Maximum Output Power Tracking Pada Pemba
62
Proceedings of CITEE, August 4, 2009
Maximum Output Power Tracking Pada
Pembangkit Listrik Tenaga Angin Stand Alone
Berbasis Neural Network CounterpropagationFuzzy Logic Controller
Muldi Yuhendri1), Mochammad Ashari2)
1) Jurusan teknik elektro Univ. Negeri Padang/Mahasiswa S2 jurusan teknik elektro ITS Surabaya
60111, Indonesia
muldee@elect-eng.its.ac.id
2) Jurusan teknik elektro ITS Surabaya, 60111, Indonesia
asharimd@yahoo.com
Mauridhi Hery Purnomo3)
3) Jurusan teknik elektro ITS Surabaya, 60111, Indonesia
hery@its.ac.id
Abstract— This is paper proposes a variable speed control
scheme of stand alone wind power generation system to
produce the maximum output power, which is based on a
Neural Network Counterpropagation (NNCP) and Fuzzy
Logic Controller (FLC). The generation system using the
squirrel-cage induction generator, which is operated in direct
field oriented control mode. A NNCP is used for tracks the
reference of generator speed in variation of the wind velocity
to extract the maximum power. A FLC is used for control a
speed by controlling the generator torque and programs the
generator flux for improvement efficiency at light load. This
scheme using voltage source inverter type space vector pulse
width modulation. The experimental result are shown to verify
the validity of the proposed scheme.
Keywords— wind generation system, MOPT, NNCP, FLC,
DFOC.
I.
PENDAHULUAN
Tenaga angin adalah salah satu sumber energi terbarukan
yang banyak dikembangkan akhir-akhir ini. Indonesia adalah
salah satu negara yang memiliki potensi angin yang cukup
memadai dengan kapasitas mencapai 9,29 GW. Sampai
tahun 2004, pemanfaatan energi angin di Indonesia baru
mencapai 0,5 MW. Telah banyak riset yang dilakukan untuk
meningkatkan performansi pembangkit listrik tenaga angin,
yang mencakup pengembangan sistem secara mekanik,
mekanik elektronik dan full elektronik [11].
Pengembangan secara mekanis dilakukan pada desain
turbin angin. Turbin angin konvensional didesain dengan
kecepatan konstan untuk kecepatan angin yang bervariasi
[11]. Turbin jenis ini memiliki kekurangan dalam
menangkap daya angin yang tersedia, sehingga daya output
generator tidak maksimum. Dewasa ini turbin angin
dikembangkan dengan model kecepatan bervariasi. Turbin
jenis ini dapat memperbesar tangkapan daya angin,
sehingga daya output generator bisa lebih maksimal dan
efisiensi pembangkit menjadi meningkat [1].
ISSN: 2085-6350
Daya output generator tergantung pada daya mekanik
turbin angin yang ditentukan oleh koefisien daya dan Tip
Speed Ratio (TSR) turbin. Daya output generator akan
maksimum pada titik koefisien daya maksimum dan TSR
optimum. Salah satu cara untuk mendapatkan koefisien
daya maksimum dan TSR optimum adalah dengan
mengendalikan kecepatan putaran generator [3].
Pengembangan yang banyak dilakukan untuk
mendapatkan daya output maksimum pada pembangkit
listrik tenaga angin adalah pengembangan secara elektronis
dengan mengaplikasikan berbagai macam model konverter
yang dikontrol dengan beragam metode. Semua model yang
diterapkan memiliki kelebihan dan kekurangan, sesuai
dengan tujuan riset yang dilakukan. Dalam penelitian ini
dirancang suatu model konverter untuk mendapatkan daya
output generator yang maksimum pada setiap variasi
kecepatan angin. Daya maksimum didapatkan dengan cara
mengendalikan kecepatan turbin pada titik koefisien daya
maksimum dan mengurangi rugi daya pada kondisi tunak.
Konfigurasi pembangkit dibuat dalam bentuk stand alone
yang menggunakan generator induksi tiga fasa rotor
sangkar. Generator dioperasikan dalam mode Direct Field
Oriented Control (DFOC) dengan kontroller Neural
Network Counterpropagation (NNCP) dan Fuzzy Logic
Controller (FLC). NNCP digunakan untuk mencari
kecepatan referensi untuk daya maksimum pada setiap
variasi kecepatan angin, sedangkan FLC diaplikasikan
untuk mengendalikan kecepatan dan mengatur arus medan
generator. Pembangkit menggunakan Voltage Source
Inverter (VSI) yang dimodulasi dengan Space Vector Pulse
Width Modulation (SVPWM).
II.
SISTEM KONVERSI ENERGI ANGIN
A. Turbin Angin
Angin adalah udara bergerak yang terjadi karena
pemanasan tidak merata oleh matahari terhadap permukaan
Conference on Information Technology and Electrical Engineering (CITEE)
Proceedings of CITEE, August 4, 2009
63
bumi [12]. Gerakan udara adalah energi kinetik angin yang
dapat dimanfaatkan untuk berbagai keperluan, seperti
penggerak generator pembangkit listrik melalui sistem
konversi dengan turbin angin.
Pada turbin angin, jumlah daya angin yang ditangkap
turbin tergantung kepada ukuran baling-baling turbin dan
kecepatan angin [1]. Daya mekanik yang dihasilkan turbin
dirumuskan dengan persamaan [1,2,3,12]:
Pm
1
KSU R 2 v3
2
(1)
Nilai efisiensi ini ditentukan oleh koefisien daya dan Tip
Speed Ratio (TSR) [1]. Koefisien daya adalah rasio daya
mekanik pada turbin dengan daya angin yang ditangkap
baling-baling turbin. TSR merupakan rasio kecepatan
baling-baling turbin dengan kecepatan angin [1]. Hubungan
antara daya mekanik dengan koefisien daya dan TSR
dijabarkan dalam persamaan :
Pm
1
SU C p (O , E ) R 2 v3
2
Daya mekanik turbin angin akan maksimum saat nilai
koefisien daya maksimum dan nilai TSR optimum. Gambar
1 menunjukkan karakteristik daya mekanik turbin angin.
Dari Gambar 1 dapat kita lihat bahwa pada setiap variasi
kecepatan angin terdapat satu titik daya mekanik maksimum.
Titik daya maksimum berada pada kecepatan turbin yang
bervariasi.
Cara kedua untuk meningkatkan daya output generator
adalah menaikan efifiensi dengan cara mengurangi rugi-rugi
daya melalui penurunan arus medan pada kondisi tunak [24]. Penurunan arus medan dilakukan hanya pada kondisi
beban ringan [2,3]. Penurunan arus medan bertujuan untuk
mengurangi rugi inti besi yang terdiri dari rugi hysteris dan
rugi arus edy pada stator. Konsep peningkatan efisiensi ini
ditunjukan pada Gambar 2.
Tm
Zr
(2)
Is
Pada turbin angin yang menggunakan gearbox, daya dan
torka mekanik pada poros generator adalah [3]:
Pm
Tm
Zm
Tshaft
\g
ids
(3)
K gear
Tshaft
Po
Pt _ losses
Pcu
Prot
(4)
K gear
PFe
t
B. Titik Daya Maksimum
Gambar 2. Pengaturan rugi daya untuk peningkatan efisiensi generator
1.4
III.
v4
1.2
Daya mekanik turbin (pu)
1
v3
0.8
0.6
0.4
v2
Pm _ max
v1
0.2
0
-0.2
0
0.2
0.4
0.6
0.8
1
Kecepatan mekanik (pu)
1.2
1.4
Gambar 1. Karakteristik daya mekanik turbin angin
Pada pembangkit listrik tenaga angin, daya maksimum
dapat diperoleh dengan mengatur kecepatan putaran turbin
pada titik daya mekanik maksimum dan mengurangi rugirugi daya [1-4].
MODEL SISTEM
Dalam penelitian ini dirancang suatu konverter pada
pembangkit listrik tenaga angin stand alone untuk
mendapatkan daya maksimum pada setiap variasi kecepatan
angin. Pembangkit menggunakan generator induksi tiga fasa
rotor sangkar yang dikendalikan dalam bentuk DFOC. Daya
maksimum didapatkan dengan dua metode, yaitu
mengoperasikan generator pada kecepatan referensi untuk
daya maksimum dan mengurangi rugi daya pada kondisi
tunak.
Kecepatan
referensi
didapatkan
dengan
menggunakan FLC. Kendali kecepatan generator
menggunakan fuzzy PD+I kontroller. Pengurangan rugi
daya dilakukan dengan mengatur arus medan generator
menggunakan FLC. Untuk eksitasi generator digunakan
baterai yang dipasang pada sisi dc konverter. Daya output
generator yang diamati dalam bentuk dc dengan beban
resistor. Model disimulasikan dengan program MATLAB.
Gambar 3 menunjukkan model sistem yang diusulkan.
Conference on Information Technology and Electrical Engineering (CITEE)
ISSN: 2085-6350
64
Proceedings of CITEE, August 4, 2009
VDC
sedangkan pada model indirect sudut rotor diestimasi dari
referensi. Model yang diusulkan menggunakan metode
Direct Field Oriented Control (DFOC). Output kontroller
RL
*
DFOC berupa arus stator referensi ids dan
Zr
Ze 1 T e
va*
Sudut rotor
vc*
e
ds
i
e
qs
i
vdse *
Lm Rr e
iqs
Lr\ r
\r
vqse *
Lm e
i
L ds
1 r s
Rr
Te
diperoleh dari estimasi fluksi rotor
melalui estimator arus stator mesin sumbu dq. Arus stator
sumbu dq diperoleh dengan menggunakan persamaan :
abc / dq
s
Zsl
vb*
iqs* .
iqse *
idse *
v
Zr *
Zr
ª iqss º
« s »
« ids »
« i0 »
¬ ¼
Gambar 3. Model sistem
ª
«1
«
2«
0
3«
«
«1
«2
¬
1
2
3
2
1
2
1º
»
2
» ª ia º
3»« »
ib
2 »« »
» ¬« ic ¼»
1 »
2 »¼
(8)
A. Direct Field Oriented Control
Field oriented control (FOC) adalah suatu metode
pengaturan medan pada mesin ac dalam bentuk vektor
kontrol dengan mengubah sistem couple menjadi sistem
decouple, sehingga arus medan dan arus jangkar mesin
dapat dikontrol secara terpisah [15]. Arus medan merupakan
komponen fluksi dan arus jangkar adalah komponen torka,
sehingga dengan metode decouple torsi dan fluksi juga
dapat diatur secara terpisah, seperti mesin dc [15].
Dalam penelitian ini digunakan mesin induksi sebagai
generator. Dalam FOC, mesin induksi dimodelkan dalam
sumbu dq. Secara umum persamaan mesin induksi dalam
sumbu dq sebagai berikut [13-15] :
ª vqs º
«v »
« ds »
«vqr »
« »
¬vdr ¼
ª Rs pLs
« 0
«
« pLm
«
¬ Zr Lm
p
0
Rs pLs
Zr Lm
pLm
pLm
0
Rr pLr
Zr Lr
0 º ªiqs º
pLm »» ««ids »»
Zr Lr » «iqr »
»« »
Rr pLr ¼ ¬idr ¼
d / dt
(5)
Daya input pada sator mesin induksi saat motoring atau
daya output saat generating dinyatakan dalam bentuk
persamaan :
Pe
3
vdsids vqsiqs
2
iqss dan idss merupakan besaran dua fasa arus stator dalam
bentuk stasioner. Dalam bentuk rotating reference frame
( iqs dan ids ) digunakan persamaan [15] :
ªiqs º
«i »
¬ ds ¼
sin T e º ªiqs º
« »
cos T e »¼ ¬ids ¼
(9)
Fluksi rotor \ r dihitung dengan persamaan [15] :
\r
Lm .ids
1W r s
(10)
Setelah fluksi rotor diperoleh, kita dapat menghitung
kecepatan slip Z s1 dengan persamaan :
Z s1
Lm Rr
. .i
\ r Lr qs
(11)
Sudut rotor dirumuskan sebagai berikut :
Te
(6)
ªcos T e
« sin T
e
¬
³ (Z
m
Zs1 )dt
(12)
Dalam DFOC, arus stator referensi sumbu dq dihitung
dengan persamaan :
Persamaan mekanik mesin induksi sebagai berikut :
Te
J
d Zm
DZm Tm
dt
(7)
FOC dapat dibuat dalam dua model, yaitu indirect
(feedforward) dan direct (feedback) [15]. Dalam model
direct, sudut rotor diestimasi dari hasil pengukuran,
ISSN: 2085-6350
iqs*
*
ds
i
2 2 Lr Te*
.
3 p Lm \ r
\ r*
Lm
(13)
(14)
Conference on Information Technology and Electrical Engineering (CITEE)
Proceedings of CITEE, August 4, 2009
65
B. Neural Network Counterpropagation (NNCP)
NNCP merupakan kombinasi struktur NN kompetitif dan
struktur
outstar
yang
merupakan
varian
dari
backpropagation [20]. Pelatihan NNCP adalah gabungan
pelatihan terbimbing dengan pelatihan kompetitif. NNCP
mampu melatih fungsi tak-linier melalui hidden layernya
yang terdiri dari unit-unit kompetitif. Proses pelatihan NNCP
untuk n unit masukan dan m unit keluaran sebagai berikut
[20]:
x p
1
x
a{1}
p{1}
Process Input
Layer 1
a{1}
a{1}
a{2}
a{1}
Layer 2
a{2}
p{1}
a{3}
a{2}
a{2}
ay
1
Process Output
y
Layer 3
x
Pilih acak pasangan data input (x) dan output (y).
Gambar 4. Struktur NNCP dalam simulink MATLAB
x
Normalisasi vektor masukan x dengan persamaan :
Gambar 4 menunjukkan struktur NNCP yang dihasilkan
dari simulasi dengan MATLAB. NNCP memiliki tiga layer,
yaitu layer input, kompetitif dan output.
n
x
¦x
2
j
j 1
(15)
x
x
x
Inisialisasi dan normalisasi neuron masukan serta
hitung aktivasi setiap unit pada hidden layer linier.
weights
w
IW{1,1}(1,:)'
p
z
dotprod 1
Tentukan unit W dengan aktivasi yang paling besar
sebagai pemenang pada layer kompetitif.
weights
w
IW{1,1}(2,:)'
p
z
dotprod 2
Penimbang antara W dan semua unit n pada lapis
masukan diatur dengan persamaan :
weights
w
IW{1,1}(3,:)'
p
z
dotprod 3
weights
w
z
IW{1,1}(4,:)'
H
wWn
t 1
H
wWn
t D xn wWnH t
p
dotprod 4
(16)
1
pd {1,1}
weights
w
IW{1,1}(5,:)'
p
Mux
z
Mux
1
iz {1,1}
dotprod 5
x
x
weights
Ulangi langkah 1 sampai 5 sehingga semua pola
pelatihan terproses pada iterasi pertama. Nilai D
dimulai dari 0.1 dan terus berkurang untuk setiap
iterasi.
Pilih pasangan vektor pertama pada data pelatihan.
x
Ulangi langkah 2 sampai 4 untuk data yang sedang
dilatihkan.
x
Atur penimbang antara unit pemenang pada hidden
layer dengan semua unit keluaran m menggunakan
persamaan :
o
wmW
t 1
z
p
dotprod 6
weights
w
z
IW{1,1}(7,:)'
p
dotprod 7
Ulangi langkah 6 sehingga setiap pola masukan
terlatihkan dengan unit kompetitif yang sama.
x
w
IW{1,1}(6,:)'
weights
w
z
IW{1,1}(8,:)'
p
dotprod 8
Gambar5. Struktur neuron NNCP pada layer input
Pada layer input terdapat delapan neuron, seperti yang
ditunjukkan pada Gambar 5. Pada layer kompetitif terdapat
empat neuron, seperti yang ditunjukkan oleh Gambar 6,
sedangkan layer output memiliki 1 neuron.
o
o
wmW
t E yn wmW
t (17)
weights
IW{2,1}(1,:)'
w
z
p
normprod 1
x
x
Ulangi langkah 9 dan 10 untuk setiap vector data
pelatihan, E dimulai dari 0.1 dan terus berkurang
untuk setiap iterasi.
weights
w
IW{2,1}(2,:)'
p
normprod 2
1
ad {2,1}
weights
IW{2,1}(3,:)'
Ulangi langkah 8 sampai 11 sehingga error antara
output dengan target dibawah batas ambangnya.
Dalam penelitian ini NNCP digunakan untuk mencari
kecepatan referensi generator. Input NNCP adalah kecepatan
angin dan outputnya kecepatan referensi generator untuk
daya maksimum. Data training diambil dari hasil simulasi
dengan PI kontroller.
z
w
z
p
Mux
1
Mux
lz {2,1}
normprod 3
weights
w
IW{2,1}(4,:)'
p
z
normprod 4
Gambar 6. Struktur neuron NNCP pada layer kompetitif
Conference on Information Technology and Electrical Engineering (CITEE)
ISSN: 2085-6350
66
Proceedings of CITEE, August 4, 2009
MFs Output1 FLC2
C. Fuzzy Logic Controller (FLC)
FLC digunakan untuk mengendalikan kecepatan
generator dan mengatur arus medan untuk pengurangan rugi
daya. Kendali kecepatan menggunakan metode fuzzy PD+I
kontroller, sedangkan pengaturan arus medan menggunakan
fuzzy inferensi biasa. Skema fuzzy PD+I kontroller
ditunjukkan pada Gambar 7.
Derajat Keanggotaan
1
NVB
NB NM NS
NVS PVS
PS PSM
Z
PM
PBM
PB
PVB
0.8
0.6
0.4
0.2
0
-0.2
0
0.2
0.4
iqs
0.6
0.8
1
MFs output2 FLC2
³ edt
IE
GIE
E
GE
Zr
*
Zr
e
Z 1
Derajat keanggotaan
1
FLC
CE
GCE
de
dt
u
Te*
GU
VS
0.4
0.2
0
110
iqs*
Dalam simulasi, kedua fuzzy digabung menjadi satu
dengan tiga input dan dua output. Gambar 7 menunjukkan
fungsi keanggotaan input FLC, yang terdiri dari error
kecepatan, perubahan error dan kecepatan
putaran
generator.
PM
PBM
PB
ewr/ dewr
NVB
NB
NM
NS
NVS
Z
PVS
PS
PSM
PM
PBM
PB
PVB
PVB
0.8
0.6
0.4
0.2
0
-0.2
0
0.2
0.4
ew r
0.6
0.8
1
MFs input2 FLC2
N
Derajat keanggotaan
1
Z
P
0.8
0.6
0.4
0.2
-0.05
0
dew r
0.05
Derajat Keanggotaan
S
SM
M
BM
B
VB
0.8
0.6
0.4
0.2
0
0.1
160
170
180
190
20
N
NVB
NB
NM
NS
NVS
Z
Z
PVS
PS
PSM
PM
PBM
PB
Z
NVB
NB
NM
NS
NVS
Z
PVS
PS
PSM
PM
PBM
PB
PVB
P
NB
NM
NS
NVS
Z
Z
PVS
PS
PSM
PM
PBM
PB
PVB
0.1
MFs input3 FLC2
VS
0
150
id
0
-0.1
1
140
TABEL I. ATURAN DASAR FLC UNTUK KENDALI KECEPATAN
GENERATOR
Derajat keanggotan
PS PSM
NB NM NS
N VSZPVS
130
Gambar 9. Fungsi keanggotaan output FLC
MFs input1 FLC2
NVB
120
Aturan dasar (rule base) FLC untuk kedua output FLC
terdapat dalam TABEL I dan II. TABEL I adalah aturan
dasar untuk kendali kecepatan
generator, sedangkan
TABEL II aturan dasar untuk pengaturan rugi daya
generator.
Gambar 7. Skema fuzzy PD+I kontroller untuk kendali kecepatan generator
1
SM M BM B
0.6
100
Pers.
(13)
S
0.8
0.2
0.3
0.4
0.5
wr
0.6
0.7
0.8
0.9
Gambar 8. Fungsi keanggotaan input FLC
Untuk kendali kecepatan input FLC yang digunakan
adalah error dan perubahan error kecepatan dengan output
torka elektromagnetik. Arus jangkar referensi sumbu q
dihitung dengan persamaan (13). Untuk mengatur rugi daya
digunakan error dan kecepatan generator sebagai input FLC,
sedangkan outputnya arus medan sumbu d. Gambar 9
menunjukkan fungsi keanggotaan output FLC.
ISSN: 2085-6350
1
TABEL II. ATURAN DASAR FLC UNTUK PENGATURAN RUGI
DAYA
ewr/ wr
NVB
NB
NM
NS
NVS
Z
PVS
PS
PSM
PM
PBM
PB
PVB
VS
M
M
M
M
M
M
M
M
M
M
M
M
M
S
M
M
M
M
VS
VS
VS
M
M
M
M
M
M
SM
M
M
M
M
S
S
S
M
M
M
M
M
M
M
BM
BM
BM
BM
SM
SM
SM
BM
BM
BM
BM
BM
BM
BM
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
VB
B
B
B
B
B
B
B
B
B
B
B
B
B
Conference on Information Technology and Electrical Engineering (CITEE)
Proceedings of CITEE, August 4, 2009
HASIL SIMULASI DAN PEMBAHASAN
Simulasi dilakukan dengan menggunakan program
MATLAB. Simulasi dilakukan pada kecepatan angin 5 m/s
sampai 10 m/s. Simulasi pertama dilakukan dengan
menggunakan PI kontroller. Dalam simulasi ini kecepatan
referensi generator diatur secara manual, sehingga
didapatkan kecepatan referensi untuk titik daya maksimum
pada setiap variasi kecepatan angin. Hasil simulasi
menunjukkan bahwa daya maksimum terdapat pada
koefisien daya 0.48 dan TSR 8.09 dengan kecepatan
referensi seperti yang terdapat dalam TABEL III. Kecepatan
referensi ini detraining dengan NNCP dan hasilnya
ditunjukkan dalam TABEL III.
Tip Speed Ratio (TSR) pada titik day a maksimum
10
8
6
TSR
IV.
67
4
2
0
0
1
2
3
4
5
6
7
Sampling waktu
4
x 10
Gambar 11. Grafik koefisien daya dan TSR saat generator dioperasikan
pada kecepatan referensi untuk daya maksimum
TABEL III. KECEPATAN REFERENSI GENERATOR UNTUK DAYA
MAKSIMUM
5
6
7
8
9
10
Zr * (rpm)
PI
NNCP
483
580
676
773
871
966
482.953
580.001
676.001
773.000
871.002
965.992
Simulasi kedua menggunakan NNCP dan FLC. Gambar
12 menunjukkan hasil simulasi pada kecepatan angin 5 m/s.
Cp
O
0.48
0.48
0.48
0.48
0.48
0.48
8.09
8.09
8.09
8.09
8.09
8.09
Kecepatan putaran generator
500
400
300
rpm
v
(m/s)
200
v merupakan kecepatan angin,
Zr *
adalah kecepatan
100
O adalah
0
referensi generator, C p adalah koefisien daya dan
0
1
2
3
5
6
7
4
x 10
4
x 10
Day a output Generator
1.7
ids v ariabel
1.6
4
x 10
4
Sampling waktu
TSR. Gambar 10 menunjukkan karakteristik daya mekanik
turbin angin saat kecepatan turbin divariasikan secara
manual.
Karakteristik Day a mekanik turbin angin
1.5
Watt
15
10 m/s
ids konstan
1.4
Pm (Watt)
1.3
10
9 m/s
1.2
1.1
8 m/s
1
7 m/s
5
1
2
3
6 m/s
0
0
4
5
6
7
Sampling waktu
5 m/s
500
1000
4
x 10
Arus medan (ids*)
1500
220
Kecepatan putaran turbin (rpm)
200
Ampere
Gambar 10. Karakteristik daya mekanik turbin angin
Gambar 11 menunjukkan grafik koefisien daya dan TSR saat
generator dioperasikan pada kecepatan referensi untuk daya
maksimum dengan kecepatan angin 5 m/s sampai 10 m/s.
ids konstan
180
160
140
120
ids v ariabel
100
80
0
Koef isien day a pada titik day a maksimum
1
2
3
4
5
6
Sampling waktu
0.5
7
4
x 10
0.4
Gambar 12. Hasil simulasi pada kecepatan angin 5 m/s
Cp
0.3
0.2
0.1
0
0
1
2
3
4
Sampling waktu
5
6
7
4
x 10
Pada Gambar 12 terlihat bahwa saat kecepatan angin 5
m/s generator berputar pada kecepatan kisaran 483 rpm. Hal
ini menunjukkan generator beroperasi pada titik daya
maksimum. Penurunan arus medan seperti yang ditunjukkan
oleh grafik arus medan pada Gambar 12, menghasilkan daya
Conference on Information Technology and Electrical Engineering (CITEE)
ISSN: 2085-6350
68
Proceedings of CITEE, August 4, 2009
output generator yang lebih besar seperti yang ditunjukkan
grafik daya output generator pada Gambar 12.
Saat kecepatan angin bervariasi (seperti yang
ditunjukkan oleh grafik kecepatan angin pada Gambar 13),
generator tetap berputar sesuai dengan kecepatan referensi.
Hal ini menunjukkan bahwa generator tetap beroperasi pada
titik daya maksimum walaupun kecepatan angin
divariasikan. Daya output generator maksimum juga
ditunjukkan oleh grafik koefisien daya yang selalu berada
pada nilai maksimum walaupun kecepatan angin
divariasikan.
Dalam simulasi ketiga, kecepatan angin dibuat
bervariasi. Hasil simulasi ketiga ditunjukkan pada Gambar
13.
Kecepatan angin
m/s
10
8
6
4
0
0.5
1
1.5
2
2.5
3
3.5
Sampling waktu
4
5
x 10
Dari simulasi kedua dan ketiga terlihat bahwa pada
pembangkit listrik tenaga angin, daya output generator dapat
maksimum dengan cara mengendalikan kecepatan putaran
generator dan mengurangi rugi daya pada pada kondisi
tunak. Pengurangan rugi daya dengan cara penurunan arus
medan stator hanya dapat dilakukan pada kecepatan angin
rendah (beban ringan).
Kecepatan putaran generator
V.
1000
rpm
800
600
400
200
0
0
0.5
1
1.5
2
2.5
3
3.5
Sampling waktu
4
x 10
4
5
x 10
Day a output generator
12
watt
10
8
KESIMPULAN
Pada pembangkit listrik tenaga angin, daya output
generator maksimum bisa didapatkan dengan cara
mengendalikan kecepatan putaran generator dan mengurangi
rugi daya pada kondisi tunak. Dari simulasi yang telah
dilakukan didapatkan kecepatan referensi untuk daya
maksimum pada koefisien daya 0.48 dan TSR 8.09.
Penggunaan NNCP dan FLC sebagai kontroller dengan
operasi generator dalam mode DFOC memberikan hasil
yang valid untuk setiap variasi kecepatan angin. Penurunan
rugi daya melalui pengurangan arus medan dapat menambah
daya output generator. Misalnya pada kecepatan 5 m/s,
penurunan arus medan sebesar 88 Ampere dapat
meningkatkan daya output generator sebesar 228 Watt.
6
4
REFERENCES
2
0
0.5
1
1.5
2
2.5
3
3.5
Sampling waktu
4
[1]
5
x 10
Koef isien day a
0.5
[2]
Cp
0.4
0.3
[3]
0.2
0.1
0
0
0.5
1
1.5
2
2.5
3
3.5
Sampling waktu
4
[4]
5
x 10
[5]
Vdc
2000
1500
Volt
[6]
1000
V Load
V baterai
500
[7]
0
0
0.5
1
1.5
2
2.5
3
Sampling waktu
Gambar 13. Hasil simulasi saat kecepatan angin bervariasi
ISSN: 2085-6350
3.5
4
5
x 10
[8]
A. G. A. Khalil, D. C Lee, and J. K. Seok, “Variable speed wind
power generation system based on Fuzzy Logic Control for
maximum output power tracking,” 35th Annual IEEE Power
Electronic Specialists Conference, Aachen, Germany, pp. 2039-2042,
2004. (references)
V. Kumar, and R. R. Joshi, “Fuzzy Logic based light load efficiency
improvement of matrix converter based wind generation system,”
JATIT. India, vol. 2, pp. 79–89, 2007.
M. G. Simoes, B. K. Bose, and R. J. Spiegel, “Fuzzy Logic based
intelligent control of a variable speed cage machine wind generation
system,” IEEE. Trans. Power Electronic, vol. 12, pp. 87–95, January
1997.
T. Senjyu, Y. Ochi, dkk, “Sensor-less maximum power point tracking
control for wind generation system with squirrel cage induction
generator,” ELSEIVER. Trans. Renewable Energy, vol. 30, pp. 1–8,
August 2008.
D. Aouzellag, K. Ghedamsi, and E. M. Berkouk, “Network power
flux control of a wind generator,” ELSEIVER. Trans. Renewable
Energy, vol. 30, pp. 1–8, May 2008.
L. Krichen, B. Francois, and A. Ouali, “A Fuzzy Logic supervisor
for active and reactive power control of a fixed speed wind energy
conversion system,” ELSEIVER. Trans. Electric Power System, vol.
74, pp. 418–424, May 2007.
W. L. Chen, and Y. Y. Hsu, “Controller design for an induction
generator driven by a variable speed wind turbine,” IEEE. Trans.
Energy Conversions, vol. 21, pp. 625–635, September 2006.
L. A. C. Lopez, and R. G. Almeida, “Wind driven SEIG with voltage
and frequency regulated by a reduced rating VSI,” IEEE. Trans.
Energy Conversions, vol. 21, pp. 297–301, June 2006.
Conference on Information Technology and Electrical Engineering (CITEE)
Proceedings of CITEE, August 4, 2009
[9]
[10]
[11]
[12]
[13]
[14]
T. Ahmed, K. Nishida, and M. Nakaoka, “Advanced control of
PWM with variable speed induction generator,” IEEE. Trans.
Industry Application, vol. 42, pp. 934–945, July 2006.
R. Cardenas, and R. Pena, “Sensorless vector control of induction
machines for variable speed wind energy applications,” IEEE. Trans.
Energy Conversion, vol. 19, pp. 196–204, March 2004.
F. Blaabjerg, Z. Chen, and S. B. Kjaer, “Power electronics as
efficient interface in dispersed power generation system,” IEEE.
Trans. Power Electronic, vol. 19, pp. 1184–1194, July 2006.
T. Burton, D. Sharpe, N. Jenskin, and E. Borsanyi, Win energy
handbook. West sussex: John Wiley & Sons, 2001.
I. Boldea, and S. A. Nasar, The induction machine handbook. Florida,
USA: CRC Press, 2002.
I. Boldea, The electric generator handbook : Variable speed
generator. Boca Raton, USA: CRC Press, 2005.
69
[15] B. K. Bose, Modern power electronic and AC drives. Upper Saddle
River, USA: Prentice Hall, 2001.
[16] T. L. Skvarenina, The power electronic handbook : Industrial
electronic series. Florida, USA: CRC Press, 2002.
[17] M. Rashid, Power electronic handbook. Canada: Academic Press,
2001.
[18] N. Mohan, Power electronic converter, application and design. New
York, USA: John Wiley & Sons, …..
[19] D. G. Holmes, and T. A. Lippo, Pulse width modulation for power
converter. West sussex, USA: John Wiley & Sons, 2003.
[20] M. H. Purnomo, dan A. Kurniawan, Supervised neural network dan
aplikasinya, Jogyakarta, Indonesia: Graha Ilmu, 2006.
[21] J. S. R. Jang, C. T. Sun, and E. Mizutani, Neuro-fuzzy and soft
computing, USA: Prentice Hall International, 1997.
Conference on Information Technology and Electrical Engineering (CITEE)
ISSN: 2085-6350
Proceedings of CITEE, August 4, 2009
Maximum Output Power Tracking Pada
Pembangkit Listrik Tenaga Angin Stand Alone
Berbasis Neural Network CounterpropagationFuzzy Logic Controller
Muldi Yuhendri1), Mochammad Ashari2)
1) Jurusan teknik elektro Univ. Negeri Padang/Mahasiswa S2 jurusan teknik elektro ITS Surabaya
60111, Indonesia
muldee@elect-eng.its.ac.id
2) Jurusan teknik elektro ITS Surabaya, 60111, Indonesia
asharimd@yahoo.com
Mauridhi Hery Purnomo3)
3) Jurusan teknik elektro ITS Surabaya, 60111, Indonesia
hery@its.ac.id
Abstract— This is paper proposes a variable speed control
scheme of stand alone wind power generation system to
produce the maximum output power, which is based on a
Neural Network Counterpropagation (NNCP) and Fuzzy
Logic Controller (FLC). The generation system using the
squirrel-cage induction generator, which is operated in direct
field oriented control mode. A NNCP is used for tracks the
reference of generator speed in variation of the wind velocity
to extract the maximum power. A FLC is used for control a
speed by controlling the generator torque and programs the
generator flux for improvement efficiency at light load. This
scheme using voltage source inverter type space vector pulse
width modulation. The experimental result are shown to verify
the validity of the proposed scheme.
Keywords— wind generation system, MOPT, NNCP, FLC,
DFOC.
I.
PENDAHULUAN
Tenaga angin adalah salah satu sumber energi terbarukan
yang banyak dikembangkan akhir-akhir ini. Indonesia adalah
salah satu negara yang memiliki potensi angin yang cukup
memadai dengan kapasitas mencapai 9,29 GW. Sampai
tahun 2004, pemanfaatan energi angin di Indonesia baru
mencapai 0,5 MW. Telah banyak riset yang dilakukan untuk
meningkatkan performansi pembangkit listrik tenaga angin,
yang mencakup pengembangan sistem secara mekanik,
mekanik elektronik dan full elektronik [11].
Pengembangan secara mekanis dilakukan pada desain
turbin angin. Turbin angin konvensional didesain dengan
kecepatan konstan untuk kecepatan angin yang bervariasi
[11]. Turbin jenis ini memiliki kekurangan dalam
menangkap daya angin yang tersedia, sehingga daya output
generator tidak maksimum. Dewasa ini turbin angin
dikembangkan dengan model kecepatan bervariasi. Turbin
jenis ini dapat memperbesar tangkapan daya angin,
sehingga daya output generator bisa lebih maksimal dan
efisiensi pembangkit menjadi meningkat [1].
ISSN: 2085-6350
Daya output generator tergantung pada daya mekanik
turbin angin yang ditentukan oleh koefisien daya dan Tip
Speed Ratio (TSR) turbin. Daya output generator akan
maksimum pada titik koefisien daya maksimum dan TSR
optimum. Salah satu cara untuk mendapatkan koefisien
daya maksimum dan TSR optimum adalah dengan
mengendalikan kecepatan putaran generator [3].
Pengembangan yang banyak dilakukan untuk
mendapatkan daya output maksimum pada pembangkit
listrik tenaga angin adalah pengembangan secara elektronis
dengan mengaplikasikan berbagai macam model konverter
yang dikontrol dengan beragam metode. Semua model yang
diterapkan memiliki kelebihan dan kekurangan, sesuai
dengan tujuan riset yang dilakukan. Dalam penelitian ini
dirancang suatu model konverter untuk mendapatkan daya
output generator yang maksimum pada setiap variasi
kecepatan angin. Daya maksimum didapatkan dengan cara
mengendalikan kecepatan turbin pada titik koefisien daya
maksimum dan mengurangi rugi daya pada kondisi tunak.
Konfigurasi pembangkit dibuat dalam bentuk stand alone
yang menggunakan generator induksi tiga fasa rotor
sangkar. Generator dioperasikan dalam mode Direct Field
Oriented Control (DFOC) dengan kontroller Neural
Network Counterpropagation (NNCP) dan Fuzzy Logic
Controller (FLC). NNCP digunakan untuk mencari
kecepatan referensi untuk daya maksimum pada setiap
variasi kecepatan angin, sedangkan FLC diaplikasikan
untuk mengendalikan kecepatan dan mengatur arus medan
generator. Pembangkit menggunakan Voltage Source
Inverter (VSI) yang dimodulasi dengan Space Vector Pulse
Width Modulation (SVPWM).
II.
SISTEM KONVERSI ENERGI ANGIN
A. Turbin Angin
Angin adalah udara bergerak yang terjadi karena
pemanasan tidak merata oleh matahari terhadap permukaan
Conference on Information Technology and Electrical Engineering (CITEE)
Proceedings of CITEE, August 4, 2009
63
bumi [12]. Gerakan udara adalah energi kinetik angin yang
dapat dimanfaatkan untuk berbagai keperluan, seperti
penggerak generator pembangkit listrik melalui sistem
konversi dengan turbin angin.
Pada turbin angin, jumlah daya angin yang ditangkap
turbin tergantung kepada ukuran baling-baling turbin dan
kecepatan angin [1]. Daya mekanik yang dihasilkan turbin
dirumuskan dengan persamaan [1,2,3,12]:
Pm
1
KSU R 2 v3
2
(1)
Nilai efisiensi ini ditentukan oleh koefisien daya dan Tip
Speed Ratio (TSR) [1]. Koefisien daya adalah rasio daya
mekanik pada turbin dengan daya angin yang ditangkap
baling-baling turbin. TSR merupakan rasio kecepatan
baling-baling turbin dengan kecepatan angin [1]. Hubungan
antara daya mekanik dengan koefisien daya dan TSR
dijabarkan dalam persamaan :
Pm
1
SU C p (O , E ) R 2 v3
2
Daya mekanik turbin angin akan maksimum saat nilai
koefisien daya maksimum dan nilai TSR optimum. Gambar
1 menunjukkan karakteristik daya mekanik turbin angin.
Dari Gambar 1 dapat kita lihat bahwa pada setiap variasi
kecepatan angin terdapat satu titik daya mekanik maksimum.
Titik daya maksimum berada pada kecepatan turbin yang
bervariasi.
Cara kedua untuk meningkatkan daya output generator
adalah menaikan efifiensi dengan cara mengurangi rugi-rugi
daya melalui penurunan arus medan pada kondisi tunak [24]. Penurunan arus medan dilakukan hanya pada kondisi
beban ringan [2,3]. Penurunan arus medan bertujuan untuk
mengurangi rugi inti besi yang terdiri dari rugi hysteris dan
rugi arus edy pada stator. Konsep peningkatan efisiensi ini
ditunjukan pada Gambar 2.
Tm
Zr
(2)
Is
Pada turbin angin yang menggunakan gearbox, daya dan
torka mekanik pada poros generator adalah [3]:
Pm
Tm
Zm
Tshaft
\g
ids
(3)
K gear
Tshaft
Po
Pt _ losses
Pcu
Prot
(4)
K gear
PFe
t
B. Titik Daya Maksimum
Gambar 2. Pengaturan rugi daya untuk peningkatan efisiensi generator
1.4
III.
v4
1.2
Daya mekanik turbin (pu)
1
v3
0.8
0.6
0.4
v2
Pm _ max
v1
0.2
0
-0.2
0
0.2
0.4
0.6
0.8
1
Kecepatan mekanik (pu)
1.2
1.4
Gambar 1. Karakteristik daya mekanik turbin angin
Pada pembangkit listrik tenaga angin, daya maksimum
dapat diperoleh dengan mengatur kecepatan putaran turbin
pada titik daya mekanik maksimum dan mengurangi rugirugi daya [1-4].
MODEL SISTEM
Dalam penelitian ini dirancang suatu konverter pada
pembangkit listrik tenaga angin stand alone untuk
mendapatkan daya maksimum pada setiap variasi kecepatan
angin. Pembangkit menggunakan generator induksi tiga fasa
rotor sangkar yang dikendalikan dalam bentuk DFOC. Daya
maksimum didapatkan dengan dua metode, yaitu
mengoperasikan generator pada kecepatan referensi untuk
daya maksimum dan mengurangi rugi daya pada kondisi
tunak.
Kecepatan
referensi
didapatkan
dengan
menggunakan FLC. Kendali kecepatan generator
menggunakan fuzzy PD+I kontroller. Pengurangan rugi
daya dilakukan dengan mengatur arus medan generator
menggunakan FLC. Untuk eksitasi generator digunakan
baterai yang dipasang pada sisi dc konverter. Daya output
generator yang diamati dalam bentuk dc dengan beban
resistor. Model disimulasikan dengan program MATLAB.
Gambar 3 menunjukkan model sistem yang diusulkan.
Conference on Information Technology and Electrical Engineering (CITEE)
ISSN: 2085-6350
64
Proceedings of CITEE, August 4, 2009
VDC
sedangkan pada model indirect sudut rotor diestimasi dari
referensi. Model yang diusulkan menggunakan metode
Direct Field Oriented Control (DFOC). Output kontroller
RL
*
DFOC berupa arus stator referensi ids dan
Zr
Ze 1 T e
va*
Sudut rotor
vc*
e
ds
i
e
qs
i
vdse *
Lm Rr e
iqs
Lr\ r
\r
vqse *
Lm e
i
L ds
1 r s
Rr
Te
diperoleh dari estimasi fluksi rotor
melalui estimator arus stator mesin sumbu dq. Arus stator
sumbu dq diperoleh dengan menggunakan persamaan :
abc / dq
s
Zsl
vb*
iqs* .
iqse *
idse *
v
Zr *
Zr
ª iqss º
« s »
« ids »
« i0 »
¬ ¼
Gambar 3. Model sistem
ª
«1
«
2«
0
3«
«
«1
«2
¬
1
2
3
2
1
2
1º
»
2
» ª ia º
3»« »
ib
2 »« »
» ¬« ic ¼»
1 »
2 »¼
(8)
A. Direct Field Oriented Control
Field oriented control (FOC) adalah suatu metode
pengaturan medan pada mesin ac dalam bentuk vektor
kontrol dengan mengubah sistem couple menjadi sistem
decouple, sehingga arus medan dan arus jangkar mesin
dapat dikontrol secara terpisah [15]. Arus medan merupakan
komponen fluksi dan arus jangkar adalah komponen torka,
sehingga dengan metode decouple torsi dan fluksi juga
dapat diatur secara terpisah, seperti mesin dc [15].
Dalam penelitian ini digunakan mesin induksi sebagai
generator. Dalam FOC, mesin induksi dimodelkan dalam
sumbu dq. Secara umum persamaan mesin induksi dalam
sumbu dq sebagai berikut [13-15] :
ª vqs º
«v »
« ds »
«vqr »
« »
¬vdr ¼
ª Rs pLs
« 0
«
« pLm
«
¬ Zr Lm
p
0
Rs pLs
Zr Lm
pLm
pLm
0
Rr pLr
Zr Lr
0 º ªiqs º
pLm »» ««ids »»
Zr Lr » «iqr »
»« »
Rr pLr ¼ ¬idr ¼
d / dt
(5)
Daya input pada sator mesin induksi saat motoring atau
daya output saat generating dinyatakan dalam bentuk
persamaan :
Pe
3
vdsids vqsiqs
2
iqss dan idss merupakan besaran dua fasa arus stator dalam
bentuk stasioner. Dalam bentuk rotating reference frame
( iqs dan ids ) digunakan persamaan [15] :
ªiqs º
«i »
¬ ds ¼
sin T e º ªiqs º
« »
cos T e »¼ ¬ids ¼
(9)
Fluksi rotor \ r dihitung dengan persamaan [15] :
\r
Lm .ids
1W r s
(10)
Setelah fluksi rotor diperoleh, kita dapat menghitung
kecepatan slip Z s1 dengan persamaan :
Z s1
Lm Rr
. .i
\ r Lr qs
(11)
Sudut rotor dirumuskan sebagai berikut :
Te
(6)
ªcos T e
« sin T
e
¬
³ (Z
m
Zs1 )dt
(12)
Dalam DFOC, arus stator referensi sumbu dq dihitung
dengan persamaan :
Persamaan mekanik mesin induksi sebagai berikut :
Te
J
d Zm
DZm Tm
dt
(7)
FOC dapat dibuat dalam dua model, yaitu indirect
(feedforward) dan direct (feedback) [15]. Dalam model
direct, sudut rotor diestimasi dari hasil pengukuran,
ISSN: 2085-6350
iqs*
*
ds
i
2 2 Lr Te*
.
3 p Lm \ r
\ r*
Lm
(13)
(14)
Conference on Information Technology and Electrical Engineering (CITEE)
Proceedings of CITEE, August 4, 2009
65
B. Neural Network Counterpropagation (NNCP)
NNCP merupakan kombinasi struktur NN kompetitif dan
struktur
outstar
yang
merupakan
varian
dari
backpropagation [20]. Pelatihan NNCP adalah gabungan
pelatihan terbimbing dengan pelatihan kompetitif. NNCP
mampu melatih fungsi tak-linier melalui hidden layernya
yang terdiri dari unit-unit kompetitif. Proses pelatihan NNCP
untuk n unit masukan dan m unit keluaran sebagai berikut
[20]:
x p
1
x
a{1}
p{1}
Process Input
Layer 1
a{1}
a{1}
a{2}
a{1}
Layer 2
a{2}
p{1}
a{3}
a{2}
a{2}
ay
1
Process Output
y
Layer 3
x
Pilih acak pasangan data input (x) dan output (y).
Gambar 4. Struktur NNCP dalam simulink MATLAB
x
Normalisasi vektor masukan x dengan persamaan :
Gambar 4 menunjukkan struktur NNCP yang dihasilkan
dari simulasi dengan MATLAB. NNCP memiliki tiga layer,
yaitu layer input, kompetitif dan output.
n
x
¦x
2
j
j 1
(15)
x
x
x
Inisialisasi dan normalisasi neuron masukan serta
hitung aktivasi setiap unit pada hidden layer linier.
weights
w
IW{1,1}(1,:)'
p
z
dotprod 1
Tentukan unit W dengan aktivasi yang paling besar
sebagai pemenang pada layer kompetitif.
weights
w
IW{1,1}(2,:)'
p
z
dotprod 2
Penimbang antara W dan semua unit n pada lapis
masukan diatur dengan persamaan :
weights
w
IW{1,1}(3,:)'
p
z
dotprod 3
weights
w
z
IW{1,1}(4,:)'
H
wWn
t 1
H
wWn
t D xn wWnH t
p
dotprod 4
(16)
1
pd {1,1}
weights
w
IW{1,1}(5,:)'
p
Mux
z
Mux
1
iz {1,1}
dotprod 5
x
x
weights
Ulangi langkah 1 sampai 5 sehingga semua pola
pelatihan terproses pada iterasi pertama. Nilai D
dimulai dari 0.1 dan terus berkurang untuk setiap
iterasi.
Pilih pasangan vektor pertama pada data pelatihan.
x
Ulangi langkah 2 sampai 4 untuk data yang sedang
dilatihkan.
x
Atur penimbang antara unit pemenang pada hidden
layer dengan semua unit keluaran m menggunakan
persamaan :
o
wmW
t 1
z
p
dotprod 6
weights
w
z
IW{1,1}(7,:)'
p
dotprod 7
Ulangi langkah 6 sehingga setiap pola masukan
terlatihkan dengan unit kompetitif yang sama.
x
w
IW{1,1}(6,:)'
weights
w
z
IW{1,1}(8,:)'
p
dotprod 8
Gambar5. Struktur neuron NNCP pada layer input
Pada layer input terdapat delapan neuron, seperti yang
ditunjukkan pada Gambar 5. Pada layer kompetitif terdapat
empat neuron, seperti yang ditunjukkan oleh Gambar 6,
sedangkan layer output memiliki 1 neuron.
o
o
wmW
t E yn wmW
t (17)
weights
IW{2,1}(1,:)'
w
z
p
normprod 1
x
x
Ulangi langkah 9 dan 10 untuk setiap vector data
pelatihan, E dimulai dari 0.1 dan terus berkurang
untuk setiap iterasi.
weights
w
IW{2,1}(2,:)'
p
normprod 2
1
ad {2,1}
weights
IW{2,1}(3,:)'
Ulangi langkah 8 sampai 11 sehingga error antara
output dengan target dibawah batas ambangnya.
Dalam penelitian ini NNCP digunakan untuk mencari
kecepatan referensi generator. Input NNCP adalah kecepatan
angin dan outputnya kecepatan referensi generator untuk
daya maksimum. Data training diambil dari hasil simulasi
dengan PI kontroller.
z
w
z
p
Mux
1
Mux
lz {2,1}
normprod 3
weights
w
IW{2,1}(4,:)'
p
z
normprod 4
Gambar 6. Struktur neuron NNCP pada layer kompetitif
Conference on Information Technology and Electrical Engineering (CITEE)
ISSN: 2085-6350
66
Proceedings of CITEE, August 4, 2009
MFs Output1 FLC2
C. Fuzzy Logic Controller (FLC)
FLC digunakan untuk mengendalikan kecepatan
generator dan mengatur arus medan untuk pengurangan rugi
daya. Kendali kecepatan menggunakan metode fuzzy PD+I
kontroller, sedangkan pengaturan arus medan menggunakan
fuzzy inferensi biasa. Skema fuzzy PD+I kontroller
ditunjukkan pada Gambar 7.
Derajat Keanggotaan
1
NVB
NB NM NS
NVS PVS
PS PSM
Z
PM
PBM
PB
PVB
0.8
0.6
0.4
0.2
0
-0.2
0
0.2
0.4
iqs
0.6
0.8
1
MFs output2 FLC2
³ edt
IE
GIE
E
GE
Zr
*
Zr
e
Z 1
Derajat keanggotaan
1
FLC
CE
GCE
de
dt
u
Te*
GU
VS
0.4
0.2
0
110
iqs*
Dalam simulasi, kedua fuzzy digabung menjadi satu
dengan tiga input dan dua output. Gambar 7 menunjukkan
fungsi keanggotaan input FLC, yang terdiri dari error
kecepatan, perubahan error dan kecepatan
putaran
generator.
PM
PBM
PB
ewr/ dewr
NVB
NB
NM
NS
NVS
Z
PVS
PS
PSM
PM
PBM
PB
PVB
PVB
0.8
0.6
0.4
0.2
0
-0.2
0
0.2
0.4
ew r
0.6
0.8
1
MFs input2 FLC2
N
Derajat keanggotaan
1
Z
P
0.8
0.6
0.4
0.2
-0.05
0
dew r
0.05
Derajat Keanggotaan
S
SM
M
BM
B
VB
0.8
0.6
0.4
0.2
0
0.1
160
170
180
190
20
N
NVB
NB
NM
NS
NVS
Z
Z
PVS
PS
PSM
PM
PBM
PB
Z
NVB
NB
NM
NS
NVS
Z
PVS
PS
PSM
PM
PBM
PB
PVB
P
NB
NM
NS
NVS
Z
Z
PVS
PS
PSM
PM
PBM
PB
PVB
0.1
MFs input3 FLC2
VS
0
150
id
0
-0.1
1
140
TABEL I. ATURAN DASAR FLC UNTUK KENDALI KECEPATAN
GENERATOR
Derajat keanggotan
PS PSM
NB NM NS
N VSZPVS
130
Gambar 9. Fungsi keanggotaan output FLC
MFs input1 FLC2
NVB
120
Aturan dasar (rule base) FLC untuk kedua output FLC
terdapat dalam TABEL I dan II. TABEL I adalah aturan
dasar untuk kendali kecepatan
generator, sedangkan
TABEL II aturan dasar untuk pengaturan rugi daya
generator.
Gambar 7. Skema fuzzy PD+I kontroller untuk kendali kecepatan generator
1
SM M BM B
0.6
100
Pers.
(13)
S
0.8
0.2
0.3
0.4
0.5
wr
0.6
0.7
0.8
0.9
Gambar 8. Fungsi keanggotaan input FLC
Untuk kendali kecepatan input FLC yang digunakan
adalah error dan perubahan error kecepatan dengan output
torka elektromagnetik. Arus jangkar referensi sumbu q
dihitung dengan persamaan (13). Untuk mengatur rugi daya
digunakan error dan kecepatan generator sebagai input FLC,
sedangkan outputnya arus medan sumbu d. Gambar 9
menunjukkan fungsi keanggotaan output FLC.
ISSN: 2085-6350
1
TABEL II. ATURAN DASAR FLC UNTUK PENGATURAN RUGI
DAYA
ewr/ wr
NVB
NB
NM
NS
NVS
Z
PVS
PS
PSM
PM
PBM
PB
PVB
VS
M
M
M
M
M
M
M
M
M
M
M
M
M
S
M
M
M
M
VS
VS
VS
M
M
M
M
M
M
SM
M
M
M
M
S
S
S
M
M
M
M
M
M
M
BM
BM
BM
BM
SM
SM
SM
BM
BM
BM
BM
BM
BM
BM
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
VB
B
B
B
B
B
B
B
B
B
B
B
B
B
Conference on Information Technology and Electrical Engineering (CITEE)
Proceedings of CITEE, August 4, 2009
HASIL SIMULASI DAN PEMBAHASAN
Simulasi dilakukan dengan menggunakan program
MATLAB. Simulasi dilakukan pada kecepatan angin 5 m/s
sampai 10 m/s. Simulasi pertama dilakukan dengan
menggunakan PI kontroller. Dalam simulasi ini kecepatan
referensi generator diatur secara manual, sehingga
didapatkan kecepatan referensi untuk titik daya maksimum
pada setiap variasi kecepatan angin. Hasil simulasi
menunjukkan bahwa daya maksimum terdapat pada
koefisien daya 0.48 dan TSR 8.09 dengan kecepatan
referensi seperti yang terdapat dalam TABEL III. Kecepatan
referensi ini detraining dengan NNCP dan hasilnya
ditunjukkan dalam TABEL III.
Tip Speed Ratio (TSR) pada titik day a maksimum
10
8
6
TSR
IV.
67
4
2
0
0
1
2
3
4
5
6
7
Sampling waktu
4
x 10
Gambar 11. Grafik koefisien daya dan TSR saat generator dioperasikan
pada kecepatan referensi untuk daya maksimum
TABEL III. KECEPATAN REFERENSI GENERATOR UNTUK DAYA
MAKSIMUM
5
6
7
8
9
10
Zr * (rpm)
PI
NNCP
483
580
676
773
871
966
482.953
580.001
676.001
773.000
871.002
965.992
Simulasi kedua menggunakan NNCP dan FLC. Gambar
12 menunjukkan hasil simulasi pada kecepatan angin 5 m/s.
Cp
O
0.48
0.48
0.48
0.48
0.48
0.48
8.09
8.09
8.09
8.09
8.09
8.09
Kecepatan putaran generator
500
400
300
rpm
v
(m/s)
200
v merupakan kecepatan angin,
Zr *
adalah kecepatan
100
O adalah
0
referensi generator, C p adalah koefisien daya dan
0
1
2
3
5
6
7
4
x 10
4
x 10
Day a output Generator
1.7
ids v ariabel
1.6
4
x 10
4
Sampling waktu
TSR. Gambar 10 menunjukkan karakteristik daya mekanik
turbin angin saat kecepatan turbin divariasikan secara
manual.
Karakteristik Day a mekanik turbin angin
1.5
Watt
15
10 m/s
ids konstan
1.4
Pm (Watt)
1.3
10
9 m/s
1.2
1.1
8 m/s
1
7 m/s
5
1
2
3
6 m/s
0
0
4
5
6
7
Sampling waktu
5 m/s
500
1000
4
x 10
Arus medan (ids*)
1500
220
Kecepatan putaran turbin (rpm)
200
Ampere
Gambar 10. Karakteristik daya mekanik turbin angin
Gambar 11 menunjukkan grafik koefisien daya dan TSR saat
generator dioperasikan pada kecepatan referensi untuk daya
maksimum dengan kecepatan angin 5 m/s sampai 10 m/s.
ids konstan
180
160
140
120
ids v ariabel
100
80
0
Koef isien day a pada titik day a maksimum
1
2
3
4
5
6
Sampling waktu
0.5
7
4
x 10
0.4
Gambar 12. Hasil simulasi pada kecepatan angin 5 m/s
Cp
0.3
0.2
0.1
0
0
1
2
3
4
Sampling waktu
5
6
7
4
x 10
Pada Gambar 12 terlihat bahwa saat kecepatan angin 5
m/s generator berputar pada kecepatan kisaran 483 rpm. Hal
ini menunjukkan generator beroperasi pada titik daya
maksimum. Penurunan arus medan seperti yang ditunjukkan
oleh grafik arus medan pada Gambar 12, menghasilkan daya
Conference on Information Technology and Electrical Engineering (CITEE)
ISSN: 2085-6350
68
Proceedings of CITEE, August 4, 2009
output generator yang lebih besar seperti yang ditunjukkan
grafik daya output generator pada Gambar 12.
Saat kecepatan angin bervariasi (seperti yang
ditunjukkan oleh grafik kecepatan angin pada Gambar 13),
generator tetap berputar sesuai dengan kecepatan referensi.
Hal ini menunjukkan bahwa generator tetap beroperasi pada
titik daya maksimum walaupun kecepatan angin
divariasikan. Daya output generator maksimum juga
ditunjukkan oleh grafik koefisien daya yang selalu berada
pada nilai maksimum walaupun kecepatan angin
divariasikan.
Dalam simulasi ketiga, kecepatan angin dibuat
bervariasi. Hasil simulasi ketiga ditunjukkan pada Gambar
13.
Kecepatan angin
m/s
10
8
6
4
0
0.5
1
1.5
2
2.5
3
3.5
Sampling waktu
4
5
x 10
Dari simulasi kedua dan ketiga terlihat bahwa pada
pembangkit listrik tenaga angin, daya output generator dapat
maksimum dengan cara mengendalikan kecepatan putaran
generator dan mengurangi rugi daya pada pada kondisi
tunak. Pengurangan rugi daya dengan cara penurunan arus
medan stator hanya dapat dilakukan pada kecepatan angin
rendah (beban ringan).
Kecepatan putaran generator
V.
1000
rpm
800
600
400
200
0
0
0.5
1
1.5
2
2.5
3
3.5
Sampling waktu
4
x 10
4
5
x 10
Day a output generator
12
watt
10
8
KESIMPULAN
Pada pembangkit listrik tenaga angin, daya output
generator maksimum bisa didapatkan dengan cara
mengendalikan kecepatan putaran generator dan mengurangi
rugi daya pada kondisi tunak. Dari simulasi yang telah
dilakukan didapatkan kecepatan referensi untuk daya
maksimum pada koefisien daya 0.48 dan TSR 8.09.
Penggunaan NNCP dan FLC sebagai kontroller dengan
operasi generator dalam mode DFOC memberikan hasil
yang valid untuk setiap variasi kecepatan angin. Penurunan
rugi daya melalui pengurangan arus medan dapat menambah
daya output generator. Misalnya pada kecepatan 5 m/s,
penurunan arus medan sebesar 88 Ampere dapat
meningkatkan daya output generator sebesar 228 Watt.
6
4
REFERENCES
2
0
0.5
1
1.5
2
2.5
3
3.5
Sampling waktu
4
[1]
5
x 10
Koef isien day a
0.5
[2]
Cp
0.4
0.3
[3]
0.2
0.1
0
0
0.5
1
1.5
2
2.5
3
3.5
Sampling waktu
4
[4]
5
x 10
[5]
Vdc
2000
1500
Volt
[6]
1000
V Load
V baterai
500
[7]
0
0
0.5
1
1.5
2
2.5
3
Sampling waktu
Gambar 13. Hasil simulasi saat kecepatan angin bervariasi
ISSN: 2085-6350
3.5
4
5
x 10
[8]
A. G. A. Khalil, D. C Lee, and J. K. Seok, “Variable speed wind
power generation system based on Fuzzy Logic Control for
maximum output power tracking,” 35th Annual IEEE Power
Electronic Specialists Conference, Aachen, Germany, pp. 2039-2042,
2004. (references)
V. Kumar, and R. R. Joshi, “Fuzzy Logic based light load efficiency
improvement of matrix converter based wind generation system,”
JATIT. India, vol. 2, pp. 79–89, 2007.
M. G. Simoes, B. K. Bose, and R. J. Spiegel, “Fuzzy Logic based
intelligent control of a variable speed cage machine wind generation
system,” IEEE. Trans. Power Electronic, vol. 12, pp. 87–95, January
1997.
T. Senjyu, Y. Ochi, dkk, “Sensor-less maximum power point tracking
control for wind generation system with squirrel cage induction
generator,” ELSEIVER. Trans. Renewable Energy, vol. 30, pp. 1–8,
August 2008.
D. Aouzellag, K. Ghedamsi, and E. M. Berkouk, “Network power
flux control of a wind generator,” ELSEIVER. Trans. Renewable
Energy, vol. 30, pp. 1–8, May 2008.
L. Krichen, B. Francois, and A. Ouali, “A Fuzzy Logic supervisor
for active and reactive power control of a fixed speed wind energy
conversion system,” ELSEIVER. Trans. Electric Power System, vol.
74, pp. 418–424, May 2007.
W. L. Chen, and Y. Y. Hsu, “Controller design for an induction
generator driven by a variable speed wind turbine,” IEEE. Trans.
Energy Conversions, vol. 21, pp. 625–635, September 2006.
L. A. C. Lopez, and R. G. Almeida, “Wind driven SEIG with voltage
and frequency regulated by a reduced rating VSI,” IEEE. Trans.
Energy Conversions, vol. 21, pp. 297–301, June 2006.
Conference on Information Technology and Electrical Engineering (CITEE)
Proceedings of CITEE, August 4, 2009
[9]
[10]
[11]
[12]
[13]
[14]
T. Ahmed, K. Nishida, and M. Nakaoka, “Advanced control of
PWM with variable speed induction generator,” IEEE. Trans.
Industry Application, vol. 42, pp. 934–945, July 2006.
R. Cardenas, and R. Pena, “Sensorless vector control of induction
machines for variable speed wind energy applications,” IEEE. Trans.
Energy Conversion, vol. 19, pp. 196–204, March 2004.
F. Blaabjerg, Z. Chen, and S. B. Kjaer, “Power electronics as
efficient interface in dispersed power generation system,” IEEE.
Trans. Power Electronic, vol. 19, pp. 1184–1194, July 2006.
T. Burton, D. Sharpe, N. Jenskin, and E. Borsanyi, Win energy
handbook. West sussex: John Wiley & Sons, 2001.
I. Boldea, and S. A. Nasar, The induction machine handbook. Florida,
USA: CRC Press, 2002.
I. Boldea, The electric generator handbook : Variable speed
generator. Boca Raton, USA: CRC Press, 2005.
69
[15] B. K. Bose, Modern power electronic and AC drives. Upper Saddle
River, USA: Prentice Hall, 2001.
[16] T. L. Skvarenina, The power electronic handbook : Industrial
electronic series. Florida, USA: CRC Press, 2002.
[17] M. Rashid, Power electronic handbook. Canada: Academic Press,
2001.
[18] N. Mohan, Power electronic converter, application and design. New
York, USA: John Wiley & Sons, …..
[19] D. G. Holmes, and T. A. Lippo, Pulse width modulation for power
converter. West sussex, USA: John Wiley & Sons, 2003.
[20] M. H. Purnomo, dan A. Kurniawan, Supervised neural network dan
aplikasinya, Jogyakarta, Indonesia: Graha Ilmu, 2006.
[21] J. S. R. Jang, C. T. Sun, and E. Mizutani, Neuro-fuzzy and soft
computing, USA: Prentice Hall International, 1997.
Conference on Information Technology and Electrical Engineering (CITEE)
ISSN: 2085-6350