I I. K. B. Adam, M. Ashari, H. Suryoatmojo Jurusan Teknik Elektro FTI ITS

Rancang Bangun Sistem Photovoltaic Inverter Terintegrasi Jaringan Distribusi 3 Phasa Menggunakan Maximum Power Point Tracking (Mppt) Berbasis Neuro-Fuzzy Multi-Model

K. B. Adam , M. Ashari, H. Suryoatmojo Jurusan Teknik Elektro – FTI – ITS Abstrak-Photovoltaic (PV) adalah komponen

semikonduktor yang merubah energi cahaya menjadi energi listrik. Daya listrik yang dihasilkan sel surya diperoleh dari kemampuan sel surya untuk memproduksi tegangan dan arus yang melalui beban pada waktu yang sama. Untuk mendapatkan performansi daya puncak sel surya digunakan metode maximum power point tracking (MPPT) novel multi- model neuro-fuzzy dengan menganalisa temperatur dan irradiasi. Sel surya menghasilkan arus dan tegangan searah (dc). Untuk dapat menghasilkan keluaran dengan daya maksimum dibutuhkan boost konverter yang terhubung dengan inverter tiga fasa. Titik daya maksimum PV inverter didapatkan dengan pengaturan tegangan referensi untuk mengatur duty cycle boost konverter.

Tugas akhir ini menyajikan perancangan sistem photovoltaic inverter berbasis MPPT novel multi-model neuro-fuzzy yang terdiri dari 3 lapis Jaringan Saraf Tiruan (JST). Boost konverter dihubungkan dengan 256 modul PV yang terhubung enam belas seri dan enam belas paralel yang memiliki kapasitas total 20 kW.

Hasil simulasi menunjukkan sistem PV memiliki efisiensi yang berbeda untuk setiap kondisi irradiasi dan suhu berbeda. Pada suhu 35˚C dan irradiasi 800 W/m² sistem PV memiliki efisiensi 12,45% dan matching efisiensi sebesar 99,99 %.

Kata kunci : MPPT, boost konverter, inverter, tegangan referensi

I. PENDAHULUAN

Pemanfaatan tenaga surya yang maksimal dan mengkombinasikan dengan sistem existing distribusi (grid) akan menciptakan suatu mix system baru.

Interaksi hubungan kedua sumber akan saling menguntungkan dengan semakin terbatasnya ketersediaan supply dari grid.

Dengan menganalisa masukan module photovoltaic dan memanfaatkan kemampuan kapasitas puncak module photovoltaic diharapkan efisiensi konversi dapat maksimum dan PV dapat memberikan daya keluaran sesuai dengan kapasitas. Maximum power point tracking (MPPT) adalah suatu metode untuk mencari point (titik) maksimum dari daya dengan melihat tegangan dan arus masukan atau dengan melihat irradiasi dan temperatur pada aplikasi solar photovoltaic.

Tugas akhir ini menyajikan perancangan mix system PV inverter dengan metode maximum power point tracking (MPPT) sehingga menghasilkan daya keluaran solar phovoltaic yang memiliki efisiensi tinggi sesuai yang tersedia, serta merancang konverter/inverter yang mampu berinteraksi dengan sistem distribusi (grid) 3 phasa.

II. SISTEM PVTERINTEGRASI GRID

Gambar 1. menunjukkan gambaran sistem secara keseluruhan. 20 kW PV terhubung ke grid melalui dua bagian utama. Bagian pertama adalah boost-konverter, dan bagian kedua inverter 3 phasa.

A. Sistem PV

Sistem PV yang dipelajari merupakan system 20 kW meggunakan modul surya BP853F 75 W peak dengan konfigurasi 16 modul seri dan 16 modul parallel.

A.1. Model simulasi PV

Rangkaian ekivalen solar cell dapat digambarkan seperti Gambar 2. persamaan karakteristik untuk pemodelan solar cell diberikan sebagai berikut[5]:











 

 



  



 ₀ exp ( 1

c

sc kT

Rs I V I e

I

I  ⁽¹⁾



 



 

 











 

 _C

T s

M sM ocM m Msc

M

V N

I R V I V

I 1 exp (2)















 











 



 _C

T s

M sM ocC C M

M sc

V N

I R V I V

Np

I 1 exp (3)

Dengan : q nkT

V_t^C  / ₍₄₎

a a scC

scC G

G I  I 

0

0 (5)

) 03

. 0 ( 03 .

0 ₀

0 a a C

ocC

ocC V T G T

V       (6)

Gambar 1. Diagram blog sistem PV mppt

IR R^p

I R^s

I^sc LOAD

Id

Gambar 2. Rangkaian pengganti PV

PV Suhu

Irrd

Suhu(Ta) Irrd(Ga)

Neuro- fuzzy MPPT

Boost konverter

Inverter tiga fasa

kontrolerPI Vref

D

Link Induktor

Grid

Vboost Baterai

Pada modul yang dirangkai parallel, di gunakan persamaan (7) penjumlahan arus yang di suplai oleh masing-masing photovoltaic.





 ^Nb_i I_i^M

I ₁ (7)

Dengan berasumsi bahwa irradiasi dan suhu yang diterima oleh setiap modul PV sama besar maka:

B

I

M

N

I  

₍₈₎

Pada modul yang dirangkai parallel, di gunakan persamaan (7) penjumlahan arus yang di suplai oleh masing-masing photovoltaic.





 _i^NmV_i^M

V _{1 (9)}

Dengan berasumsi bahwa irradiasi dan suhu yang diterima oleh setiap modul PV sama besar maka:

B

V

M

N

V  

₍₁₀₎

A.2. Penggaruh irradiasi dan suhu terhadap kerja PV Gambar 4. Menunjukkan fungsi I-V dan daya- V PV pada suhu dan irradiasi yang berbeda. Nilai irradiasi sangat berpengaruh terhadap daya maksimum yang dapat dihasilkan oleh PV dan sedikit menggeser titik daya maksimuk ke sebelah kiri. Nilai suhu sangat berpengaruh terhadap titik daya maksimum, kenaikan suhu dapat mengakibatkan titik maksimum daya bergeser ke kiri dan sedikit menurunkan daya maksimum PV. Hal ini sesuai dengan persamaan (3), (5), dan (6).

Gambar 3. Boost converter B. Boost converter

Boost-converter adalah salah satu DC to DC converter yang berfungsi menaikkan tegangan DC.

Boost-converter mempunyai tegangan output yang selalu lebih besar daripada tegangan input. Polaritas tegangan outputnya mempunyai nilai yang sama dengan input[8].

D V_out Vⁱⁿ

 

1 ⁽¹¹⁾

Nilai duty cycle D didapat dengan :

out

Vm

D1 V^* (12)

Vm* merupakan nilai tegangan setelah di tambahkan dengan nilai keluaran PI kontroler.

Gambar 4. Pengaruh irradiasi (a) dan suhu (b) terhadap fungsi I-V PV; pengaruh irradiasi (c) dan suhu (d) terhadap fungsi daya PV

Jala-jala

V < δv E < δE

Zlink

DC AC

Inverter

Gambar 5. Inverter terintegrasi jala-jala C. Inverter tiga fasa SPWM

Inverter tiga fasa terdiri dari enam IGBT yang dihubungkan dengan spwm generator dan enam fast recovery dioda IGBT.

) sin(

_{V E}

X

link

P  VE   

(13)

)

2

cos(

E V link

link

X VE X

Q  V    

(14) P dan Q diatur dengan mengatur impedansi link inverter mengubah tegangan keluaran inverter atau dengan mengubah besar beda sudut



_V

 

_E. Berdasarkan persamaan (13) dan (14) jika semakin besar nilai V maka nilai P dan Q akan semakin besar.

Hubungan antara inverter dan jala-jala diillustrasikan dengan Gambar 5.

Hubungan inverter dengan grid harus melalui Link Induktor. Link Induktor L didesain sebagai isolasi antara keluaran inverter dengan grid. Tegangan inverter dapat dikontrol dengan mengubah perbedaan phasa

E V





  

antara inverter dengan tegangan grid ataupun dapat juga dengan mengontrol modulasi tegangan.

Sudut phasa diatur sedemikian hingga daya aktif yang di trasfer maksimum dengan δ = 90° dan tegangan inverter dibuat konstan 380 ∙ 2 Volt pada indeks modulasi satu.

III. NEURO FUZZY MULTI MODEL MPPT Neuro-fuzzy mult-model MPPT terdiri dari dua bagian, fuzzy classifier dan artificial neural network (ANN). Gambar 6. menyajikan blok diagram neuro- fuzzy MPPT. Bagian berwarna biru merupakan fuzzy- classifier dan bagian berwarna kuning merupakan ANN.

ANN1

ANN2

Fuzzy ANN3

Classifier ^Suhu

Irrd Suhu

Irrd Suhu Irrd

Enable Enable Enable

Suhu Irrd

Vref

Kelas

Gambar 6. Arsitektur neuro fuzzy multi model MPPT

1.0

Dingin Hangat Panas

Suhu(˚C) (a)

1.0

Berawan Normal Cerah

Irradiasi(W/m^2) (b)

0 0.2 0.4 0.6

10

0 20 30 40

0.8 1.0

1.0 Kelas 1 Kelas 2 Kelas 3

(c)

0 0.2 0.4 0.6 0.8 1.0

Gambar 7. Input (a),(b), dan output (c) fungsi membership fuzzy rule-based classifiers

A.

fuzzy rule-based classifiers

Fuzzy-classifier yang digunakan pada tugas akhir ini adalah fuzzy rule-based classifiers yang ditemukan oleh Kucheva. Fuzzy rule-based classifiers yang memiliki prinsip sama dengan fuzzy-control dan merupakan fuzzy if-then sistem. Dalam tugas akhir ini membership function tidak didapat dari proser learning.

Membership function didapat dari data dan pengalaman yang telah ada[5].

Gambar 7. menyajikan membership function dari fuzzy classifier. Membership function terdiri dari dua masukan dan satu keluaran. Masukan fuzzy berupa suhu dan irradiasi dan keluaran nilai class. Tabel I.

menyajikan kumpulan fuzzy rule. Terdapat Sembilan if- then linguistik rule yang input-inputnya dihubungkan dengan logika and yang tampak pada Table I.

Kedua komponen fuzzy tersebut membentuk spectrum yang membagi masukan menjadi tiga kelas.

TABEL I FUZZY RULE

Suhu Irradiasi

Berawan Normal Cerah

Dingin Kelas 2 Kelas 3 Kelas 3

Hangat Kelas 1 Kelas 2 Kelas 3

Panas Kelas 1 Kelas 1 Kelas 2

B.

Multi-layered Percepton Neural Network (MLPNN) Bagian ke dua dalam neuro-fuzzy MPPT adalah tiga buah ANN. Dalam tugas akhir ini digunakan ANN yang memiliki arsitektur Multi-layered Percepton Neural Network (MLPNN).

ANN memiliki dua masukan suhu, irradiasi dan satu keluaran berupa tegangan referensi Vref. Untuk mengolah data masukan menjadi sebuah keluaran, AAN harus mengalami pelatihan atau training. Dalam proses pelatihan ANN dibutuhkan data pelatihan. Jumlah training data ANN tergantung dari jumlah masukan dan keluarannya. Jadi, untuk ANN yang memiliki dua masukan dan dua keluaran memiliki 3 macam training data. Dalam bagian lampiran buku ini terlampir training data yang di dapat dari karakteristik PV.

MLPNN Jumlah lapisan sebanyak dua layer.

Jumlah hidden neuron sebanyak sebelas neuron untuk ANN1 dan ANN3, dan berjumlah empat belas hidden neuron pada ANN2. Parameter pelatihan training set sebesar 70%, validation set sebesar 15%, dan testing set sebesar15%. Pelatihan dilakukan dengan menggunakan algoritma Levenberg-Marquardt, dengan fungsi peformansi Mean Square Error MSE.

Gambar 7 menyajikan fungsi peformansi pelatihan terhadap epoch atau banyak iterasi pelatihan.

MSE terkecil terjadi pada iterasi ke-150 dengan nilai 7,20*10^-1 dengan nilai regresi R 0.999948*10^-1 pada ANN1. Regresi merupakan tingkat kedekatan masukan dan keluaran pada ANN yang sudah terlatih. Proses ini juga dilakukan pada ANN2 dan ANN3 sehingga terbentuk 3 blok ANN yang telah mengalami pelatihan seperti tampak pada Gambar 8. Dari proses pelatihan didapat nilai MSE ANN2 sebesar 0,612 Volt dan MSE ANN3 bernilai 0.44 Volt.

IV. HASIL SIMULASI DAN ANALISIS

Gambar 9 digunakan sebagai acuan pengambilan data daya dan perhitungan efisiensi PV. Dengan acuan diatas maka dapat diketuahui daya pada setiap bagian, efisiensi dan peformansi sistem.

Pada Gambar 10 disajikan perbedaan sintem PV yang menggunakan MPPT dan tidak menggunakan MPPT. Untuk mengetahui perbedaan daya yang dihasilkan digunakan tahanan yang bervariasi sebagai beban pada PV untuk sitem tak ber-MPPT. MPPT daya yang dihasilkan tidak selalu pada daya maksimum ketika dibebani dengan nilai tahanan yang berbeda. Hal ini tentu akan memperkecil efisiensi sistem. Pada sistem yang menggunakan MPPT di dalamnya, PV dipaksa untuk bekerja pada tegangan optimumnya, sehingga daya maksimum selalu tercapai.

Gambar di bawah ini menampilkan besar daya yang diberikan oleh PV dan daya yang dikeluarkan oleh boost konverter pada irradiasi 1000 W/m² dan suhu 35

˚C. Saat stedy state daya yang di hasilkan PV berkisar 18884,46 Watt, artinya memiliki selisih kecil dengan daya puncak 18884,5 Watt.

Gambar 11. Grafik fungsi daya PV dan boost converter Gambar 7. Peforma pelatihan ANN1

Gambar 8. Neuro-fuzzy multi-model MPPT

PPV POUT-INV

Irradiasi

PV

INVERTER

AC Link Inductor Grid Pboost

Baterai

Pbatt BOOST

KONVERTER

PIN-INV

KontrolerMPPT Irradiasi

Suhu

Gambar 9. Konfigurasi system PV

Gambar 10. Daya PV dengan tidak menggunakan MPPT dan menggunakan MPPT

Gambar 12. Grafik fungsi daya input inverter, baterai, dan boost konverter

Gambar 13. Grafik fungsi daya inverter

Gambar 12. menampilkan fungsi daya masukan inverter, baterai, dan boost konverter terhadap waktu pada yang sama. Nilai steady state daya rata-rata baterai pada saat irradiasi 1000 W/m² dan temperatur 35 ˚C berkisar 5751 Watt. Daya tersebut merupakan sisa dari daya yang tidak diserap oleh inverter.

Gambar 13. di atas menunjukkan daya yang disalurkan oleh inverter ke grid. Garis merah merujuk pada daya reaktif yang diserap oleh grid, dan warna biru menunjukkan daya aktif yang di serap oleh grid.

Daya aktif keluaran inverter rata-rata pada saat stedy state adalah berkisar 12655,86 Watt. Daya reaktif yang dihasilkan sebesar 12647.62 Watt. Nilai negatif pada gambar menunjukkan inverter mensuplai daya reaktif.

Gelombang tegangan dan arus yang diukur disisi grid setelah steady state ditampilkan pada gambar 14.

Pada gambar diatas dilihat bahwa nilai arus leading terhadap tegangan grid



45°. Nilai tegangan puncak grid adalah 310.27 Volt dan nilai tegangan rms 220 Volt. Nilai arus puncak yang diserap grid adalah 38.46 A dan nilai rms arus 27.20 A.

Untuk mengetahui apakah system sudah dapat merespon perubahan dengan baik, maka di simulasikan respon system terhadap perubahan irradiasi.

Gambar 15. mensimulasikan tanggapan sistem PV terhadap perubahan irradiasi. Perubahan irradiasi dari 1000 W/m2 menjadi 500 W/m2 terjadi pada waktu sama dengan satu sekon. Dari grafik dapat kita amati bahwa ketika terjadi perubahan irradiasi MPPT segera bekerja sehingga titik daya maksimum dapat dicapai kembali. Dari grafik dapat kita simpulkan bahwa sistem PV mempunyai tanggapan yang baik.

A. Akurasi Neuro Fuzzy Multi Model MPPT

Tabel II. dan III. Tingkat akurasi sistem PV tentu sangat dipengaruhi oleh kontroler di dalamnya.

Kontroler yang berfungsi mendapatkan Vref tegangan acuan kerja sistem.

TABEL II

AKURASI TEGANGAN REFERENSI DENGAN VARIASI IRRADIASI 100S/D1000W/M²

No. Suhu Irradiasi Vref Vpv(p=max) Error Akurasi (˚C) (W/m²) (V) (V) (V) Vref

1 35 1000 263.7 263.4 0.3 99.89%

3 35 800 259.4 259.7 0.3 99.88%

5 35 600 255 254.1 0.9 99.65%

7 35 400 245.8 245.3 0.5 99.80%

9 35 200 228.3 228.6 0.3 99.87%

TABEL III

AKURASI TEGANGAN REFERENSI PADA IRRADIASI 1000 W/M², VARIASI SUHU 25S/D50˚C

No. Suhu (˚C) Irradiasi (W/m²) Vref

(V) Vpv(p=max)

(V) Error

(V) Akurasi Vref

1 25 800 270.5 271 0.5 99.82%

2 30 800 265 265.3 0.3 99.89%

3 35 800 259.7 259.4 0.3 99.88%

4 40 800 254.1 254 0.1 99.96%

5 45 800 248.4 248.4 0 100.00%

6 50 800 244.3 243 1.3 99.47%

Gambar 14. Arus dan tegangan grid fasa A

Gambar 15. Grafik fungsi daya terhadap waktu pada suhu 35 ˚C pada waktu 0 –s/d 1 s irradiasi 1000 W/m² dan 500 W/m² pada 1 –s/d 2

s

TABEL IV

AKURASI TEGANGAN REFERENSI DENGAN VARIASI IRRADIASI 100S/D1000W/M²

TABEL V

AKURASI TEGANGAN REFERENSI DENGAN VARIASI IRRADIASI 100S/D1000W/M²

B. Tingkat efisiensi system PV Inverter

Nilai effisiensi sistem merupakan hasil perkalian dari effisiensi PV, efisiensi boost, dan efisiensi inverter.

Semakin kecil nilai radiasi matahari, maka semakin kecil pula efisiensi PV. Hal tersebut berlaku pula pada boost konverter. Semakin kecil irradiasi matahari menyebabkan duty cycle yang semakin besar. Besarnya D menyebabkan berkurangnya efisiensi boost konverter. Kedua konponen tersebut mempengaruhi efisiensi sistem sehingga efisiensi sistem sebanding dengan irradiasi. Tabel IV. menunjukkan rinccian nilai efisiensi sistem pada suhu 35 ˚C dan variasi irradiasi 200 s/d 1000 W/m². Tabel V. menunjukkan rinccian nilai efisiensi sistem pada irradiasi 800 W/m² dan variasi temperatur 25 s/d 50 ˚C. Nilai efisiensi yang berkisar diatas 10% menunjukkan sistem PV memiliki efisiensi yang cukup baik.

V. K

ESIMPULAN

1. Model PV dalam tugas akhir ini mendekati spesifikasi. Model PV memiliki error daya keluaran sebesar 2.08%, error tegangan pada daya maksimum sebesar 0.59%, error arus maksimum sebesar 0.67%.

2. Neuro-fuzzy multi-model kontroler memiliki nilai error yang sangat kecil. Mean square error (MSE) Neuro fuzzy kontroler bernilai 0.72 Volt pada ANN1, 0.61Volt pada ANN2, dan 0.44 Volt pada ANN3.

3. Sistem PV 20 kW menggunakan Neuro fuzzy multi model mempunyai akurasi yang tinggi dan efisiensi yang tinggi. Sistem PV mencapai efisiensi konversi energi rata-rata 12% dengan tingkat matching efisiensi rata-rata sebesar 99,94 %.

4. Sistem PV dalam tugas akhir ini sudah dapat mengalirkan daya secara optimal. Pada irradiasi 800 W/m² dan suhu 35 ̊C PV mengalirkan daya sebesar 14,61 kW.

LAMPIRAN A

Deskripsi Nilai

Tipe Panel solar BP-583F Boost Induktor 100 mH Boost Kapasitor 1.4 mF PWM carrier frekuensi 10000 Hz Link Induktor Llink = 36,255 mH

δ 90˚

Grid 3 phasa V = 380 V, f = 50 Hz Daya PV sistem 20 kW

DAFTAR PUSTAKA

[1] Beale Mark Hudson, Martin T. Hagan, Demuth Howard B, “ Neural Network Tool Box 7 User’s Guide”, 2011

[2] BP Solar “How does solar power work?”, <http://www.bp.com/

iframe.do?categoryId=9025053&contentId=7047306>, April, 2011

[3] Gross, Charles A., “Power System Analysis”, John Wiley and Sons, New York, 1986

[4] Hydro – Quebec, “SimPowerSystem 5 User’s Guide”, 2011 [5] Kamal Rashad M., Nagasaka Ken, “A Novel Multi-Model

Neuro-Fuzzy Based Mppt For Three-Phase Grid-Connected Photovoltaic System”, Solar Energy, Volume 84, Issue 12, Pages 2219-2229, 2010

[6] Kuncheva, L.I., “Fuzzy Classifier Design”, Physica-Verlag, Heidelberg, 2000

[7] Lasseter, R. Tomsovic, K., Piagi, P., “Scenarios for Distributed Technology Applications with Steady State and Dynamic Models of Loads and Micro-Sources”, CERTS Report, 2000

[8] Rashid, Muhammad H., “Power Electronics : Circuits, Devices, and Applications”. Englewood Cliffs, N.J., Prentice-Hall, 1993

RIWAYAT PENULIS

Kharisma Bani Adam, putra pertama dari pasangan Bapak Burhanuddin dan Ibu Siti Maryam, lahir di Jember, 23 Desember 1988. Penulis sedang menempuh pendidikan S1 Teknik Elektro-ITS dengan mengambil bidang studi Teknik Sistem Tenaga.

No. Irrd (W/m²) Suhu

(˚C) Luas

PV (m²) Psun (W) Ppv (W) Pboost (W)

Eff.

Sistem (%) 1. 800 25 145.152 116121.6 15561.87 15284.58 13.03 2. 800 30 145.152 116121.6 15226.9 14945.64 12.74 3. 800 35 145.152 116121.6 14884.37 14606.7 12.45 4. 800 40 145.152 116121.6 14565.01 14267.76 12.16 5. 800 50 145.152 116121.6 13861.58 13584.5 11.58 No. Irrd

(W/m²) Suhu (˚C) Luas

PV(m²) Psun (W) Ppv (W) Pboost (W)

Eff.

Sistem (%) 1. 1000 35 145.152 145152 18884.46 18711.64 12.76 2. 800 35 145.152 116121.6 14884.37 14606.7 12.45 3. 600 35 145.152 87091.2 10909.8 10705.12 12.17 4. 400 35 145.152 58060.8 7001.928 6875.4 11.72 5. 200 35 145.152 29030.4 3240.86 3195.72 10.90