Perpustakaan Digital ITB

Pemanfaatan pembangkit listrik tenaga surya (PLTS) semakin populer karena ketersediaan sumber energinya yang tak terbatas. Namun, kinerja PLTS sangat tergantung pada cuaca yang berfluktuasi dan degradasi panel surya. Oleh karena itu, diperlukan model yang mampu merepresentasikan sistem fisik secara real-time dan memprediksi daya keluaran PLTS. Saat ini, model prediksi daya PLTS yang digunakan di Laboratorium Manajemen Energi belum diperbarui sejak Juni 2022 dan menghasilkan prediksi yang tidak akurat. Dalam penelitian ini, dilakukan pengembangkan model prediksi eksisting dan melakukan evaluasi berkala untuk menjaga efisiensi dan performanya. Pengembangan model dilakukan melalui optimasi pada arsitektur deep neural network (DNN) dengan menyetel hyperparameter agar menghasilkan model yang optimal. Model hasil optimasi digunakan untuk evaluasi kinerja menggunakan metode event-triggered update (ETU). Metode ini akan memperbarui model predikasi jika hasil evaluasi melampaui batas toleransi selama 4 hari berturut-turut. Batas toleransi yang digunakan adalah MAE sebesar 160 W dan RMSE sebesar 280 W. Dalam proses optimasi, dilakukan penyesuaian pada jumlah neuron, fungsi aktivasi, fungsi optimasi, epoch, batch size, dan learning rate. Hasil optimasi menunjukkan penurunan signifikan pada MAE sebesar 83,64% dan RMSE sebesar 78,77%, dengan nilai MAE sebesar 78 W dan RMSE sebesar 173 W. Model hasil optimasi kemudian diimplementasikan pada platform digital twin (DT) dan dievaluasi kinerjanya dari tanggal 1 Januari 2023 hingga 14 Juni 2023. Hasil evaluasi menunjukkan bahwa tidak terdapat pembaruan yang diperlukan pada model prediksi yang digunakan. Hal ini menunjukkan kemampuan model optimasi dalam beradaptasi dengan cuaca yang fluktuatif.