Perpustakaan Digital ITB

Pembangkit Listrik Tenaga Surya (PLTS) merupakan salah satu solusi energi terbarukan yang terus dikembangkan untuk mendukung transisi energi bersih. Namun, sistem PLTS memiliki potensi kegagalan operasional yang dapat menurunkan efisiensi dan keandalan sistem. Penelitian ini bertujuan untuk mengembangkan model deteksi dan klasifikasi kegagalan pada sistem PLTS hibrida 10 kWp di Gedung CAS ITB menggunakan pendekatan pembelajaran mesin konvensional (Machine Learning/ML) dan berbasis fisika (Physics-Informed Machine Learning/PIML). Eksperimen dilakukan secara langsung pada satu string panel (2,5 kWp) dengan menyimulasikan tiga jenis kegagalan di sisi DC, yaitu naungan sebagian (shading), hubung singkat antar fasa (line-to-line), dan sirkuit terbuka (open circuit), masing-masing dengan beberapa variasi. Data hasil eksperimen digunakan untuk membangun dua pipeline atau alur klasifikasi bertingkat, yang terdiri dari deteksi status sistem (Fault/No Fault) dan klasifikasi jenis kegagalan, dengan kombinasi algoritma Random Forest Regressor dan XGBoost Classifier. Model ML menggunakan fitur-fitur dasar dari sensor, sedangkan model PIML menambahkan fitur berbasis persamaan fisika seperti daya teoritis dari pvlib, suhu modul (T_cell), serta nilai referensi arus dan tegangan (Isc dan Voc). Hasil evaluasi menunjukkan bahwa kedua pendekatan memberikan performa yang baik dengan akurasi klasifikasi di atas 95%. Pipeline 2 pada pendekatan PIML menunjukkan performa terbaik, dengan akurasi akhir sebesar 97,43% serta nilai precision, recall, dan F1-score masing-masing sebesar 97%. Penggunaan fitur berbasis persamaan fisika dalam model PIML menunjukkan pengurangan kesalahan klasifikasi false negative, menurunkan RMSE sebesar 1,60% pada fitur arus (Impp) dan 11,97% pada fitur tegangan (Vmpp), serta meningkatkan akurasi klasifikasi multikelas sebesar 0,50% dibandingkan dengan pendekatan ML konvensional. Penambahan informasi fisika berkontribusi dalam meningkatkan stabilitas model terhadap variasi data, yang ditunjukkan oleh nilai metrik evaluasi yang tinggi dan merata di seluruh kelas, serta prediksi yang lebih konsisten dengan karakteristik sistem PLTS.