Perpustakaan Digital ITB

Ketidakpastian dan sifat stokastik dari energi surya dapat menimbulkan tantangan dalam mempertahankan kualitas daya dan stabilitas sistem mikrogrid. Produksi daya dari panel surya dipengaruhi oleh faktor eksternal kompleks seperti radiasi matahari, suhu lingkungan, dan posisi matahari. Oleh karena itu, prediksi akurat dari pembangkit listrik tenaga surya sangat penting untuk pengelolaan mikrogrid yang efektif dan efisien. Model data-driven seperti Machine Learning mampu menangani kompleksitas data tinggi dan melakukan prediksi dengan akurasi tinggi jika dilatih dengan volume data besar. Namun, model ini tidak selalu konsisten dengan prinsip-prinsip fisika yang mendasari fenomena yang dipelajari, yang dapat menghasilkan prediksi yang tidak realistis dalam beberapa situasi. Di sisi lain, pendekatan berbasis fisika memberikan hasil prediksi akurat dengan meminimalkan kebutuhan akan data validasi, namun kompleks dan memakan waktu serta rentan terhadap kesalahan akibat ketidakpastian dalam parameter fisik. Untuk mengatasi keterbatasan kedua pendekatan tersebut, penelitian ini mengusulkan metode Physics-informed Machine Learning yang menggabungkan pengetahuan fisika ke dalam model pembelajaran mesin. Metode ini bertujuan untuk mengurangi kesalahan prediksi yang disebabkan oleh fluktuasi parameter fisik serta memastikan bahwa prediksi yang dihasilkan konsisten dengan prinsipprinsip fisika yang relevan. Pendekatan yang diusulkan menggunakan algoritma XGBoost yang dimodifikasi untuk memasukkan batasan fisika dalam proses pembelajarannya dengan menggabungkan formula produktivitas dengan fungsi kerugian mean-square error (MSE) dari algoritma XGBoost. Hyperparameter diperkenalkan untuk menyeimbangkan formula produktivitas dan formula MSE guna membangun fungsi kerugian adaptif yang dipandu fisika ini. Kinerja model dievaluasi dengan beberapa metrik evaluasi, menekankan keselarasan antara estimasi dan nilai aktual produksi energi surya. Data yang digunakan dalam penelitian ini mencakup iradiansi, suhu lingkungan, kelembaban, kecepatan angin, produksi daya dari panel surya, jalur surya, dan mode operasi mikrogrid. Hasil penelitian menunjukkan bahwa model XGBoost berbasis Data-Fisika memberikan prediksi yang lebih akurat dan robust dibandingkan model berbasis data murni. Model XGBoost berbasis Data-Fisika menunjukkan kesalahan absolut rata-rata (MAE) sebesar 1,05% dibandingkan dengan 1,24% pada model XGBoost berbasis data murni, dan peningkatan koefisien determinasi (R²) dari 0,90 menjadi 0,92. Penelitian ini memberikan kontribusi penting dalam pengembangan prediksi produksi energi surya pada sistem mikrogrid, dengan tujuan akhir mencapai keselarasan yang lebih baik antara estimasi dan nilai aktual, mendukung pengelolaan mikrogrid yang lebih efisien dan stabil.