IEEE Paper Template in A4 (V1) - Jurnal Unsyiah

KITEKTRO: Jurnal Online Teknik Elektro
e-ISSN: 2252-7036
Vol.2 No.2 2017: 1-5
Studi Prakiraan Beban dan Potensi Pemanfaatan PV
untuk Mengurangi Beban Puncak di Penyulang
Unsyiah Menggunakan ANN
Muhammad Ridha Munawar #1, Hafidh Hasan #2, Ramdhan Halid Siregar #3
#
Jurusan Teknik Elektro dan Komputer, Fakultas Teknik, Universitas Syiah Kuala
Jl. Tgk. Syech Abdurrauf No.7 Darussalam, Banda Aceh 23111, Indonesia
[email protected]
[email protected]
[email protected]
Abstrak— Kebutuhan beban listrik yang berubah-ubah
disebabkan kondisi suatu daerah menjadi tantangan bagi
operator sistem tenaga untuk menjaga tegangan, frekuensi dan
daya listrik yang dibangkitkan selalu sesuai dengan permintaan
beban yang berubah-ubah. Tugas akhir ini mengajukan studi
prakiraan beban jangka pendek pada penyulang Unsyiah dan
potensi pengurangan beban puncak ketika terhubung dengan
mikrogrid yang bersumber dari panel surya. Dua tipe prakiraan
akan dilakukan dalam studi ini. Pertama: prakiraan beban
menggunakan variabel-variabel yang mempengaruhi perilaku
konsumen yang berdampak pada pemakaian listrik, kedua:
prakiraan produksi daya listrik mikrogrid menggunakan
variabel-variabel cuaca. Kedua tipe prakiraan disimulasikan
dengan menggunakan metode Jaringan Syaraf Tiruan (ANN).
Prakiraan radiasi matahari digunakan dalam menunjukkan
seberapa besar potensi pemanfaatan panel surya untuk
mengurangi beban puncak. Hasil yang didapatkan adalah grafik
prakiraan radiasi matahari dan beban listrik yang sudah dapat
mengikuti grafik data sebenarnya. Berdasarkan penelitian yang
dilakukan didapatkan bahwa jaringan syaraf tiruan yang telah
dilatih sudah mampu untuk digunakan dalam prakiraan radiasi
matahari dan beban listrik dalam rentang waktu dari pukul
07:00 sampai 18:00 pada hari Senin sampai Kamis. Dengan
memanfaatkan 20% dari total keseluruhan atap bangunan di
Unsyiah sebagai daerah pemasangan panel surya, dapat
mengurangi beban puncak di Unsyiah hingga 75%.
misalnya adalah cuaca. Cuaca memiliki efek yang signifikan
pada beban, artinya jika terjadi perubahan pada temperatur,
maka beban yang dilayani oleh gardu induk juga akan berubah
seiring dengan perubahan temperatur. Agar tujuan tersebut
dapat tercapai maka perusahaan pembangkit listrik tersebut
harus mengetahui besarnya beban pada jangka pendek,
menengah ataupun jangka panjang.
Penelitian yang menggunakan metode Jaringan Syaraf
Tiruan (ANN) untuk memprakirakan kebutuhan energi listrik
jangka pendek telah banyak dilakukan. Salah satu diantaranya
dilakukan oleh Suhartono (2009) dalam tulisannya yang
berjudul : “ Peramalan Konsumsi Listrik Jangka Pendek
dengan Arima Musiman Ganda dan Elman-Recurrent
Network”. Pada penelitian tersebut, Suhartono menyimpulkan
bahwa ANN lebih baik digunakan untuk meramalkan
konsumsi beban listrik dengan jangka pendek dengan rata-rata
nilai error yang rendah sehingga disimpulkan bahwa model
ANN sudah cukup baik dalam memodelkan beban listrik
harian [1].
Wilayah distribusi penyulang Unsyiah merupakan salah
satu daerah yang berpotensi dihubungkan dengan PLTS
ukuran kecil yang berperan sebagai beban negatif. Untuk
keperluan studi penulis memilih wilayah distribusi penyulang
Unsyiah sebagai mikrogrid yang memiliki pembangkit sendiri
berupa PLTS. Sehingga akan dilakukan prakiraan beban
jangka pendek dengan menggunakan metode ANN.
Kata Kunci— prakiraan beban, mikrogrid, ANN, energi
terbarukan, beban puncak.
II. DASAR TEORI
I. PENDAHULUAN
Dalam suatu sistem tenaga, daya listrik disalurkan dari
jaringan distribusi menuju ke beban. Tantangan bagi operator
sistem tenaga adalah untuk menjaga tegangan, frekuensi dan
daya listrik yang dibangkitkan selalu sesuai dengan
permintaan beban yang berubah-ubah. Perubahan beban dapat
dibagi menjadi jangka pendek, menengah dan panjang.
Bidang ilmu yang mengkaji dan mengembangkan metodemetode untuk menentukan ketiga tipe perubahan beban
tersebut dikenal sebagai Prakiraan Beban Listrik.
Prakiraan beban jangka pendek menunjukkan prakiraan
permintaan daya listrik setiap jam dalam satu hari. Persediaan
daya yang ada ditentukan oleh keakuratan dari prakiraan,
A. Prakiraan Beban Listrik
Kebutuhan tenaga listrik suatu daerah tergantung dari letak
daerah, jumlah penduduk, standar kehidupan, rencana
pembangunan atau pengembangan daerah di masa yang akan
datang. Prakiraan kebutuhan tenaga listrik yang kurang tepat
(lebih rendah dari permintaan) dapat menyebabkan kapasitas
pembangkitan tidak mencukupi untuk melayani konsumen
yang dapat merugikan perekonomian negara, dan sebaliknya,
bila prakiraan terlalu besar dari permintaan maka akan
mengalami kelebihan pembangkitan yang merupakan
pemborosan.
1
Vol.2 No.2 2017
@2017 kitektro
KITEKTRO: Jurnal Online Teknik Elektro
e-ISSN: 2252-7036
Vol.2 No.2 2017: 1-5
Prakiraan dalam hubungannya dengan horizon waktu,
dapat diklasifikasikan kedalam 3 kelompok, yaitu:
Keterangan:
Tcell
=Suhu permukaan modul sel surya (operating
temperature)( ºC)
Tair
= Suhu lingkungan (ºC)
NOCT = Suhu nominal sel surya beroperasi (ºC)
I
= Radiasi matahari (W/m2)
1) Prakiraan beban jangka pendek: prakiraan beban untuk
jangka waktu beberapa jam sampai satu minggu kedepan,
yang biasanya digunakan untuk menentukan batas beban
maksimum dan beban minimum.
h. Untuk mendapatkan daya keluaran panel surya setelah
dikonversi dan sudah diubah menjadi tegangan AC, maka
dapat menggunakan rumus berikut[16] :
2) Prakiraan beban jangka menengah: prakiraan beban
untuk jangka waktu satu bulan sampai satu tahun, yang biasa
digunakan untuk perencanaan perluasan jaringan transmisi,
jaringan distribusi, dan penambahan pembangkit listrik baru.
𝑃𝑜𝑢𝑡 = 𝐼 × 𝐴 × 𝐸𝑝 × 𝐸𝑖
3) Prakiraan beban jangka panjang: prakiraan beban
untuk jangka waktu diatas satu tahun, yang digunakan untuk
perencanaan produk dan sumber daya[2].
Keterangan:
Pout = Daya keluaran PV setelah dikonversi (Watt)
I
= Radiasi matahari (W/m2)
A = Luas daerah pemasangan array sel surya (m2)
Ep = Efisiensi panel surya
Ei = Efisiensi inverter
B. Konversi Energi Matahari
Daya yang dihasilkan oleh panel surya merupakan hasil
akhir dari tahapan – tahapan dalam mengkonversi energi
matahari. Energi yang dihasilkan oleh array panel surya
dipengaruhi oleh beberapa faktor sebagai berikut :
 Luas dari array panel surya
 Efisiensi konversi dari sebuah modul sel surya
 Lokasi geografis dari tempat pemasangan panel surya
 Sudut kemiringan pemasangan panel surya
 Suhu panel surya saat beroperasi
Masih banyak faktor-faktor yang mempengaruhi energi
keluaran dari array panel surya seperti pada panel surya yang
memiliki sistem tracking sehingga perhitungannya juga
semakin rumit. Tahapan yang akan dijelaskan berikut ini
hanya bisa digunakan pada panel surya yang posisinya tetap.
Berikut adalah tahapan-tahapannya :
a. Tentukan luas dari array panel surya yang terpasang
b. Tentukan sudut kemiringan dari panel surya yang
dipasang. Jika dipasang pada atap kemiringan atap juga
ditambahkan.
c. Tentukan besar radiasi matahari berdasarkan letak
geografis dari tempat pemasangan sel surya.
d. Tentukan besar efisiensi konversi dari sebuah panel
surya. Besarnya efisiensi tergentung kepada jenis dan produk
panel surya yang ingin digunakan.
e. Tentukan efisiensi dari inverter yang digunakan, yang
pada umumnya efisiensinya diatas 95% [3].
f. Tentukan pengaruh dari suhu pada permukaan sel
surya (operating temperature). Besar koefisien suhu pada
sebuah panel surya dapat dilihat pada spesifikasi pada panel
surya yang digunakan, misalnya -0,40%/ ºC. Referensi suhu
normal pengoperasian modul sel surya yaitu 25ºC, yang
digunakan sebagai standar dalam pengetesan laboratorium.
g. Untuk mendapatkan besar suhu permukaan modul sel
surya saat beroperasi (operating temperature) dapat
menggunakan persamaan berikut ini[4] :
𝑇𝑐𝑒𝑙𝑙 = 𝑇𝑎𝑖𝑟 +
𝑁𝑂𝐶𝑇−20
800
I
(2)
i. Jika sudah didapatkan daya keluarannya maka
dihitung pengaruh suhu permukaan modul sel surya saat
beroperasi (operating temperature) terhadap daya keluarannya.
Jika operating temperature lebih besar dari suhu standar yaitu
25 ºC maka akan mengurangi daya keluaran modul sel surya,
akan tetapi jika operating temperature lebih kecil dari suhu
standar maka akan menambah daya keluaran modul sel
surya[3]. Maka digunakan persamaan berikut ini untuk
mendapatkan daya keluaran sel surya yang dipengaruhi oleh
suhu :
Pt = Pout .
100+{(Tcell−Tnom) .Tcoeff}
100
(3)
Keterangan:
Pt
= Daya keluaran sel surya yang dipengaruhi oleh
suhu (Watt)
Pout
= Daya keluaran PV setelah dikonversi (Watt)
Tcell = Suhu permukaan modul sel surya (operating
temperature)( ºC)
Tnom = Suhu lingkungan (ºC)
Tcoeff = Koefisien suhu (%/ ºC)
C. Artificial Neural Network (ANN)
ANN adalah sistem komputasi dimana arsitektur dan
operasi diilhami dari pengetahuan tentang sel syaraf biologi
di dalam otak. Hal tersebut menjadikan ANN sangat cocok
untuk menyelesaikan masalah dengan tipe sama seperti otak
manusia. Suatu jaringan syaraf tiruan ditentukan oleh 3 hal:
 Pola-pola hubungan antar neuron yang disebut
arsitektur jaringan
 Metode penentuan bobot penghubung yang disebut
metode training / learning / algoritma
 Fungsi aktivasi yang digunakan
(1)
2
Vol.2 No.2 2017
@2017 kitektro
KITEKTRO: Jurnal Online Teknik Elektro
e-ISSN: 2252-7036
Vol.2 No.2 2017: 1-5
𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘 )𝑓′(𝑦𝑖𝑛𝑘 )
D. Arsitektur Jaringan Backpropagation
Backpropagation memiliki beberapa unit yang ada dalam
satu atau lebih layar tersembunyi. Arsitektur backpropagation
memiliki n buah masukan (ditambah sebuah bias), sebuah
layar tersembunyi yang terdiri dari p unit (ditambah semua
bias), serta m buah unit keluaran.
Hitung koreksi bobot dan biasnya:
1) Algoritma
Dasar
Jaringan
Syaraf
Tiruan
Backpropagation: Pelatihan backpropagation meliputi 3 fase.
Fase pertama adalah fase maju. Pola masukan dihitung maju
mulai dari layar masukan hingga layar keluaran menggunakn
fungsi aktivasi yang ditentukan. Fase kedua adalah fase
mundur. Selih antara keluaran jaringan dengan target yang
diinginkan merupakan error yang terjadi. Error tersebut
dipropagasikan mundur, dimulai dari garis yang berhubungan
langsung dengan unit-unit di layar keluaran. Fase ketiga
adalah modifikasi bobot untuk menurunkan error yang terjadi.
(11)
(12)
Hitung koreksi bobot dan biasnya :
∆𝑣𝑖𝑗 = 𝛼𝛿𝑗 𝑥𝑖
(13)
Memperbaiki bobot dan bias :
i. Langkah 8 :Tiap-tiap unit output (Yk, k=1,2,3,...,m)
memperbaiki bias dan bobotnya (j=0,1,2,...,p):
𝑊𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑊𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑤𝑗𝑘
(14)
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p)
memperbaiki bias dan bobotnya (i=0,1,2,...,n)
𝑣𝑖𝑗(𝑏𝑎𝑟𝑢) = 𝑣𝑖𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑖𝑗
(15)
(4)
j. Langkah 9 : Uji syarat berhenti
III. METODE PENELITIAN
A. Variabel Data yang Digunakan
Dalam melakukan prakiraan, hal yang sangat perlu
ditentukan adalah variabel data yang digunakan. Hal ini akan
mempengaruhi tingkat keakuratan dari prakiraan. Semakin
banyak data masukan yang digunakan semakin akurat hasil
yang didapatkan.
Pada penelitian ini dilakukan 2 prakiraan, yaitu prakiraan
radiasi matahari dan beban listrik. Pada prakiraan radiasi
matahari data masukan yang digunakan yaitu : waktu, suhu,
kelembaban dan indeks kecerahan langit. Sedangkan pada
prakiraan beban listrik data masukannya yaitu : waktu, suhu
dan kelembaban.
Data masukan yang telah disebutkan, dilakukan
pengambilan data selama 4 hari. Dan juga pengambilan data
beban listrik dan radiasi matahari selama 4 hari juga dilakukan
untuk proses pelatihan pada Matlab dan untuk memverifikasi
(5)
(6)
dengan menerapkan fungsi aktivasi hitung,
𝑦𝑘 = 𝑓(𝑦𝑖𝑛𝑘 )
(10)
𝛿𝑗 = 𝛿𝑖𝑛𝑗 𝑓′(𝑧𝑖𝑛𝑗 )
dan kirim isyarat ini ke unit-unit keluaran.
f. Langkah 5 : Tiap unit keluaran (yk, k = 1,....,m)
menjumlahkan isyarat masukan berbobot,
𝑝
𝑦𝑖𝑛𝑗 = 𝑤0𝑘 + ∑𝑖=1 𝑍𝑖 𝑤𝑗𝑘
∆𝑤0𝑘 = 𝛼𝛿𝑘
Hitung error informasinya :
dengan menerapkan fungsi aktivasi hitung :
𝑍𝑗 = 𝑓(𝑧𝑖𝑛𝑗 )
(9)
𝛿𝑖𝑛𝑗 = ∑𝑚
𝑖=1 𝛿𝑘 𝑤𝑗𝑘
e. Langkah 4 : Tiap unit tersembunyi (zj, j = 1,...,p)
menjumlahkan isyarat masukan berbobot,
𝑧𝑖𝑛𝑗 = 𝑣0𝑗 +
∆𝑊𝑗𝑘 = 𝛼𝛿𝑘 𝑧𝑗
h. Langkah 7 : Tiap unit tersembunyi (zj, j = 1,....,p)
menjumlahkan delta masukannya (dari unit-unit di
lapisan atasnya).
2) Algoritma Pelatihan Jaringan Backpropagation:
Algoritma selengkapnya pelatihan jaringan backpropagation
adalah sebagai berikut [5]:
a. Langkah 0 : Inisialisasi bobot-bobot (tetapkan dalam
nilai acak kecil)
b. Langkah 1 : Bila syarat berhenti adalah salah, kerjakan
langkah 2 sampai 9.
c. Langkah 2 : Untuk setiap pasangan pelatihan, kerjakan
langkah 3 sampai 8.
Propagasi maju :
d. Langkah 3 : Tiap unit masukan (xi, i= 1,....,n) menerima
isyarat masukan xi dan diteruskan ke unit-unit
tersembunyi.
∑𝑛𝑖=1 𝑥𝑖 𝑣𝑖𝑗
(8)
(7)
Propagasi mundur :
g. Langkah 6 : Tiap unit keluaran (yk, k = 1,...,m)
menerima pola sasaran berkaitan dengan pola pelatihan
masukannya. Hitung error informasi :
3
Vol.2 No.2 2017
@2017 kitektro
KITEKTRO: Jurnal Online Teknik Elektro
e-ISSN: 2252-7036
Vol.2 No.2 2017: 1-5
data. Data-data yang diperoleh yaitu dalam rentang waktu
pukul 07.00-18.00 pada wilayah distribusi penyulang Unsyiah.
perbandingan hasil prakiraan dan data sebenarnya seperti
yang ditunjukkan pada gambar 2.
2500
Beban Listrik (kW)
B. Proses Prakiraan pada Matlab
Prakiraan dilakukan dengan metode Jaringan Syaraf Tiruan
(ANN) yang disimulasikan menggunakan software Matlab.
Untuk melakukan prakiraan pada Matlab dilakukan tahaptahap berikut ini:
2000
1500
1000
Data prakiraan
Gambar 2 Perbandingan beban listrik hasil simulasi dengan data sebenarnya
pada hari ke-4
Berdasarkan grafik dapat dilihat bahwa prakiraan beban
listrik sudah bisa mengikuti data sebenarnya yaitu dengan
dapat menunjukkan trend beban listrik tersebut. Prakiraan
beban listrik sebaiknya bernilai lebih besar dari data
sebenarnya dikarenakan jika prakiraannya lebih rendah maka
dikhawatirkan tidak mampu menyediakan daya yang
dibutuhkan.
IV. HASIL DAN PEMBAHASAN
C. Penentuan Luas Daerah Pemasangan Panel Surya
Pemasangan panel surya direncanakan dipasang pada atap
gedung fakultas dan gedung lainnya yang merupakan milik
Unsyiah. Perhitungan luas daerah pemasangan panel surya
dilakukan dengan menggunakan bantuan Google Earth dan
dilakukan pengukuran menggunakan perintah measure
distance.
Setelah melakukan perhitungan luas atap gedung-gedung
milik Unsyiah didapatkan total luas atap bangunan yaitu
sebesar 66414,5 m2. Akan tetapi dikarenakan seba-sebab
berikut ini yaitu : (1) pada beberapa gedung tidak sesuai untuk
di pasang panel surya, (2) atap yang terhalang oleh pepohonan,
dan (3) proses instalasi yang sulit untuk mengakses atap
gedung tersebut. Maka penulis mengasumsikan bahwa hanya
20% dari total luas atap bangunan yang bisa dimanfaatkan
untuk pemasangan panel surya. Sehingga pada perhitungan
akan digunakan luas daerah pemasangan panel surya yaitu
sebesar 13282,9 m2 .
A. Prakiraan Radiasi Matahari
Dengan menggunakan jaringan syaraf yang telah selesai
dilatih pada software Matlab, maka didapatkan grafik
perbandingan hasil prakiraan dan data sebenarnya seperti
yang ditunjukkan pada gambar 1.
1200
1000
800
600
400
200
0
07.00
07.45
08.30
09.15
10.00
10.45
11.30
12.15
13.00
13.45
14.30
15.15
16.00
16.45
17.30
Radiasi Matahari (W/m2)
0
Data sebenarnya
2) Simulasi: Pada tahapan simulasi, jaringan syaraf yang
telah selesai dilatih akan digunakan untuk memprakirakan
radiasi matahari dan beban listrik dengan menggunakan data
masukan pada hari keempat. Kemudian akan dibandingkan
data sebenarnya dan hasil prakiraan pada hari keempat.
Data sebenarnya
500
07.00
07.45
08.30
09.15
10.00
10.45
11.30
12.15
13.00
13.45
14.30
15.15
16.00
16.45
17.30
1) Pelatihan: Pada tahap pelatihan data yang digunakan
yaitu pada hari pertama sampai ketiga. Pelatihan ANN yang
dilakukan yaitu pelatihan terbimbing, sehingga ada input dan
target. Pada prakiraan radiasi matahari, input : suhu,
kelembaban, waktu dan indeks kecerahan langit. Dan target :
radiasi matahari. Sedangkan pada prakiraan beban listrik,
input : waktu, suhu dan kelembaban. Dan target : beban listrik.
Tahap pelatihan dianggap selesai jika besar regresi hubungan
antara output dan target mendekati 1.
Data prakiraan
D. Pengurangan Beban Puncak
Setelah luas daerah ditentukan maka untuk mendapatkan
daya keluaran panel surya, perlu juga ditentukan spesifikasi
panel surya yang digunakan. Besar efisiensi modul sel surya
yaitu sebesar 15,4%. Besar suhu normal sel surya
beroperasinya (NOCT) yaitu 45,7 ºC dan nilai koefisien
temperature dari dayanya yaitu –0,45%/ ºC. Nilai-nilai
tersebut akan digunakan pada perhitungan daya keluaran
panel surya dengan menggunakan persamaan (1),(2) dan (3).
Sehingga didapatkan daya yang dihasilkan oleh panel surya
yang ditunjukkan pada gambar 3.
Gambar 1 Perbandingan radiasi matahari hasil simulasi dengan data
sebenarnya pada hari ke-4
Berdasarkan grafik dapat dilihat bahwa prakiraan radiasi
matahari sudah bisa mengikuti data sebenarnya yaitu dengan
dapat menunjukkan trend radiasi matahari tersebut. Akan
tetapi pada beberapa waktu tidak dapat diikuti dikarenakan
data masukan yang diperoleh pada waktu-waktu tersebut
masih acak atau tidak dapat dikenali polanya.
B. Prakiraan Beban Listrik
Dengan menggunakan jaringan syaraf yang telah selesai
dilatih pada software Matlab, maka didapatkan grafik
4
Vol.2 No.2 2017
@2017 kitektro
KITEKTRO: Jurnal Online Teknik Elektro
e-ISSN: 2252-7036
Vol.2 No.2 2017: 1-5
Beban Listrik (MW)
2,5
REFERENSI
[1]
2
1,5
[2]
1
[3]
0,5
17.30
16.45
16.00
15.15
14.30
13.45
13.00
12.15
11.30
10.45
10.00
09.15
08.30
07.45
07.00
0
[4]
setelah pengurangan
[5]
Daya keluaran PV setelah dikonversi
Suhartono.2009.”Peramalan Konsumsi Listrik Jangka Pendek dengan
Arima Musiman Ganda dan Elman-Recurrent Neural Network”
[skripsi]. ITSN, Indonesia.
Nasution, A.H, Manajemen Industri. Yogyakarta: Penerbit ANDI,
2006.
Rexel Worldwide, How to Calculate the Output of a Solar
Photovoltaic System - A Detailed Guide, TheGrid. [Online]. Avaible:
http://thegrid.rexel.com/en-us/energy_efficiency/w/solar_renewable_
and_energy_efficiency/72/how-to-calculate-the-output-of-a-solar-pho
tovoltaic-system---a-detailed-guide [Accessed: 4 May 2017].
Honsberg, C and Bowden, S, Nominal Operating Cell Temperature,
PVEducation.[Online].Avaible:http://pveducation.org/pvcdrom/modu
les/nominal-operating-cell-temperature [Accessed: 4 May 2017].
M. A Green et al., “Solar Cell Eficiency Tabel”, in Prog.
Photovolt ,2015, pp. 1-9.
Data prakiraan
Gambar 3 Perbandingan beban listrik sebelum dan sesudah pemasangan
panel surya
Pada grafik dapat dilihat bahwa daya keluaran PV setelah
dikonversi bernilai lebih kecil dibandingkan dengan beban
listrik, sehingga daya keluaran PV hanya digunakan untuk
mengurangi beban puncak di penyulang Unsyiah. Pada grafik
yang diarsir dapat dilihat bahwa beban puncak pada
penyulang Unsyiah yang terjadi pada siang hari sudah
berkurang akibat suplai dari PV. Akan tetapi pada pagi dan
sore hari yaitu pukul 7:00-8:00 dan 16:00-18:00, beban
listriknya hanya terjasi sedikit pengurangan. Hal ini terjadi
akibat rendahnya nilai radiasi matahari pada pagi dan sore hari.
Beban puncak yang terjadi pada siang hari yang sebelumnya
mencapai 2 MW, setelah mendapat suplai dari panel surya
berkurang lebih dari 75% sehingga hanya tersisa sekitar 0,5
MW atau lebih rendah.
V. KESIMPULAN
Berdasarkan grafik hasil perbandingan data simulasi dan
data sebenarnya, dapat disimpulkan bahwa jaringan syaraf
yang telah dilatih sudah mampu untuk digunakan dalam
prakiraan radiasi matahari dan beban listrik dalam rentang
waktu dari pukul 07:00 sampai 18:00 pada hari Senin sampai
Kamis. Dengan mendapatkan prakiraan beban listrik pada
wilayah penyulang Unsyiah yang telah dipasang PLTS, maka
dapat membantu perencanaan operasional pembangkit harian
sehingga permasalahan kurangnya daya listrik yang
mengakibatkan pemadaman listrik bisa dihindari.
Berdasarkan asumsi spesifikasi dan luas daerah
pemasangan panel surya didapatkan bahwa beban puncak
yang terjadi pada siang hari yang sebelumnya mencapai 2
MW, setelah mendapat suplai dari panel surya maka hanya
tersisa sekitar 0,5 MW. Dapat disimpulkan bahwa dengan
memanfaatkan 20% dari total keseluruhan atap bangunan di
Unsyiah, mampu mengurangi 75% beban puncak di Unsyiah.
Kekurangan pada penelitian yang dilakukan yaitu data
masukan yang digunakan untuk pelatihan yaitu selama 3 hari
pengambilan data. Jika semakin lama hari pengambilan
datanya maka keakuratan hasil prakiraan yang didapatkan
akan semakin baik.
5
Vol.2 No.2 2017
@2017 kitektro