam rentang waktu dari pukul 07:00 sampai 18:00 pada hari Senin sampai Kamis. Dengan memanfaatkan 20% dari total keseluruhan atap bangunan di Unsyiah sebagai daerah pemasangan panel surya, dapat mengurangi beban puncak di Unsyiah hingga 75%.
Kata Kunci
—
prakiraan beban, mikrogrid, ANN, energi
terbarukan, beban puncak.
I. PENDAHULUAN
Dalam suatu sistem tenaga, daya listrik disalurkan dari jaringan distribusi menuju ke beban. Tantangan bagi operator sistem tenaga adalah untuk menjaga tegangan, frekuensi dan daya listrik yang dibangkitkan selalu sesuai dengan permintaan beban yang berubah-ubah. Perubahan beban dapat dibagi menjadi jangka pendek, menengah dan panjang. Bidang ilmu yang mengkaji dan mengembangkan metode-metode untuk menentukan ketiga tipe perubahan beban tersebut dikenal sebagai Prakiraan Beban Listrik.
Prakiraan beban jangka pendek menunjukkan prakiraan permintaan daya listrik setiap jam dalam satu hari. Persediaan
misalnya adalah cuaca. Cuaca memiliki efek yang signifikan pada beban, artinya jika terjadi perubahan pada temperatur, maka beban yang dilayani oleh gardu induk juga akan berubah seiring dengan perubahan temperatur. Agar tujuan tersebut dapat tercapai maka perusahaan pembangkit listrik tersebut harus mengetahui besarnya beban pada jangka pendek, menengah ataupun jangka panjang.
Penelitian yang menggunakan metode Jaringan Syaraf Tiruan (ANN) untuk memprakirakan kebutuhan energi listrik jangka pendek telah banyak dilakukan. Salah satu diantaranya dilakukan oleh Suhartono (2009) dalam tulisannya yang berjudul : “ Peramalan Konsumsi Listrik Jangka Pendek dengan Arima Musiman Ganda dan Elman-Recurrent
Network”. Pada penelitian tersebut, Suhartono menyimpulkan
bahwa ANN lebih baik digunakan untuk meramalkan konsumsi beban listrik dengan jangka pendek dengan rata-rata nilai error yang rendah sehingga disimpulkan bahwa model ANN sudah cukup baik dalam memodelkan beban listrik harian [1].
Wilayah distribusi penyulang Unsyiah merupakan salah satu daerah yang berpotensi dihubungkan dengan PLTS ukuran kecil yang berperan sebagai beban negatif. Untuk keperluan studi penulis memilih wilayah distribusi penyulang Unsyiah sebagai mikrogrid yang memiliki pembangkit sendiri berupa PLTS. Sehingga akan dilakukan prakiraan beban jangka pendek dengan menggunakan metode ANN.
II. DASAR TEORI
A. Prakiraan Beban Listrik
Prakiraan dalam hubungannya dengan horizon waktu, dapat diklasifikasikan kedalam 3 kelompok, yaitu:
1) Prakiraan beban jangka pendek: prakiraan beban untuk jangka waktu beberapa jam sampai satu minggu kedepan, yang biasanya digunakan untuk menentukan batas beban maksimum dan beban minimum.
2) Prakiraan beban jangka menengah: prakiraan beban untuk jangka waktu satu bulan sampai satu tahun, yang biasa digunakan untuk perencanaan perluasan jaringan transmisi, jaringan distribusi, dan penambahan pembangkit listrik baru.
3) Prakiraan beban jangka panjang: prakiraan beban untuk jangka waktu diatas satu tahun, yang digunakan untuk perencanaan produk dan sumber daya[2].
B. Konversi Energi Matahari
Daya yang dihasilkan oleh panel surya merupakan hasil akhir dari tahapan – tahapan dalam mengkonversi energi matahari. Energi yang dihasilkan oleh array panel surya dipengaruhi oleh beberapa faktor sebagai berikut :
Luas dari array panel surya
Efisiensi konversi dari sebuah modul sel surya Lokasi geografis dari tempat pemasangan panel surya Sudut kemiringan pemasangan panel surya
Suhu panel surya saat beroperasi
Masih banyak faktor-faktor yang mempengaruhi energi keluaran dari array panel surya seperti pada panel surya yang memiliki sistem tracking sehingga perhitungannya juga semakin rumit. Tahapan yang akan dijelaskan berikut ini hanya bisa digunakan pada panel surya yang posisinya tetap.
Berikut adalah tahapan-tahapannya :
a. Tentukan luas dari array panel surya yang terpasang b. Tentukan sudut kemiringan dari panel surya yang dipasang. Jika dipasang pada atap kemiringan atap juga ditambahkan.
c. Tentukan besar radiasi matahari berdasarkan letak geografis dari tempat pemasangan sel surya.
d. Tentukan besar efisiensi konversi dari sebuah panel surya. Besarnya efisiensi tergentung kepada jenis dan produk panel surya yang ingin digunakan.
e. Tentukan efisiensi dari inverter yang digunakan, yang pada umumnya efisiensinya diatas 95% [3].
f. Tentukan pengaruh dari suhu pada permukaan sel surya (operating temperature). Besar koefisien suhu pada sebuah panel surya dapat dilihat pada spesifikasi pada panel surya yang digunakan, misalnya -0,40%/ ºC. Referensi suhu normal pengoperasian modul sel surya yaitu 25ºC, yang digunakan sebagai standar dalam pengetesan laboratorium.
g. Untuk mendapatkan besar suhu permukaan modul sel surya saat beroperasi (operating temperature) dapat menggunakan persamaan berikut ini[4] :
�� �� = � �� +
��−8
I
(1)Keterangan:
Tcell =Suhu permukaan modul sel surya (operating temperature)( ºC)
Tair = Suhu lingkungan (ºC)
NOCT = Suhu nominal sel surya beroperasi (ºC) I = Radiasi matahari (W/m2)
h. Untuk mendapatkan daya keluaran panel surya setelah dikonversi dan sudah diubah menjadi tegangan AC, maka dapat menggunakan rumus berikut[16] :
� = � × � × � × �� (2)
Keterangan:
Pout = Daya keluaran PV setelah dikonversi (Watt) I = Radiasi matahari (W/m2)
A = Luas daerah pemasangan array sel surya (m2) Ep = Efisiensi panel surya
Ei = Efisiensi inverter
i. Jika sudah didapatkan daya keluarannya maka dihitung pengaruh suhu permukaan modul sel surya saat beroperasi (operating temperature) terhadap daya keluarannya. Jika operating temperature lebih besar dari suhu standar yaitu 25 ºC maka akan mengurangi daya keluaran modul sel surya, akan tetapi jika operating temperature lebih kecil dari suhu standar maka akan menambah daya keluaran modul sel surya[3]. Maka digunakan persamaan berikut ini untuk mendapatkan daya keluaran sel surya yang dipengaruhi oleh suhu :
Pt = Pout .
+{ Tc −T .Tc } (3)Keterangan:
Pt = Daya keluaran sel surya yang dipengaruhi oleh suhu (Watt)
Pout = Daya keluaran PV setelah dikonversi (Watt) Tcell = Suhu permukaan modul sel surya (operating
temperature)( ºC) Tnom = Suhu lingkungan (ºC) Tcoeff = Koefisien suhu (%/ ºC)
C. Artificial Neural Network (ANN)
ANN adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Hal tersebut menjadikan ANN sangat cocok untuk menyelesaikan masalah dengan tipe sama seperti otak manusia. Suatu jaringan syaraf tiruan ditentukan oleh 3 hal:
Pola-pola hubungan antar neuron yang disebut arsitektur jaringan
Metode penentuan bobot penghubung yang disebut metode training / learning / algoritma
D. Arsitektur Jaringan Backpropagation
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Arsitektur backpropagation memiliki n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah semua bias), serta m buah unit keluaran.
1) Algoritma Dasar Jaringan Syaraf Tiruan Backpropagation: Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakn fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selih antara keluaran jaringan dengan target yang diinginkan merupakan error yang terjadi. Error tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan error yang terjadi.
2) Algoritma Pelatihan Jaringan Backpropagation: Algoritma selengkapnya pelatihan jaringan backpropagation adalah sebagai berikut [5]:
a. Langkah 0 : Inisialisasi bobot-bobot (tetapkan dalam nilai acak kecil)
b. Langkah 1 : Bila syarat berhenti adalah salah, kerjakan langkah 2 sampai 9.
c. Langkah 2 : Untuk setiap pasangan pelatihan, kerjakan langkah 3 sampai 8.
Propagasi maju :
d. Langkah 3 : Tiap unit masukan (xi, i= 1,....,n) menerima isyarat masukan xi dan diteruskan ke unit-unit tersembunyi.
e. Langkah 4 : Tiap unit tersembunyi (zj, j = 1,...,p) menjumlahkan isyarat masukan berbobot,
=
+ ∑
= (4)dengan menerapkan fungsi aktivasi hitung :
= (
)
(5)dan kirim isyarat ini ke unit-unit keluaran.
f. Langkah 5 : Tiap unit keluaran (yk, k = 1,....,m) menjumlahkan isyarat masukan berbobot,
=
+ ∑
�= (6)dengan menerapkan fungsi aktivasi hitung,
=
(7)Propagasi mundur :
g. Langkah 6 : Tiap unit keluaran (yk, k = 1,...,m) menerima pola sasaran berkaitan dengan pola pelatihan
� =
−
′
(8)Hitung koreksi bobot dan biasnya:
∆� = ��
(9)
∆
= ��
(
10)
h. Langkah 7 : Tiap unit tersembunyi (zj, j = 1,....,p) menjumlahkan delta masukannya (dari unit-unit di lapisan atasnya).
�
= ∑
=�
(11)Hitung error informasinya :
� = � ′
(12)
Hitung koreksi bobot dan biasnya :
∆
= ��
(13)
Memperbaiki bobot dan bias :
i. Langkah 8 :Tiap-tiap unit output (Yk, k=1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p):
�
��= �
+ ∆
(14)
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n)
��
=
+ ∆
(15)
j. Langkah 9 : Uji syarat berhenti
III.METODE PENELITIAN
A. Variabel Data yang Digunakan
Dalam melakukan prakiraan, hal yang sangat perlu ditentukan adalah variabel data yang digunakan. Hal ini akan mempengaruhi tingkat keakuratan dari prakiraan. Semakin banyak data masukan yang digunakan semakin akurat hasil yang didapatkan.
Pada penelitian ini dilakukan 2 prakiraan, yaitu prakiraan radiasi matahari dan beban listrik. Pada prakiraan radiasi matahari data masukan yang digunakan yaitu : waktu, suhu, kelembaban dan indeks kecerahan langit. Sedangkan pada prakiraan beban listrik data masukannya yaitu : waktu, suhu dan kelembaban.
data. Data-data yang diperoleh yaitu dalam rentang waktu pukul 07.00-18.00 pada wilayah distribusi penyulang Unsyiah.
B. Proses Prakiraan pada Matlab
Prakiraan dilakukan dengan metode Jaringan Syaraf Tiruan (ANN) yang disimulasikan menggunakan software Matlab. Untuk melakukan prakiraan pada Matlab dilakukan tahap-tahap berikut ini:
1) Pelatihan: Pada tahap pelatihan data yang digunakan yaitu pada hari pertama sampai ketiga. Pelatihan ANN yang dilakukan yaitu pelatihan terbimbing, sehingga ada input dan target. Pada prakiraan radiasi matahari, input : suhu, kelembaban, waktu dan indeks kecerahan langit. Dan target : radiasi matahari. Sedangkan pada prakiraan beban listrik, input : waktu, suhu dan kelembaban. Dan target : beban listrik. Tahap pelatihan dianggap selesai jika besar regresi hubungan antara output dan target mendekati 1.
2) Simulasi: Pada tahapan simulasi, jaringan syaraf yang telah selesai dilatih akan digunakan untuk memprakirakan radiasi matahari dan beban listrik dengan menggunakan data masukan pada hari keempat. Kemudian akan dibandingkan data sebenarnya dan hasil prakiraan pada hari keempat.
IV.HASIL DAN PEMBAHASAN
A. Prakiraan Radiasi Matahari
[image:4.610.325.570.91.228.2]Dengan menggunakan jaringan syaraf yang telah selesai dilatih pada software Matlab, maka didapatkan grafik perbandingan hasil prakiraan dan data sebenarnya seperti yang ditunjukkan pada gambar 1.
Gambar 1 Perbandingan radiasi matahari hasil simulasi dengan data sebenarnya pada hari ke-4
Berdasarkan grafik dapat dilihat bahwa prakiraan radiasi matahari sudah bisa mengikuti data sebenarnya yaitu dengan dapat menunjukkan trend radiasi matahari tersebut. Akan tetapi pada beberapa waktu tidak dapat diikuti dikarenakan data masukan yang diperoleh pada waktu-waktu tersebut masih acak atau tidak dapat dikenali polanya.
B. Prakiraan Beban Listrik
Dengan menggunakan jaringan syaraf yang telah selesai dilatih pada software Matlab, maka didapatkan grafik
[image:4.610.55.302.420.558.2]perbandingan hasil prakiraan dan data sebenarnya seperti yang ditunjukkan pada gambar 2.
Gambar 2 Perbandingan beban listrik hasil simulasi dengan data sebenarnya pada hari ke-4
Berdasarkan grafik dapat dilihat bahwa prakiraan beban listrik sudah bisa mengikuti data sebenarnya yaitu dengan dapat menunjukkan trend beban listrik tersebut. Prakiraan beban listrik sebaiknya bernilai lebih besar dari data sebenarnya dikarenakan jika prakiraannya lebih rendah maka dikhawatirkan tidak mampu menyediakan daya yang dibutuhkan.
C. Penentuan Luas Daerah Pemasangan Panel Surya
Pemasangan panel surya direncanakan dipasang pada atap gedung fakultas dan gedung lainnya yang merupakan milik Unsyiah. Perhitungan luas daerah pemasangan panel surya dilakukan dengan menggunakan bantuan Google Earth dan dilakukan pengukuran menggunakan perintah measure distance.
Setelah melakukan perhitungan luas atap gedung-gedung milik Unsyiah didapatkan total luas atap bangunan yaitu sebesar 66414,5 m2. Akan tetapi dikarenakan seba-sebab berikut ini yaitu : (1) pada beberapa gedung tidak sesuai untuk di pasang panel surya, (2) atap yang terhalang oleh pepohonan, dan (3) proses instalasi yang sulit untuk mengakses atap gedung tersebut. Maka penulis mengasumsikan bahwa hanya 20% dari total luas atap bangunan yang bisa dimanfaatkan untuk pemasangan panel surya. Sehingga pada perhitungan akan digunakan luas daerah pemasangan panel surya yaitu sebesar 13282,9 m2 .
D. Pengurangan Beban Puncak
Setelah luas daerah ditentukan maka untuk mendapatkan daya keluaran panel surya, perlu juga ditentukan spesifikasi panel surya yang digunakan. Besar efisiensi modul sel surya yaitu sebesar 15,4%. Besar suhu normal sel surya beroperasinya (NOCT) yaitu 45,7 ºC dan nilai koefisien temperature dari dayanya yaitu –0,45%/ ºC. Nilai-nilai tersebut akan digunakan pada perhitungan daya keluaran panel surya dengan menggunakan persamaan (1),(2) dan (3). Sehingga didapatkan daya yang dihasilkan oleh panel surya yang ditunjukkan pada gambar 3.
0 200 400 600 800 1000 1200
07.00 07.45 08.30 09.15 10.00 10
.45
11.30 12.15 13.00 13.45 14.30 15.15 16.00 16.45 17.30
Rad
ias
i
Ma
ta
h
ar
i (W/m
2)
Data sebenarnya Data prakiraan
0 500 1000 1500 2000 2500
07.00 07.45 08.30 09.15 10.00 10.45 11.30 12.15 13.00 13.45 14
.30
15.15 16.00 16.45 17.30
Beban
L
istri
k
(kW
)
Gambar 3 Perbandingan beban listrik sebelum dan sesudah pemasangan panel surya
Pada grafik dapat dilihat bahwa daya keluaran PV setelah dikonversi bernilai lebih kecil dibandingkan dengan beban listrik, sehingga daya keluaran PV hanya digunakan untuk mengurangi beban puncak di penyulang Unsyiah. Pada grafik yang diarsir dapat dilihat bahwa beban puncak pada penyulang Unsyiah yang terjadi pada siang hari sudah berkurang akibat suplai dari PV. Akan tetapi pada pagi dan sore hari yaitu pukul 7:00-8:00 dan 16:00-18:00, beban listriknya hanya terjasi sedikit pengurangan. Hal ini terjadi akibat rendahnya nilai radiasi matahari pada pagi dan sore hari. Beban puncak yang terjadi pada siang hari yang sebelumnya mencapai 2 MW, setelah mendapat suplai dari panel surya berkurang lebih dari 75% sehingga hanya tersisa sekitar 0,5 MW atau lebih rendah.
V. KESIMPULAN
Berdasarkan grafik hasil perbandingan data simulasi dan data sebenarnya, dapat disimpulkan bahwa jaringan syaraf yang telah dilatih sudah mampu untuk digunakan dalam prakiraan radiasi matahari dan beban listrik dalam rentang waktu dari pukul 07:00 sampai 18:00 pada hari Senin sampai Kamis. Dengan mendapatkan prakiraan beban listrik pada wilayah penyulang Unsyiah yang telah dipasang PLTS, maka dapat membantu perencanaan operasional pembangkit harian sehingga permasalahan kurangnya daya listrik yang mengakibatkan pemadaman listrik bisa dihindari.
Berdasarkan asumsi spesifikasi dan luas daerah pemasangan panel surya didapatkan bahwa beban puncak yang terjadi pada siang hari yang sebelumnya mencapai 2 MW, setelah mendapat suplai dari panel surya maka hanya tersisa sekitar 0,5 MW. Dapat disimpulkan bahwa dengan memanfaatkan 20% dari total keseluruhan atap bangunan di Unsyiah, mampu mengurangi 75% beban puncak di Unsyiah. Kekurangan pada penelitian yang dilakukan yaitu data masukan yang digunakan untuk pelatihan yaitu selama 3 hari pengambilan data. Jika semakin lama hari pengambilan datanya maka keakuratan hasil prakiraan yang didapatkan akan semakin baik.
REFERENSI
[1] Suhartono.2009.”Peramalan Konsumsi Listrik Jangka Pendek dengan Arima Musiman Ganda dan Elman-Recurrent Neural Network” [skripsi]. ITSN, Indonesia.
[2] Nasution, A.H, Manajemen Industri. Yogyakarta: Penerbit ANDI, 2006.
[3] Rexel Worldwide, How to Calculate the Output of a Solar Photovoltaic System - A Detailed Guide, TheGrid. [Online]. Avaible: http://thegrid.rexel.com/en-us/energy_efficiency/w/solar_renewable_ and_energy_efficiency/72/how-to-calculate-the-output-of-a-solar-pho tovoltaic-system---a-detailed-guide [Accessed: 4 May 2017]. [4] Honsberg, C and Bowden, S, Nominal Operating Cell Temperature,
PVEducation.[Online].Avaible:http://pveducation.org/pvcdrom/modu les/nominal-operating-cell-temperature [Accessed: 4 May 2017]. [5] M. A Green et al., “Solar Cell Eficiency Tabel”, in Prog.
Photovolt ,2015, pp. 1-9.
0 0,5 1 1,5 2 2,5
07.00 07.45 08.30 09.15 10.00 10.45 11.30 12
.15
13.00 13.45 14.30 15.15 16.00 16.45 17.30
Be
b
an
L
is
tri
k
(MW)
setelah pengurangan
