Perpustakaan Digital ITB

Pemanfaatan Pembangkit Listrik Tenaga Surya (PLTS) sebagai sumber energi terbarukan semakin meningkat di Indonesia, sejalan dengan komitmen pemerintah untuk mencapai target bauran energi baru dan terbarukan sebesar 23%. Namun, fluktuasi daya yang disebabkan oleh ketergantungan pada kondisi cuaca menjadi tantangan utama dalam operasional PLTS. Untuk mengatasi hal ini, diperlukan model prediksi daya yang akurat, khususnya pada PLTS hibrida yang terintegrasi dengan sistem penyimpanan energi. Penelitian ini mengembangkan model prediksi produksi daya PLTS menggunakan metode Physics-Informed eXtreme Gradient Boosting (XGBoost) yang menggabungkan pembelajaran mesin dengan pengetahuan fisika. Model ini mempertimbangkan perubahan mode operasi (grid-tie dan islanded) serta pengaruh beban pada sistem PLTS. Feature Interaction Constraint (FIC) digunakan untuk memisah fitur operasi grid-tie dan islanded. Batasan kaidah fisika akan ditambahkan melalui penggunaan Custom Loss Function (CLF). Telah dibuat variasi model 1 menggunakan XGBoost tanpa penggunaan fitur beban dan baterai. Kemudian model 2 menggunakan FIC, CLF dan penambahan fitur beban dan baterai. Dari model 1 dan 2, didapatkan konfigurasi FIC dan CLF yang optimal. Setelah itu, dibuat model 3 menggunakan skema pada penelitian sebelumnya yaitu untuk prediksi 1 hari ke depan dengan data latih 1 bulan agar model bisa dibandingkan. Didapatkan penurunan RMSE sebesar 53,02% dan MAE sebesar 56,02% pada model 2. Didapatkan juga penurunan RMSE dan MAE pada tiap mode operasi sebesar 37,94% dan 41,80% untuk grid-tie serta 27,06% dan 24,47% untuk mode operasi islanded. Hasil implementasi model 3 mampu menurunkan RMSE dan MAE masing-masing 55,71% dan 58,26%. Berdasarkan hasil evaluasi tersebut, penambahan fitur beban, baterai FIC, dan CLF dapat meningkatkan kemampuan prediksi model dan memberikan model kemampuan untuk membedakan mode operasi. Kata kunci: PLTS, Physics-Informed, Machine Learning, XGBoost, Mode Operasi.