Perpustakaan Digital ITB

Maximum power point tracker (MPPT) merupakan sebuah perangkat pengontrol yang mengakomodasi fungsi berupa konversi, regulasi, dan filtering tegangan maupun arus luaran dari panel surya pada sistem pembangkit listrik tenaga surya (PLTS) untuk mengatasi permasalahan efisiensi pembangkitan daya. MPPT dapat dikombinasikan dengan sebuah konverter maupun inverter untuk membantu pelacakan dan ekstraksi titik daya maksimum yang dapat dibangkitkan oleh panel surya. MPPT memperhitungkan nilai duty ratio yang tepat pada kondisi lingkungan tertentu kemudian mentransmisikan sinyal tersebut ke konverter DC ke DC. Pengontrol MPPT bekerja dengan menggunakan algoritma tertentu seperti incremental conductance, perturb and observe, fuzzy logic control, maupun algoritma yang lebih maju seperti algoritma pembelajaran mesin. Pada penelitian tugas akhir ini, dengan framework CRISP-DM, dimodelkan pengontrol MPPT menggunakan algoritma pembelajaran mesin berbasis deep neural network (DNN) yang dilatih dengan menggunakan data cuaca nyata berupa matriks data 1.228 x 3. MPPT berbasis DNN tersebut diimplementasikan pada sebuah model sistem PLTS. Sistem PLTS yang dimodelkan tersebut terdiri dari PV array, konverter daya DC ke DC dan algoritma pengontrol sebagai MPPT, dan sebuah beban resistif yang disesuaikan. Pada tugas akhir ini, digunakan tiga topologi konverter DC ke DC yaitu buck, boost, dan buck boost. Model sistem yang berhasil dirancang diuji melalui simulasi dengan beberapa kondisi uji seperti standard testing condition (STC), uji input step, dan uji pada kondisi lingkungan yang nyata dengan parameter evaluasi yang telah ditentukan. Berdasarkan hasil uji, algoritma kontrol DNN menghasilkan mean square error (MSE) untuk konverter buck, boost, dan buck-boost berturut-turut sebesar 2,20×10?6, 2,27×10?5, dan 4,80×10?6 dan peningkatan efisiensi sejauh 7,8% pada kondisi STC. PLTS dengan menggunakan pengonrol MPPT berbasis DNN disimulasikan dengan kondisi uji lingkungan yang riil, diperoleh hasil perhitungan efisiensi sebesar 95,47% dengan buck, 90,97% dengan boost, dan 79,34% dengan buck-boost.