BAB III METODOLOGI PENELITIAN

14

BAB III

METODOLOGI PENELITIAN

3.1

Perencanaan Komponen Hibrid

Tahap pembangun energi hibrid yang baru panel surya dan turbin angin meliputi panel surya, turbin angin, baterai, inverter, battery charge controller serta lainnya. Terdapat diagram skematik tahap terhadap pengkajian ini digambarkan pada Gambar 3.1 di bawah ini:

Gambar 3.1 Diagram Skematik Sistem Energi Hibrid Terbarukan

Panel surya serta turbin angin bergotong royong guna mencukupi daya keperluan beban listrik. Saat asal energi sangat banyak sehingga penggerak mencukupi keperluan listrik dan bisa memberikan energi dalam baterai sampai maksimal. Berbanding terbalik saat asal energi sangat negatif, baterai bisa menolong guna mencukupi daya keperluan beban listik.

3.1.1

Panel Surya

Panel surya yang dipakai terhadap pengkajian merupakan polycrystalline pada jenis barang SW 285 MONO. Terdapat tabel spesifikasi panel surya (PV):

15

Tabel 3.1 Spesifikasi Panel Surya (PV)

Spesifikasi Produk

Model SW 285 MONO

Max. Power (Pmax) 285W

Max. Voltage (Vpm) 31.3V

Max. Current (Imp) 9.20A

Open Circuit Voltage (Voc) 39.7V Short Circuit Current (Isc) 9.84A

Max. System Voltage DC 1000V

Dimensi 1650x992x40 mm

Berat 23.5 Kg

Jumlah Cell 8

3.1.2

Turbin Angin

Turbin angin yang dipakai terhadap pengkajian meripakan turbinangin pada bentuk barang EFD-500-L. Terdapat tabel spesifikasi turbinangin (Wing Turbin):

Tabel 3.2 Spesifikasi Turbin Angin (Wing Turbin)

Spesifikasi Produk

Model EFD-500-L

Rated Power (W) 500W

Max. Power (W) 510W

Rated Voltage (V) 24/48V

Rotor Diameter (M) 2.5

Start-up Wind Speed (m/s) 2.0 Rated Wind Speed (m/s) 11 Security Wind Speed (m/s) 45 Over Speed Protection Auto Furl Temperature Range -40 to 60 Deg. C

Shell Material Casting Aluminium Alloy

Blade Material Nylon Fiber

Blade 3

Rated Rotating Rate (rpm) 510

Generator Permanent Magnet Alternator

Output Form 24 DC Nominal

16 3.1.3

Baterai

Peran pokok pemakaian baterai ialah menjadi pendamping energi listrik yang mana ketika suatu periode energi matahari serta energi angin tak bisa memperoleh energi yang seperlunya guna membantu beban listrik supaya listrik tak terjadi kematian listrik. Makin tinggi penyimpanan baterai maka berdampak terhadap periode penggerak energi listrik yang mana asal energi tak terdapat.

Tingginya penyimpanan baterai ada terhadap kesamaan (6) Bab 2. Terhadap penyusunan tahap kemudian parameter yang diganti guna menselaraskan pada LPSP serta ACS merupakan autonomous day (ad). Yang mana autonomous days ialah sebuah total hari yang bisa dibantu baterai jika tak ada perolehan energi yang memadai [9][16].

3.1.4

Inverter

Inverter ialah sebuah indikator utama pada tahap penggerakan energi hybrid modern. Inverter bisa mengganti arus DC yang bersumber pada panel surya serta turbin angin sebagai arus AC yang diperlukan pada beban listrik. Suatu inverter perlu bisa mengatasi beban listrik ketika beban terdapat diatas. Maka guna desain penyimpanan inverter yang dipakai bisa diungkapkan 20 persen diatas pada beban listrik pada semua keperluan beban yang tersedia [16].

3.1.5

Battery Charge Controller (BCC)

Berperan menjadi pengait terhadap baterai pada tiap penggerak serta DC bus. BCC menjaga baterai dalam over charging serta deep discharging. BCC perlu memutuskan beban listrik saat penyimpanan baterai sudah di angka terendah pada nilai yang ditetapkan.

Penetapan penyimpanan BCC melalui jumlah arus baterai serta jumlah daya yang keluar terhadap panel surya (PV) serta turbin angina (wing turbin). Guna lancarnya, penetapan penyimpanan BCC 20 persen diatas pada jumlah daya yang digerakkan dengan panel surya (PV) serta turbin angin (wing turbin).

17 3.2

Data Meteorologi

Lokasi yang ditentukan pada pengkajian merupakan lokasi disekitar PT.

Lentera Bumi Nusantara dengan titik koordinat 07°45'36.23" S dan 107°56'25.65"

E. Data radiasi matahari serta data kecepatan angin didapat secara situs resmi Badan Meteorologi serta Klimatologi NASA (National Aeronautics and Space Administration) ialah https://eosweb.larc.nasa.gov. berdasarkan web resmi itu data yang terdapat saat tahun 2007. Terdapat data radias matahari serta pula data kecepatan angin diamati dalam Gambar 3.2 serta Gambar 3.3.

Gambar 3.2 DataRadiasi MataharidalamSatu Tahun

Gambar 3.3 DataKecepatan AngindalamSatu Tahun

Berdasarkan gambar tersebut radiasi matahari mempunyai besaran yang relative seimbang. Berhubungan pada penempatan geografis yang dipunyai Indonesia ialah berada pada katulistiwa. Daerah katulistiwa ialah sebuah belahan bumi pada total hari penyinaran matahari terbesar dibandingkan yang lainnya.

18

Besaran cahaya matahari terhadap bulan tengah tahun (Juli-Agustus) terjadi penyusutan sedikit. Disebabkan terhadap bulan tengah bumi mengarah utara.

Sinar matahari yang diperoleh bumi bisa sangat mengarah terhadap belahan bumi utara.

Berdasarkan Gambar 3.4 data kecepatan angin pada satu tahun bisa diamati jika adanya gambar naik turun yang berubah. Berhubungan terhadap besarnya cahaya matahari yang diperoleh suatu wilayah. Dan juga berbanding terbalik, saat belahan bumi selatan memperoleh besaran rendah cahaya.

Pada data suhu harian terhadap wilayah sekitar PT. Lentera Bumi Nusantara memakai data pendapat yang mana suhu tertinggi dialami saat periode siang hari serta suhu rendah terdapat saat malam hari. Suhu lingkungan diungkapkan setiap pada satu tahun. Terdapat suhu lingkungan terhadap wilayah PT. Lentera Bumi Nusantara:

Data Suhu Harian

Gambar 3.4 SuhuLingkungaan Harian 3.3

Perencanaan Beban Harian

Terhadap pengkajian ini, profil beban yang dipakai merupakan profil beban terhadap wilayah PT. Lentera Bumi Nusantara yaitu bangunan perpustakaan dan rumah. Rata-rata penggunaan beban pada area PT. Lentera Bumi Nusantara diungkapkan sejumlah 2,3 kWh per hari. Periode tertinggi penggunaan listrik terdapat di siang hari dimana mahasiswa rata-rata sedang melakukan projek dengan menggunakan laptop, LCD, dan alat elektronik lainnya, sedangkan pada pagi hari sampai menjelang siang dan sore sampai malam hari pemakaian listrik

19

relatif lebih rendah, karena pada pagi hari hingga menjelang siang mahasiswa baru memulai aktivitas dan sore harinya melakukan kegiatan di luar rumah seperti berolahraga dan berkumpul sampai malam hari. Periode terendah dialami saat tengah malam hingga awal pagi hari yang mana mahasiswa sedang beristirahat.

Gambar 3.5 Profil Beban Listrik Area PT. Lentera Bumi Nusantara

3.4

Strategi Pengaturan Daya

Tak pastinya sumber energi modern membentuk strategi kelola daya ialah lebih utama, khususnya saat sumber energi yang terdapat perlu menselaraskan keperluan daya terhadap suatu periode. Sehingga, mempunyai cara kelola daya hal utama terhadap tahap penggerakan energi modern. Sebagian situasi yang disajikan sebagai perbandingan terhadap percobaan di MATLAB guna membentuk strategi kelola daya [9][16]:

 Kondisi 1

Keunggulan energi yang sudah gerakan melalui sumber energi modern yang sudah mencukupi keperluan beban listrik dipakai guna memberi daya baterai.

 Kondisi 2

Sumber energi modern tak bisa mengadakan energi untuk beban listrik. Energi yang terdapat di baterai dipakai guna menolong keperluan beban listrik.

 Kondisi 3

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Daya Listrik (kWh)

Waktu (jam)

20

Sumber energi modern tak bisa mencukupi keperluan beban listrik serta energy terhadap baterai sudah habis. Terhadap situasi ini sebagai pematian daya listrik.

Diagram alir pada sebagian model situasi terdapat dalam Gambar 3.6.

Gambar 3. 6 FlowchartStrategi Pengaturan Daya

Gambar 3.7 FlowchartSub process Charge

21

Gambar 3.8 FlowchartSubprocess Discharge Keterangan :

t : waktu saat t Eb : Energi Baterai Ppv : Daya keluaran PV Ebmax : Energi maks. baterai Pwt : Daya keluaran turbin angin Ebmin : Energi min. baterai Pl : Daya kebutuhan beban Ech : Energi saat charging ηinv : Efisiensi Inverter Edch : Energi saat discharging 3.5

Kriteria Pengoptimalan Sizing

Guna menyusun tahap penggerak energi hibrid modern pada taraf andal besar serta dana yang rendah dibutuhkan sebuah metodei evaluasi. Sebagian metode yang direkomendasikan pada menyusun tahap penggerak energi hibrid modern dikaji terhadap kajian kemudian pada subbab ini.

3.5.1

Kriteria Reabilitas Daya dengan Konsep LPSP

LPSP (Loss of Power Supply Probability) diartikan menjadi rasio menduga tak sanggupnya suplai daya saat tahap hibrid tak bisa mencukupi keperluan daya yang tersedua. Suatu LPSP jika nilainya 0 artinya daya beban bisa dimaksimalkan. Berbanding terbalik, LPSP nilainya 1 artinya daya beban tak bisa dimaksimalkan. LPSP ialah sebuah paremeter statistical. Akumulasinya tak Cuma

22

mengacu terhadap waktu saat energi besar atau rendah. Sehingga, ketika waktu yang rendah tahap terjadi penaikan nilai tidak adanya daya yang besar. Peran objektif pada LPSP, pada periode ke-0 hingga T bisa ditampilkan berupa [2][9]:

LPSP =^∑𝑇_𝑡=0Power failure time

𝑇 (3.19)

=^{∑ Time (𝑃𝑎𝑣𝑎𝑖𝑙𝑎𝑏𝑙𝑒 (𝑡) < 𝑃𝑛𝑒𝑒𝑑𝑒𝑑(𝑡))}

𝑇 𝑡=0

𝑇 (3.20)

Yang mana T ialah total pukul (8760 jam). Power failure time diartikan menjadi periode beban tak tercukupi saat daya yang diperoleh panel surya (PV) serta turbin angin (wing turbin) tak memenuhi serta energi yang disimpan pada baterai tidak ada, Pneeded yang diperlukan pada beban bisa melalui rumus berupa:

𝑃_{𝑛𝑒𝑒𝑑𝑒𝑑}(𝑡) = ^{𝑃𝐴𝐶 𝑙𝑜𝑎𝑑(𝑡)}

𝜂_{𝑖𝑛𝑣𝑒𝑟𝑡𝑒𝑟} (3.21)

Yang mana PAcload(t) merupakan daya beban keperluan beban listrik ketika periode ke-t. ηinverter ialah sebuah efesien inverter. Serta Pavailable yang terdapat ditahap hibrid bisa diamati terhadap rumus berupa:

𝑃𝑎𝑣𝑎𝑖𝑙𝑎𝑏𝑙𝑒 (𝑡) = 𝑃𝑝v(𝑡) + 𝑃𝑤𝑡(𝑡) + (𝐸𝑏(𝑡) − 𝐸𝑏𝑚𝑖𝑛) (3.22) Yang mana Ppv(t) ialah sebuah daya yang diperoleh panel surya (PV) ketika periode ke-t. Pwt(t) ialah sebuah daya yang turbin angin (wing turbin) ketika periode ke-t. Eb(t) ialah sebuah energi yang disimpan dibaterai ketika periode ke-t.

Ebmin ialah sebuah energi rendah yang ada pada baterai. Maka LPSP bisa dibuat rumus berupa:

LPSP =

∑^𝑇 𝑃_𝑝𝑣(𝑡)+𝑃_𝑤𝑡(𝑡)+(𝐸_𝑏(𝑡)

𝑡=0 −𝐸_{𝑏𝑚𝑖𝑛})<𝑃_{𝐴𝐶 𝑙𝑜𝑎𝑑}(𝑡)/𝜂_{𝑖𝑛𝑣𝑒𝑟𝑡𝑒𝑟}

𝑇 (3.23)

3.5.2

Kriteria Ekonomi dengan Konsep ACS

Terhadap pengkajian ini pendekatan ekonomis memakai mode annualized cost of system (ACS). Berdasarkan pengkajian mengenai tahap hibrid panel surya (PV) – turbin angin (wing turbin), anggaran pertahun terhadap tahap meliputi annualized capital cost Cacap, annualized replacement cost Carep serta annualized maintenance cost Camain. Adanya sebagian pokok ialah panel surya (PV), turbin angin (wing turbin), baterai, converter daya, serta lainya. Kesamaan ACS bisa dibuat rumus berupa [2]:

23

𝐴𝐶𝑆 = 𝐶𝑎𝑐𝑎𝑝 (𝑃𝑉+𝑇𝑢𝑟𝑏𝑖𝑛 𝐴𝑛𝑔𝑖𝑛+𝐵𝑎𝑡𝑒𝑟𝑎𝑖+𝑇𝑜𝑤𝑒𝑟+𝑑𝑙𝑙)+

(𝐵𝑎𝑡)+(𝑃𝑉+𝑇𝑢𝑟𝑏𝑖𝑛 𝐴𝑛𝑔𝑖𝑛+𝐵𝑎𝑡𝑒𝑟𝑎𝑖+𝑇𝑜𝑤𝑒𝑟+𝑑𝑙𝑙) (3.24) 3.5.2.1.

Annualized capital cost

Meliputi biaya indikator hingga biaya pemasangan. Bisa dibuat rumus berupa:

𝐶𝑎𝑐𝑎𝑝 = 𝐶𝑐𝑎𝑝 . (𝑖, 𝑌𝑝𝑟𝑜𝑗) (3.25) Yang mana Ccap merupakan dana modal awal tiap indikator pada dollar; Yproj

merupakan usia indikator pada tahun; CRF merupakan aspek pulihnya modal, suatu rasio guna mengakumulasi nilai saat ini melalu anuitas. Kesamaan pada CRF ialah meliputi:

𝐶𝑅𝐹(𝑖, 𝑌_{𝑝𝑟𝑜𝑗}) = ^{𝑖 .(1+𝑖)𝑌𝑝𝑟𝑜𝑐ℎ}

(1+𝑖)^{𝑌𝑝𝑟𝑜𝑐ℎ}−1 (3.26)

Taraf bunga riil tahunan i berkaitan pada besaran suku bunga i’serta taraf inflasi tahunan f pada kesamaan berupa:

𝑖 = ^{𝑖′−𝑓}

𝑖+𝑓 (3.27)

3.5.2.2.

Annualized Replacement Cost

Terhadap indikator tahap merupakan nilai tahunan pada seluruh anggaran perubahan yang dialami selama saat proyek. Pada pengkajian tahap hibrid, baterai yang harus dirubah tiap kala saat proyek.

𝐶𝑎𝑟𝑒𝑝 = 𝐶𝑟𝑒𝑝 . (𝑖, 𝑌𝑟𝑒𝑝) (3.28) Yang mana Crep merupakan perubahan anggaran indikator (baterai), dollar. Yrep

merupakan usia indikator (baterai), tahun. SFF merupakan aspek dana pelunasan, rasio guna mengakumulasi kedepanya nilai pada rangkaian arus kas tahunan yang selaras. Kesamaan SFF berupa:

𝑆𝐹𝐹(𝑖, 𝑌_𝑟𝑒𝑝) = ^𝑖

(1+𝑖)^{𝑌𝑟𝑒𝑝}−1 (3.29)

3.5.2.3.

Maintenance Cost

Anggaran perawatan tahap mengpartisipasikan f pada akumulasi bisa dibuat rumus :

24

Camain(n) = Camain(1) . (1 + f)ⁿ (3.30) Yang mana Camain(n) merupakan anggaran perawatan saat tahunke-n.

Konfigurasi pada anggaran tahunan tahap (ACS) yang minimum ditarik menjadi yang efesien pada konfigurasi yang bisa memastikan kematangan yang diperlukan sumber daya listrik.

Tabel 3.3 Aspek Biaya dan Umur pada Komponen Sistem

Komponen Biaya Modal Awal

Biaya Penggantian

Biaya Perawatan Tahun Ke-1

Umur Komponen

(Tahun)

Rasio Interest i’

(%)

Rasio Inflasi f

(%)

Panel Surya

1000 US$/kW

- 10 US$/kW 20

12 4

Turbin Angin

1000 US$/kW

- 30 US$/kW 20

Baterai

1500 US$/kAh

1500 US$/kAh

50 US$/kW 4

Inverter

300 US$/kW

- 10 US$/kW 20

BCC

250 US$/kW

- 7,5 US$/kW 20

Anggaran pemeliharaan tiap indikator ditetapkan melalui persentase pada anggaran modal awal [2]. Biaya pemeliharaan panel surya mempunyai jumlah sebanyak 1%. Dilandaskan pada kesusahan pemeliharaan sebuah indikator. Panel surya (PV) ialah sebuah indikator yang gampang pada pemeliharaan berupa pemeriksaan kebersihan kaca serta bersihnya panel surya (PV).

Indikator pada taraf kesusahan yang besar mempunyai jumlah yang sangat banyak. Salah satunya, pemeliharaan turbin angin (3%) yang mempunyai berbagai indikator terhadap panel surya (PV).

3.5.2.4.

Optimisasi Multi Obyektif

Optimisasi terhadap tahap energi hibrid modern khususnya pada konflik multiobyekif serta adanya variasi metode guna menyudahkan konflik ini. Tetapi terhadap seluruh metode, skalarisasi linier merupakan pendekatan yang dikenal

25

𝑖

sebab kelancaranya. Pada metode ini, konflik multiobyektif bisa diganti sebagai konflik obyektif tunggal pada teknik penggabungan sebagai peran linier serta dilayani menjadi constraint. Peran fitness bisa dicatat pada kesamaan berupa [9]:

𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = min {∑ 𝑤_𝑖^{𝑓𝑖(𝑥)}

𝑓_𝑖^𝑚𝑎𝑥

𝑘𝑖=1 } , dengan 𝑤_𝑖 ≥ 0 dan ∑^𝑘_𝑖=1𝑤_𝑖 = 1 (3.31) Yang mana x merupakan aspek pada variable yang ditetapkan, berat (wi) artinya kepokokan relatif terhadap tiap obyektif, k merupakan total obyektif, f merupakan peran obyektif serta 𝑓_𝑖^𝑚𝑎𝑥 merupakan hambatan pada ke-i peran obyektif.

Terhadap tahap penggerakan energi hibrid modern LPSP serta ACS ialah sebuah dua peran yang selaras pokok guna menelusuri tahap yang maksimal.

Guna menormalkan kedua peran obyektif tersebut berat (wi) ditetapkan sejumlah 0.5 [9].

Tapi adanya dikit pembaharuan terhadap peran ACS. Nilai ACS sampai ratusan juta dollar. Membentuk rentan nilai ACS pada LPSP (0 hingga 1) tertinggal jauh. Sehingga terhadap penetapan peran fitness nilai ACS diganti pada anggaran listrik (US$per-kWh) pada nilai 0 hingga 3.

3.6

Metode Optimasi Sizing dengan Algoritma DE

Algoritma DE (Differential Evolution) ialah sebuah aplikasi percobaan guna menolong tahap penelusuran pada variasi konfigurasi terhadap tahap penggerak energi modern mengarah terhadap strategi LPSP serta ACS. Diagram alur tahap optimasi sizing memakai algoritma DE digambarkan berupa:

26

Mulai

Inisialisasi Parameter DE

Membangkitkan vektor X sejumlah populasi dari Banyaknya pv,wt, dan ad

Hitungan LPSP dan ACS

Hitungan Fungsi Fitness

Pilih vektor X dengan nilai fitness terkecil Vektor X terbaik akan sebagai vektor induk

dan vektor X best saat itu.

Mutasi (Mutation)

Pembatasan ruang gerak vektor agar tidak melibihi batas atas

dan batas bawah

Evaluasi Sementara

Rekombinasi (Crossover)

Seleksi (Selection)

Kriteria tercapai

Konfigurasi optimal dari Sistem Panel Surya, Turbin Angin,

Baterai, Inverter dan BCC

Selesai

T

Y

Gambar 3.9 FlowchartMetode Optimasi Sizing dengan Algoritma DE

27

Mulai

Vektor Induk X dan vektor X best

Vektor Xold = Vektor X

Membangkitkan Vektor Xr1 s/d Xr4

Acak Indeks r1 s/d r4

Pilih Strategi Mutasi

Strategi 2 Strategi 3 Strategi 4

Strategi 1

DE/rand/1 X = bm + F*(xr1 - xr2);

DE/best/1 X = xr1 + F*(xr2 – xr3)

DE/current-to-rest/1 X = Xold + F*(bm-Xold) + F*(xr2 – xr3);

DE/best/2

X = bm + F*(xr1 - xr2 + xr3 - xr4

Vektor X

Selesai Y

T

Y Y Y

T T T

Gambar 3.10 Flowchart Sub Proses pada Mutasi

28

Gambar 3.11 Flowchart Sub Proses pada Rekombinasi

Gambar 3.12 Flowchart Sub Proses pada Pembatasan Ruang Gerak Vektor

29

Gambar 3.13 Flowchart Sub Proses pada Evaluasi Sementara

Gambar 3.14 Flowchart Sub Proses pada Seleksi

30

Tahap pelaksanaan optimasi sizing dalam algoritma DE mengarah terhadap LPSP serta ACS berupa:

1. Petunjuk parameter terhadap DE.

Tabel 3.4 Parameter DE

Jumlah populasi NP 10

Dimensi D 3

Skala Mutasi F 0,7 Rasio Rekombinasi CR 0,7 Iterasi maksimal 20 2. Petunjuk data meteorologi.

3. Petunjuk data profil beban listrik.

4. Petunjuk ciri khas indikator (panel surya, turbin angin, dll).

5. Tahap inisialisasi menggerakkan vektor X sejumlah NP populasi pada D dimensi melalui acak. Dimensi ke-1 ialah menjadi total panel surya dalam lower bound serta upper bound, [0,30]. Dimensi ke-2 ialah menjadi total turbin angin pada lower bound serta upper bound, [0,5]. Dimensi ke-3 ialah menjadi total autonomous days serta lower bound dan upper bound, [0,5].

6. Perbaikan vektor X pada peran obektif (LPSP serta ACS) guna menelusuri nilai peran fitness minimun.

7. Hasil evaluasi vektor X dengan nilai fitness terendah akan menjadi vektor terbaik saat ini dan menjadi vektor induk.

8. Perpindahan vektor X sebagai vektor V. Adanya sebagian beberapa perpindahan terhadap algoritma DE meliputi selaras pada kesamaan 2.15 [15][17]:

- DE/rand/1

V𝑖, = 𝑋𝑟0, + 𝐹 (𝑋𝑟1, − 𝑋𝑟2,) - DE/current-to-rest/1

V𝑖, = 𝑋𝑖, + (𝑋𝑏𝑒𝑠𝑡, − 𝑋𝑖,) + 𝐹𝑖 (𝑋𝑟1, − 𝑋𝑟2,)

31 - DE/best/1

V𝑖, = 𝑋𝑏𝑒𝑠𝑡, + 𝐹 (𝑋𝑟1, − 𝑋𝑟2,) - DE/best/2

V𝑖, = 𝑋𝑏𝑒𝑠𝑡, + 𝐹𝑖 (𝑋𝑟1, − 𝑋𝑟2, + 𝑋𝑟3, – 𝑋𝑟4,)

9. Penggabungan vektor V, vektor X guna membentuk vektor U.

10. Seleksi vektor U dan vektor X. Vektor pada nilai fitness yang rendah bisa menahan sebagai vektor induk kemudian.

11. Uji coba tahap ke-8 sampai ke-10 total iterasi maksimal.