Perpustakaan Digital ITB

Tuntutan dekarbonisasi dan peralihan energi menuju baru terbarukan membuat permintaan PV (Photovoltaic) untuk menghasilkan energi surya meningkat di masa mendatang. Dengan tingginya tren permintaan PV, pembahasan tentang kegagalan pada sistem PLTS menjadi perlu untuk dibahas. Kegagalan yang tidak terdeteksi dalam waktu lama berpotensi mengurangi produksi listrik dengan cukup signifikan, sehingga sangat penting untuk mengembangkan metode yang mampu mendeteksi dan mendiagnosis kegagalan yang terjadi pada sistem PLTS. Setiap jenis kegagalan pada sistem PLTS memberikan perbedaan bentuk kurva I-V dan P-V. Perbedaan ini menjadikan suatu jenis kegagalan dapat dibaca dan dideteksi dengan mengamati dan menganalisis bentuk kurva I-V dan P-V pada rentang waktu tertentu Sistem deteksi kegagalan sistem PLTS akan dikembangkan menggunakan metode Deep Neural Network (DNN) dengan variabel utama kurva I-V dan P-V. Kegagalan yang dideteksi difokuskan pada jenis partial shading karena sering ditemui dan mudah dilakukan rekayasa dan variasi. Naungan sebagian diterapkan dengan menutup modul PV pada sistem PLTS di Gedung CAS ITB dengan karpet. Variasi jumlah naungan yang diterapkan dari 1 hingga 10 modul yang ditutup. Data kurva I-V dan P-V dimodelkan dengan algoritma DNN, kemudian dibandingkan dengan hasil pemodelan dengan algoritma Support Vector Machine (SVM). Akurasi pelatihan pembelajaran mesin DNN adalah 83,67%, sedangkan akurasi pelatihan SVM 63,89%. Akurasi validasi pembelajaran mesin DNN adalah 81,65%, sedangkan SVM memiliki akurasi validasi 64,69%.