PREDIKSI DAYA KELUARAN PV BERBASIS JARINGAN SARAF TIRUAN PADA PUSAT PERBELANJAAN TANGERANG
DOI:
https://doi.org/10.31328/ciastech.v0i0.3327Keywords:
ANN, Prediksi Daya, PV, MSEAbstract
Pemanfaatan energi yang dihasilkan oleh photovoltaic (PV) dapat diprediksikan. Tujuannya adalah untuk mengetahui informasi kedepan tentang daya yang diproduksi oleh PV. Dengan mengetahui lebih awal maka pembebanan dapat disiapkan. Dari situ perlu adanya mechine learning untuk mempelajari data yang mempengaruhi kerja PV secara lebih lanjut. Sehingga perlu adanya kecerdasan buatan untuk mempelajari data tersebut. Kecerdasan buatan atau Artificial Intellegent (AI) salah satunya adalah Artificial Neural Network (ANN) yang dapat digunakan untuk prediksi atau forcast. Pada penelitian yang diajukan yaitu tentang memprediksikan daya produksi PV dengan ANN sebagai mechine learning pada pusat perbelanjaan di Tangerang. Salah satu faktor utama yang mempengaruhi kerja PV yaitu besarnya irradiance, suhu PV, suhu lingkungan dan waktu. Sehingga data yang digunakan sebagai input parameter ANN pada penelitian ini adalah irradiance, suhu PV, suhu ambient dan waktu. Sedangkan output atau targetnya adalah daya keluaran PV. Performa parameter ANN yang digunakan untuk mengukur ketepatan forcast adalah Mean Squere Error (MSE). Selanjutnya hasil prediksi akan dibandingkan dengan data pengukuran daya keluaran PV.References
N. A. Windarko, A. Tjahjono, D. O. Anggriawan, and M. H. Purnomo, “Maximum Power Point Tracking of Photovoltaic System Using Adaptive Modified Firefly Algorithm,†pp. 31–35, 2015.
T. Latif and S. R. Hussain, “Design of a charge controller based on SEPIC and buck topology using modified Incremental Conductance MPPT,†in 8th International Conference on Electrical and Computer Engineering, 2014, pp. 824–827.
E. Prasetyono, R. W. Wicaksana, and N. A. Windarko, “Secara Real Time Berbasis Mikrokontroler,†no. 2, pp. 190–199, 2015.
M. S. H. Sunny, E. Hossain, M. Ahmed, and F. Un-Noor, “Artificial Neural Network Based Dynamic Voltage Restorer for Improvement of Power Quality,†in 2018 IEEE Energy Conversion Congress and Exposition (ECCE), 2018, pp. 5565–5572.
A. T. Eko S, W. Wijono, and B. Siswojo, “Analisis Tegangan Sag Pada Sistem Distribusi GI Sengkaling Penyulang Pujon Menggunakan Kompensasi DVR,†J. EECCIS; Vol 14, No 2, 2020.
F. A. Pamuji, “Predictive Duty Cycle of Maximum Power Point Tracking Based on Artificial Neural Network and Bootstrap Method for Hybrid Photovoltaic/ Wind Turbine System Considering Limitation Voltage of Grid,†JAREE (Journal Adv. Res. Electr. Eng., vol. 4, no. 2, pp. 79–86, 2020.
A. Prisilia and A. Siti, “Perancangan Sistem Prediktor Daya Pada Panel Photovoltaic di Buoy Weather Station,†J. Tek. Pomits, vol. 2, no. 2, pp. 1–5, 2013.
J. Kou et al., “Photovoltaic power forecasting based on artificial neural network and meteorological data,†in 2013 IEEE International Conference of IEEE Region 10 (TENCON 2013), 2013, pp. 1–4.
L. Mahendra, V. Lystianingrum, and A. Priyadi, “Energy Management Design for Industrial Demand Considering PV Power Prediction and Battery SOC,†in 2020 International Seminar on Intelligent Technology and Its Applications (ISITIA), 2020, pp. 357–362.
