Pemodelan dan Simulasi MPPT pada Sistem PLTS Menggunakan Metode DNN

Fitur maximum power point tracking (MPPT) pada sistem pembangkit listrik tenaga surya (PLTS) merupakan suatu fungsi yang penting dalam meningkatkan efisiensi produksi listrik. Algoritma incremental conductance (InC) berfungsi mengontrol MPPT yang ditujukan untuk memaksimalkan daya keluaran panel photovoltaic (PV) dan meningkatkan efisiensi sistem PLTS. Meskipun algoritma InC termasuk sederhana dan praktis, sayangnya algoritma ini cenderung kurang mendukung kecepatan switching secara presisi, sensitif terhadap tingkat presisi pengukuran, dan kurang mampu menghilangkan osilasi daya akibat siklus switching yang ketat. Algoritma deep neural network (DNN) memiliki potensi untuk menjawab tantangan dinamika MPPT tersebut. Kemampuan pembelajaran DNN memungkinkan pengontrol lebih mengenali dinamika pergeseran nilai daya maksimum, sehingga dapat memberikan aktuasi switching yang lebih sesuai. Masukan bagi DNN merupakan duty ratio yang dihasilkan oleh algoritma InC. Algoritma DNN diimplementasikan pada tiga topologi konverter daya DC ke DC, yaitu buck, boost, dan buck-boost, untuk mengetahui kinerja MPPT pada kondisi uji standar dan kondisi lingkungan nyata. DNN terbukti mampu mengurangi efek osilasi, mempercepat waktu steady state, dan meningkatkan efisiensi. Pada uji kondisi lingkungan nyata, diperoleh hasil bahwa konverter buck secara konsisten menghasilkan daya tertinggi, yang selanjutnya diikuti oleh konverter boost dan konverter buck-boost. Dalam hal efisiensi kinerja, capaian tertinggi terjadi pada konverter buck, yakni sebesar 94,58%, dikuti konverter boost sebesar 90,79%, dan efisiensi terendah pada konverter buck-boost sebesar 79,34%.