Desain Kontrol Optimal Pembangkit Listrik Ramah Lingkungan Menggunakan Tenaga Angin
Ahmad Nadhir1)*, Agus Naba1)
1)Jurusan Fisika Fakultas MIPA, Universitas Brawijaya, Malang Diterima 20 September 2012, direvisi 19 Oktober 2012
ABSTRAK
Telah dilakukan simulasi komputer untuk membandingkan dua metode kontrol optimal menggunakan fuzzy inference system (FIS) untuk memaksimalkan energi listrik yang dihasilkan sistem konversi energi tenaga angin (SKETA). MPPTFIS merupakan metode kontrol optimal pertama yang disimulasikan dengan menggunakan pendekatan maximum power point tracking ditambah dengan sistem fuzzy. Target kontrol metode MPPTFIS adalah mempertahankan laju perubahan daya dan kecepatan sudut rotor tetap berharga nol. Sistem kontrol akan mengatur kecepatan putar generator untuk dipercepat/diperlambat berdasarkan informasi laju perubahan yang terjadi pada saat pengukuran.
Dengan mempertahankan laju perubahan disekitar harga nol maka dapat dipastikan energi angin dapat terserap secara optimal oleh SKETA. Metode kontrol optimal kedua adalah memanfaatkan adaptive neuro fuzzy inference system (ANFIS) untuk memodelkan kurva daya yang terjadi pada SKETA.
Persamaan hubungan antara daya maksimal dengan kecepatan angin didapatkan dari model kurva daya sehingga dapat digunakan untuk membuat kontrol umpan balik linear (LCANFIS). Diperlukan hanya satu buah informasi pengukuran yaitu kecepatan angin merupakan keuntungan LCANFIS dibandingkan MPPTFIS. Untuk mengetahui performansi kedua metode kontrol optimal dilakukan dengan cara memperhatikan perubahan koefisien dayaCpdan kurva garis maximum power extraction (MPE) selama proses simulasi dengan menggunakan profil angin yang sama.
Kata kunci:kontrol optimal, energi angin, FIS, MPPT.
ABSTRACT
Two optimal control methods based on fuzzy inference system (FIS) for maximizing extraction of energy in wind energy conversion system (WECS) is already presented. An MPPTFIS is a first optimal control method using maximum power point tracking approach and fuzzy system. The objective of MPPTFIS is to make zero value change rate of power and rotor speed. A control system will drive an actuator to increasing or decreasing the generator speed depend on the measurement rate of power and rotor speed. An optimal of WECS can be achieved by carried through the rate of power and rotor speed that operating near optimal point. The second optimal control method is proposed by using adaptive neuro fuzzy inference system (ANFIS) to finding model of power curve that will be applied for design of linear control feedback (LCANFIS). The advantage of LCANFIS than MPPTFIS is only one parameter measusrement needed: wind speed. MPPTFIS and LCANFIS could maximize extraction of the wind energy that verified by a power coefficientCpstay at its maximum almost all the time and an actual power line close to a maximum power extraction (MPE) line reference during simulation process using a same of wind profile.
Key word: optimal control, wind energy, FIS, MPPT.
PENDAHULUAN
Pengembangan serta usaha pencarian sumber energi baru dan terbarukan yang ---
*Coresponding author : E-mail: [email protected]
dilakukan oleh pemerintah beserta peneliti guna membangkitkan tenaga listrik dimotivasi oleh kondisi bahwa ketersediaan sumber energi yang berbasis bahan bakar fosil semakin menipis. Meningkatnya kebutuhan energi listrik terjadi akibat semakin maju suatu negara serta adanya pemerataan ekonomi yang dirasakan masyarakat sehingga konsumsi listrik akibat membaiknya gaya hidup tidak dapat dihindarkan. Pengurangan polusi yang dilepaskan pada lingkungan hidup menjadi isyu yang saat ini banyak dibicarakan oleh banyak pihak yang berkepentingan dalam rangka pembangunan berkelanjutan yang ramah terhadap lingkungan. Diantara beberapa alternatif energi baru dan terbarukan yang tersedia saat ini, angin merupakan sumber energi yang mudah didapat secara langsung dari alam serta ketersediaannya selalu ada sepanjang waktu. Pengembangan teknologi konversi tenaga angin menjadi energi listrik diharapkan dapat menurunkan biaya produksi listrik sehingga dapat mencapai tingkat keekonomian yang dapat diterima oleh konsumen serta dapat bersaing dengan sistem pembangkit tenaga listrik konvensional yang telah ada pada saat ini [1].
Dengan ketersediaan angin yang memiliki kecepatan 4-10 m/s untuk beberapa lokasi di wilayah Indonesia maka pembangunan sistem konversi energi tenaga angin (SKETA) untuk menghasilkan pembangkit listrik tenaga angin dapat dilakukan dengan cara menerapkan sistem kontrol pada generator mesin listrik.
Rancang bangun sistem pengontrol SKETA bertujuan untuk membuat pembangkit listrik sehingga dihasilkan daya paling maksimal saat hembusan angin yang menggerakkan baling- baling dan generator diubah menjadi energi listrik. Pengontrolan kecepatan rotor turbin yang dihubungkan dengan mesin generator memiliki target dalam rangka mendapatkan daya yang maksimal dari kecepatan angin yang bervariasi. Dengan pengetahuan informasi tentang karakteristik turbin angin yang menggambarkan bahwa pada setiap kecepatan angin selalu ada kecepatan sudut rotor yang dapat menghasilkan daya maksimum maka
desain kontrol optimal dapat diterapkan pada SKETA [2].
Beberapa pendekatan kontrol optimal telah diterapkan untuk menyelesaikan permasalahan yang timbul pada saat mendesain SKETA. Salah satu pendekatan umum yang banyak dipakai adalah sistem kontrol optimal yang berbasiskan pada metode maximum power point tracking (MPPT).
Pendekatan MPPT sangat baik untuk diterapkan pada sistem yang memerlukan kemampuan melakukan antisipasi adanya perubahan parameter selama proses berjalan [3]. Metode MPPT pada SKETA memiliki kemampuan untuk mengimbangi terjadinya perubahan kecepatan angin yang bervariasi untuk setiap waktu serta dinamika perubahan parameter pada sistem secara keseluruhan.
Akan tetapi salah satu kelemahan yang muncul saat menggunakan metode MPPT adalah kebutuhan waktu yang lama untuk proses aksi kontrol dalam rangka mencapai nilai konvergensi yang optimal. Oleh karena itu dengan penambahan sistem fuzzy pada metode MPPT diharapkan dapat meningkatkan kecepatan proses operasi kontrol optimal yang diterapkan pada SKETA.
Dalam tulisan ini dibahas perbandingan dua metode kontrol optimal pada SKETA dengan kecepatan angin yang bervariasi terhadap waktu. Kontrol optimal dapat pula diterapkan untuk SKETA yang mana parameter koefisien dayaCPbeserta parameter kecepatan putaran diujung baling-baling tidak diketahui secara pasti.
METODE PENELITIAN
Sistem kontrol optimal yang dibahas dalam tulisan ini tampak sebagaimana pada Gambar 1 dimana berisi dua buah sistem kontrol optimal yang akan dibandingkan kinerjanya. Kedua sistem kontrol tersebut memiliki target untuk maksimalkan daya yang dihasilkan turbin dengan cara membuat Cp
bernilai maksimal sehingga daya yang dihasilkan turbin ada pada daerah optimal. Dua
metode kontrol optimal yang digunakan dalam tulisan ini adalah: aplikasi fuzzy inference system dalam pengontrol MPPT (MPPTFIS) serta penggunaan adaptive neuro fuzzy inference system dalam pengontrol umpan balik linier (LCANFIS).
Pemakaian kontrol optimal dengan menggunakan metode MPPT pada SKETA dipakai untuk menentukan daya maksimal yang dihasilkan turbin angin dengan cara mengetahui laju perubahan daya serta kecepatan sudut rotor pada setiap waktu.
Dengan mengetahui informasi laju perubahan dua besaran tersebut diatas maka akan dapat diketahui dimanakah posisi kecepatan sudut rotor pada saat pengukuran sebagaimana tampak pada Gambar 2. Aksi kontrol untuk percepatan atau perlambatan rotor pada langkah berikutnya bergantung pada informasi kecepataan rotor saat pengukuran. Bila posisi kecepatan rotor di sebelah kiri titik daya maksimal maka rotor harus dipercepat, sementara bila posisi kecepatan rotor berada di sebelah kanan nilai daya maksimal maka rotor harus diperlambat. Tabel 1 memberikan ringkasan tentang aturan percepatan atau perlambatan yang dapat pula digunakan sebagai rule pada sistem fuzzy [4].
Tabel 1.Logika MPPT untuk rule pada sistem fuzzy
l/t Pwt/t
< 0 > 0
< 0 l* (kasus a) l* (kasus b)
> 0 l* (kasus c) l* (kasus d)
= diperlambat = dipercepat
Gambar 1.Sistem kontrol optimal
Gambar 2.Laju perubahan daya dan kecepatan rotor
Sistem fuzzy juga dapat digunakan untuk memodelkan serta mencari persamaan kurva daya pada SKETA. Model kurva daya yang didapatkan menggunakan metode adaptive neuro fuzzy inference system (ANFIS) dapat diterapkan pada rancang bangun kontrol linear.
Informasi kecepatan angin serta kecepatan sudut rotor digunakan untuk melakukan pelatihan dalam ANFIS sehingga didapatkan model kurva daya serta persamaan yang menghubungkannya untuk keperluan desain kontrol linear. Dengan menggunakan pendekatan regresi linear selanjutnya akan diperoleh hubungan antara kecepatan angin dengan kecepatan sudut rotor yang optimal yang mana akan digunakan sebagai kecepatan referensi putaran rotor sebagaimana pada metode kontrol MPPTFIS.
HASIL DAN PEMBAHASAN
Hasil simulasi desain rancang bangun kontrol optimal menggunakan software MATLAB/SIMULINK telah dilakukan. Blok modul sistem disusun sebagaimana tampak pada Gambar 3 yang meliputi: data profil angin, sistem mekanik, sistem elektromekanik, sistem pengontrol, dan display untuk mengamati hasil simulasi. Profil angin dapat dibangkitkan dengan menggunakan persamaan Van der Hoven dengan cara memasukkan beberapa parameter yang disesuaikan dengan kondisi di lapangan. Pemodelan sistem elektromekanik didasarkan pada persamaan yang berlaku pada generator jenis square cage induction generator (SCIG). Adapun pemodelan sistem mekanik digunakan
persamaan yang menjelaskan hubungan antara energi angin yang diubah menjadi torsi yang dihasilkan pada bagian rotor. Simulasi dilakukan selama 1.000 detik dengan profil angin sebagaimana pada Gambar 4 yang memiliki kecepatan rata-rata 7 m/s dengan spektrum standar IEC serta parameter lainnya
=1,25 kg/m3, R=2,5 m, opt= 7, dan Cpmax=0,47.
Untuk mengetahui performansi hasil rancang bangun sistem kontrol optimal pada SKETA dilakukan dengan memperhatikan perubahan parameter CP selama simulasi berlangsung dimana besar kecepatan angin bervariasi. Simulasi kontrol optimal MPPTFIS dan LCANFIS dilakukan secara terpisah sehingga hasil antara keduanya memungkinkan untuk dibandingan. Data pelatihan yang digunakan untuk menurunkan model kurva daya pada metode LCANFIS dapat dicuplik dari sebagian proses simulasi pada tahap simulasi metode MPPTFIS. Gambar 7-9 merupakan contoh data pencuplikan yang digunakan dalam proses pelatihan ANFIS untuk mendapatkan model kurva daya yang selanjutnya digunakan untuk mendapatkan persamaan linier hubungan antara kecepatan angin dengan kecepatan sudut rotor optimal sebagai referensi untuk memperoleh daya maksimal SKETA yang kecepatan anginnya bervariasi.
Gambar 3.Sistem blok pada simulasi SIMULINK
Gambar 4.Profil angin selama simulasi 1.000 detik
Untuk mengetahui performansi desain sistem kontrol optimal yang diusulkan dilakukan dengan cara memperhatikan perubahan parameter CP selama simulasi berlangsung dimana kecepatan anginnya bervariasi. Kedua pendekatan kontrol optimal disimulasikan secara terpisah sehingga hasilnya memungkinkan untuk dibandingan antara keduanya. Data training untuk menurunkan model kurva daya diambilkan sebagain dari dari proses simulasi pada tahap pertama. Gambar 5-7 merupakan contoh data pencuplikan yang akan digunakan dalam proses training ANFIS untuk mendapatkan persamaan linier hubungan antara kecepatan angin dengan kecepatan sudut rotor yang optimal untuk memperoleh daya maksimal SKETA dengan kecepatan angin yang bervariasi.
Gambar 5.Data daya untuk proses pelatihan
Gambar 6.Data angin untuk proses pelatihan
Gambar 7.Data kecepatan rotor untuk proses pelatihan
Gambar 8 menunjukkan terjadinya perubahan harga CP selama berjalannya simulasi 1.000 detik. Dengan mengetahui perubahan harga CP maka dapat digunakan untuk membandingkan performasi kedua pendekatan kontrol optimal yang diamati.
Tampak bahwa harga CP pada MPPTFIS dan LCANFIS nilainya berubah-ubah mengikuti pola perubahan kecepatan angin dimana nilainya mencapai maksimal pada saat kecepatan angin sekitar 6-8 m/s yang mana merupakan daerah kerja SKETA pada wilayah partial load untuk dioptimalkan. Dengan mengetahui laju perubahan daya dan kecepatan sudut rotor maka dapat digunakan untuk menentukan kecepatan rotor optimal pada tahap berikutnya. Dari perbandingan data hasil simulasi dapat diketahui bahwa performansi
simulasi skema LCANFIS memberikan hasil yang lebih baik dibandingkan dengan MPPTFIS dimana nilai CP sepanjang waktu hampir berada di sekitar harga optimalnya sebesar 0,47.
Gambar 8.Perubahan hargaCpselama proses simulasi
Gambar 9.Hasil simulasi dengan garis MPE
Cara lain yang digunakan untuk membandingkan hasil desain kontrol optimal untuk rancang bangun pembangkit listrik tenaga angin adalah dengan memperhatikan kurva garismaximum power extraction(MPE).
Gambar 9 menunjukkan perbandingan antara kontrol optimal MPPTFIS dan LCANFIS yang mana idealnya garis daya mendekati dengan garis MPE. Dari tampilan pada Gambar 9
menunjukkan secara nyata bahwa LCANFIS memiliki performansi lebih baik dibandingkan MPPTFIS.
KESIMPULAN
Dua buah metode kontrol optimal untuk memaksimalkan daya yang dihasilkan SKETA yaitu MPPTFIS dan LCANFIS telah disimulasikan. Daya optimal turbin angin yang dihasilkan ternyata dipengaruhi oleh kecepatan sudut rotor serta kecepatan angin. Kontrol optimal MPPTFIS dan LCANFIS dapat digunakan untuk menetapkan kecepatan rotor optimal yang digunakan sebagai referensi untuk setiap waktu perubahan variasi kecepatan angin. Dengan menggunakan kontrol optimal pada SKETA maka dihasilkan sistem pembangkit listrik tenaga angin yang dapat memproduksi daya secara maksimal meskipun terjadi variasi perubahan kecepatan angin. FIS dapat digunakan untuk mendeteksi laju perubahan daya dan kecepatan sudut rotor sehingga dapat bekerja pada daerah optimalnya. ANFIS dapat digunakan untuk mengidentifikasi kurva daya untuk digunakan pada sistem kontrol linear SKETA yang mana hanya mengandalkan satu variabel pengukuran: kecepatan angin.
UCAPAN TERIMA KASIH
Terima kasih disampaikan untuk Dirjen DIKTI dan Universitas Brawijaya yang telah memberikan kesempatan saya untuk menempuh pendidikan S3 dalam bidang energi baru dan terbarukan sehingga dapat menghasilkan tulisan ini.
DAFTAR PUSTAKA
[1] S. Heier (1998), Grid Integration of Wind Energy Conversion Systems, John Wiley and Sons Ltd.
[2] I. Munteanu, A.I. Bratcu, N.A. Cutululis, and E. Ceang (2008), Optimal Control of Wind Energy Systems: Towards a Global Approach, Springer-Verlag London Ltd.
[3] Q. Wang, and L. Chang (2004), An intelligent maximum power extraction algorithm for inverter-based variable speed wind turbine systems, IEEE Transactions On Power Electronics.,19, 1242 – 1249.
[4] M.G. Simoes, B.K. Bose, and R.J. Spiegel (1997), Fuzzy logic based intelligent control of a variable speed cage machine wind generation system, IEEE Transactions On Power Electronics, 12, 87 – 95
