APLIKASI METODE HILL-CLIMB SEARCH UNTUK EKSTRAKSI DAYA MAKSIMUM PADA SISTEM KONVERSI ENERGI ANGIN Dwiana Hendrawati

  Seminar Nasional Terapan Riset Inovatif SEMARANG, 15

• – 16 Oktober 2016

  

APLIKASI METODE HILL-CLIMB SEARCH UNTUK EKSTRAKSI DAYA

MAKSIMUM PADA SISTEM KONVERSI ENERGI ANGIN

Dwiana Hendrawati 1) , M. Denny Surindra 1)

1 Jurusan Teknik Mesin, Politeknik Negeri Semarang

  Jl. Prof. Sudarto, S.H Tembalang- Semarang (50275) E-mail: d_hendrawati@yahoo.com

  

Abstract

This paper presents the application of maximum power tracking of the wind energy

conversion systems (WECS). The tracking method based on the Hill-Climb Search (HCS)

with Duty Cycle DC-DC converter as a control parameter. Since HCS show many specific

advantages (does not need field tests and is independent of wind turbine characteristics), it

is important to check quantitatively the efficiency of HCS method. The optimization is

performed by means of a firefly algorithm that selects the optimal duty cycle of converter,

in order to maximize the WECS power. The effectiveness of the HCS method is validated

by simulation for WECS equipped Permanent Magnet Synchronous Generator (PMSG).

  Keywords: WECS, HCS, Duty Cycle, DC-DC Converter

Abstrak

Paper ini membahas penerapan pelacakan daya maksimum pada sistem konversi energi

angin (SKEA). Metode pelacakan yang digunakan adalah HCS (Hill-Climb Search) dengan

Duty Cycle converter DC-DC sebagai parameter kontrol. Pemilihan metode ini didasarkan

pada kemudahan aplikasinya karena tidak memerlukan data karakteristik turbin angin atau

pengukuran kecepatan angin. Optimasi menggunakan algoritma Firefly yang menghasilkan

nilai duty cycle konverter yang optimal, sehingga daya SKEA maksimal. Metode pelacakan

HCS yang diterapkan tersebut divalidasi dengan simulasi untuk SKEA dilengkapi dengan

generator sinkron magnet permanen (PMSG).

  Kata Kunci: SKEA, HCS, Duty Cycle, Konverter DC-DC PENDAHULUAN

  Energi angin merupakan sumber energi terbarukan yang pemanfaatannya meningkat signifikan mulai akhir abad ke-20. Pada tahun 2035 ditargetkan meningkat menjadi pemasok 18% energi dunia dari 2,6% pada tahun 2014 (bp.com, 2016). Potensi energi angin di Indonesia sebesar 970 MW dan baru sekitar 1,96 MW yang dimanfaatkan (BPPT, 2015) , menjadikan pengembangan pemanfaatan energi angin mempunyai prospek yang bagus. Meskipun Energi angin melimpah, penggunaan Energi angin masih sangat terbatas; karena permasalahan ketidakstabilan pembangkitan daya. Besarnya daya yang dihasilkan bervariasi sesuai dengan perubahan kecepatan angin. Mengingat potensi energy angin ini, dalam decade akhir ini, beberapa Negara berupaya untuk pengembangannya (bp.com, 2016). Pemanfaatan energy angin diupayakan melalui pengembangan teknologi pada SKEA (Sistem Konversi Energy Angin).

  Keberhasilan pengembangan teknologi SKEA yang ditujukan pada jumlah daya output, ditentukan dari akurasi daya puncak/maksimum (MPP/ Maximum Power Point) yang dapat dicapai/dilacak oleh sistem control/kendali SKEA. Sistem kendali Maximum

  

Power Point Tracker (MPPT) diterapkan pada system kendali untuk melacak MPP pada nilai kecepatan angin yang bervariasi (Thongam & Ouhrouche, 2010). MPPT berupaya mendapatkan nilai MPP (Maximum Power Point) pada setiap nilai kecepatan angin (Mali & Kushare, 2013), baik di bawah atau di atas nilai kecepatan angin nominal, sehingga selalu diperoleh daya maksimum pada setiap nilai kecepatan angin.

  Beberapa metode MPPT yang dipublikasikan, perbedaannya terletak pada aspek teknik seperti sensor yang digunakan, kompleksitas, biaya, efektivitas, kecepatan konvergensi, ataupun perangkat keras yang dibutuhkan (Morales, 2010). Kendali MPPT ini terlepas dari jenis generator yang digunakan, baik SKEA menggunakan generator sinkron magnet permanen (PMSG/ Permanent Magnet Synchronous Generators), generator induksi sangkar tupai (SCIG/ Squirrel Cage Induction Generators) dan generator induksi ganda (DFIG/ Doubly Fed Induction Generator); dapat meningkatkan daya sebesar 11% -50% dibandingkan tanpa MPPT (Koutroulis & Kalaitzakis, 2006).

  Dari tiga metode kontrol MPPT, yaitu Pengendalian rasio kecepatan ujung (TSR/ Tip Speed Ratio), umpan balik sinyal Daya (PSF/ Power Signal Feedback) dan Hill-Climb Search (HCS); metode HCS merupakan metode yang paling sederhana (Wei, Wei, Zhang, Qiao, & Qu, 2014). Pada metode HCS tidak diperlukan data karakteristik daya (turbin dan generator) yang optimal atau pengukuran kecepatan angin serta dapat beroperasi pada kecepatan variabel. Dengan perbedaan keandalan yang tidak signifikan, tetapi kompleksitas dan biaya aplikasi yang lebih rendah, menjadikan metode HCS lebih luas pengembangannya untuk penelitian dalam pengembangan teknologi SKEA (Mali & Kushare, 2013).

  Parameter yang dikendalikan pada metode HCS adalah tegangan referensi atau duty

  

cycle converter (Thongam & Ouhrouche, 2010). Dari pengendalian pada kedua parameter

  ini, pengendalian parameter duty cycle lebih menjamin kestabilan system (Santosh, Kumar, & Sumathi, 2014). Dengan mempertimbangkan keunggulan-keunggulan tersebut, metode MPPT yang diterapkan pada SKEA ini adalah pengendalian parameter duty cycle dengan metode HCS, untuk mencapai MPP. Dalam merealisasikan MPPT dengan metode HCS dibutuhkan prosedur optimasi yang dapat mencari dan memastikan bahwa daya maksimum yang dihasilkan tidak hanya merupakan nilai maksimum local, tetapi merupakan nilai maksimum global. Dalam paper ini digunakan algoritma optimasi

  

firefly , karena terbukti efektif menyelesaikan permasalahan optimasi global

  (Citraningrum, Soedibyo, Ashari, & Pamuji, 2015; Hendrawati, Soeprijanto, & Ashari, 2016).

  Metode pengendalian HCS merupakan metode kontrol langsung yang mudah diterapkan dan tidak membutuhkan hardware yang rumit. Dasar dari MPPT ini adalah kesesuaian impedansi antara sumber dan beban, yang akan dapat memaksimalkan daya keluaran. Parameter yang dikendalikan pada metode ini adalah tegangan referensi atau duty cycle konverter. Untuk paper ini parameter yang digunakan adalah duty cycle converter.

  Gambar 1 Prinsip Pengendalian HCS

METODE PENELITIAN

  Letak pengendali HCS pada SKEA ditunjukkan pada gambar 2. Pengendali HCS selalu mencari daya maksimum dengan dasar tegangan dan arus keluaran turbin angin. Pengendalian hanya tergantung pada besarnya daya pada saat tertentu dan hubungan antara perubahan daya dan kecepatan. Perkalian tegangan dan arus atau daya ini bervariasi berdasarkan duty cycle yang diberikan ke converter. Selanjutnya data daya tersebut digunakan untuk menghitung duty cycle optimal yang diperlukan agar perkalian tegangan dan arus (daya) maksimum. Hal ini berulang hingga untuk nilai daya maksimal untuk kecepatan angin yang tertentu.

  (a) (b) Gambar 2 Skema SKEA (a) dan Metode HCS dengan duty cycle sebagai parameter terkendali pada SKEA (b)

  Algoritma Optimasi

  Dalam mencapai titik maksimum tersebut diperlukan proses optimasi. Algoritma optimasi untuk mengaplikasikan MPPT adalah Firefly Algorithm (FA). FA akan mendeteksi daya maksimum total, sehingga tidak terjebak pada daya maksimum lokal. Dua parameter penting dalam FA adalah intensitas cahaya dan fungsi keatraktifan (Yang, 2010). Intensitas cahaya I merupakan fungsi jarak r :

   (1)

  Keatraktifan ( Firefly sebanding dengan intensitas cahaya :

  (2)

  dengan dan adalah intensitas cahaya dan keatraktifan awal dari Firefly, adalah koefisien penyerapan cahaya.

  Jarak antara 2 firefly i and j pada x i dan x j adalah

   (3)

  dengan x i,k adalah komponen ke k dari koordinat x i , firefly ke-i. Pergerakan firefly i menuju tingkat intensitas yang terbaik adalah:

   (4)

  dengan suku pertama adalah posisi saat ini, suku kedua menentukan attractiveness firefly yang intensitas cahayanya dilihat oleh firefly lain yang berdekatan dan suku ketiga mendefinisikan pergerakan acak dari firefly dengan distribusi acak Gaussian atau metode acak lainnya. Koefisien α adalah α ε (0,1), parameter pengacakan yang ditentukan antara

• – 1

  Fungsi tujuan pada proses optimasi ini adalah daya dan posisi firefly merupakan representasi duty cycle. Dengan MPPT, diupayakan daya meningkat dari sebelumnya. Algoritma MPPT dengan metode P & O diterapkan untuk menjaga titik operasi agar berada pada P (slope nol). Jika titik operasi berada pada

  maks

  daerah slope positif (sebelah kiri P ) maka pengontrol harus memindahkan titik

  maks

  operasi ke kanan mendekati P maks , dan sebaliknya. Perancangan MPPT ini membutuhkan dua parameter untuk menentukan slope yaitu tegangan input konverter (V l ) dan arus input konverter (I l ).

  (5)

  

P l = V l (n). I l (n)

  Selisih pembacaan Daya (P ) dan tegangan (V ) dengan data sebelumnya yaitu

  l l P l (n-1) dan V l (n-1), didapatkan ΔP dan ΔV.

  Slope = (6) ΔP/ ΔV

  Nilai duty cycle D berkisar antara 0 – 1, yang diketahui besarnya dari tegangan keluaran V dan tegangan masukan V konverter.

  out in D = (V +V )/(V + V +V ) (1) out D in out D

  Gambar 3 Rangkaian Pengendalian Duty Cycle Konverter

HASIL DAN PEMBAHASAN

  Spesifikasi SKEA yang digunakan adalah jari-jari blade turbin angin 40 m dengan daya output 518,4 kW pada saat kecepatan angin u = 12 m/s. Hasil simulasi daya output pada kecepatan angin tersebut dapat dilihat pada table 1.

  Dalam proses optimasi, jumlah Firefly yang digunakan menunjukkan nilai-nilai duty

  

cycle yang diwakili. Dengan memperhitungkan fungsi converter pada SKEA yang

  digunakan sebagai penaik tegangan, sehingga nilai duty cycle yang diharapkan antara 0,50

• – 1,00; maka jumlah Firefly yang ditentukan sebanyak 11. 11 Firefly tersebut berturut-turut mewakili nilai duty cycle 0,50; 0,55; hingga 1,00 dengan kenaikan nilai sebesar 0,05.

  Tercapainya kondisi optimal dibatasi oleh konvergensi dan atau jumlah iterasi. Kondisi konvergen tercapai apabila semua firefly menunjuk pada nilai daya yang sama. Jika kondisi konvergen tidak tercapai pada jumlah iterasi awal yang ditetapkan, perlu dievaluasi jumlah iterasinya. Untuk proses optimasi ini, jumlah iterasi ditentukan sebesar 10.000. Tabel 1 Hasil simulasi daya SKEA pada kecepatan angin 12 m/s pada keaktratifan firefly β yang berbeda

  Daya Daya Tegangan Optimasi Arus (A) Maksimum Efisiensi β

  (kV) (kW) (kW) 0,1 474.4 4.5 105.4 518.4 0.921 0,2 480.6

  4.4 109.2 518.4 0.927 0,3 475.9 4.5 105.8 518.4 0.918 0,4 466.1 4.6 101.3 518.4 0.899

  Parameter firefly α dan γ tidak digunakan karena keacakan pencarian dan factor kecerahan (variasi kecepatan angin) tidak diperhitungkan. Hasil optimasi hanya ditentukan oleh parameter β yang menunjukkan keakuratan pencarian, karena proses optimasi hanya ditentukan oleh kecepatan Firefly dalam pencarian titik optimal.

  Gambar 4 Simulasi MPPT HCS dengan algoritma Firefly untuk optimasi Daya SKEA (a) (b) (c) (d)

  Gambar 5. Hasil simulasi dengan β = 0,1; 0,2; 0,3; 0,4 berturut-turut pada (a) – (d)

  Hasil simulasi menunjukkan bahwa efisiensi tertinggi dicapai pada saat β = 0,2 sebesar 92,7 %; dan efisiensi akan semakin menurun dengan bertambah besarnya nilai parameter β. Bila dibandingkan dengan metode MPPT yang lain (TSR dan PSF), dimana efisiensi daya rata-rata 91 % (Koutroulis & Kalaitzakis, 2006); menunjukkan bahwa metode HCS layak dipertimbangkan sebagai metoda MPPT pada SKEA.

  SIMPULAN

  Metode MPPT HCS yang digunakan dalam desain SKEA ini, menunjukkan efisiensi yang relatif lebih tinggi dibandingkan dengan metode TSR dan PSF. Metode HCS yang sederhana aplikasinya karena tanpa melibatkan data variasi kecepatan angin dan karakteristik turbin angin (hanya melibatkan daya output) serta terbukti efisiensinya tinggi, dapat direalisasi untuk memperoleh MPP pada SKEA. Efisiensi yang dapat dicapai dengan metode ini rata-rata 90 %

  DAFTAR PUSTAKA bp.com. (2016). 2016 Energy Outlook.

  BPPT. (2015). Outlook Energi Indonesia 2015. (Pusat Teknologi Pengembangan Sumber Daya, Ed.). BPPT. Citraningrum, M. S., Soedibyo, Ashari, M., & Pamuji, F. A. (2015). Design of Frequency

  Control on Hybrid Wind-Diesel with PID Firefly. In Electronics Symposium (IES), 2015 International (pp. 26 –30). IEEE. Hendrawati, D., Soeprijanto, A., & Ashari, M. (2016). Optimal power and cost on placement of Wind turbines using Firefly Algorithm. In Proceeding - 2015

  

International Conference on Sustainable Energy Engineering and Application:

Sustainable Energy for Greater Development, ICSEEA 2015 .

  http://doi.org/10.1109/ICSEEA.2015.7380746 Koutroulis, E., & Kalaitzakis, K. (2006). Design of a Maximum Power Tracking System for, 53(2), 486

• –494. Mali, S. S., & Kushare, B. E. (2013). MPPT Algorithms : Extracting Maximum Power from Wind Turbines, 1(5), 199 –202.

  Morales, D. S. (2010). Maximum Power Point Tracking Algorithms for Photovoltaic Applications . Aalto University. Santosh, B. R., Kumar, V., & Sumathi, S. (2014). Implementation of Perturb & Observe

• – and Fuzzy Logic Control MPPT of PV System Using SEPIC Converter, 1(4), 311 316.

  Thongam, J. S., & Ouhrouche, M. (2010). MPPT Control Methods in Wind Energy Conversion Systems, (1). Retrieved from www.intechopen.com

  Wei, C., Wei, C., Zhang, Z., Qiao, W., & Qu, L. (2014). Intelligent Maximum Power Extraction Control for Wind Energy Conversion Systems Based on Online Q- learning with Function Approximation Intelligent Maximum Power Extraction Control for Wind Energy Conversion Systems Based on Online Q-learning with Function Approximation. http://doi.org/10.1109/ECCE.2014.6954074 Yang, X. (2010). Firefly Algorithm , L ´ evy Flights and Global Optimization. http://doi.org/10.1007/978-1-84882-983-1