ANALISIS KEANDALAN ENERGI LISTRIK PADA SMART GIRD PHOTOVOLTAIC MENGGUNAKAN METODE HYBRID PARTICLE SWARM OPTIMIZATION DAN FEED FORWARD NEURAL NETWORK

ANALYSIS OF RELIABILITY OF ELECTRICAL ENERGY IN SMART GIRD PHOTOVOLTAIC USING HYBRID PARTICLE SWARM OPTIMIZATION AND FEED FORWARD NEURAL NETWORK

Listrik merupakan sumber energi yang penting bagi kelangsungan hidup manusia. Saat ini, karena pertumbuhan penduduk, ekonomi dan penggunaan energi yang meningkat, kebutuhan energi di Indonesia terus meningkat, sehingga terjadi peningkatan konsumsi listrik. Indonesia merupakan wilayah tropis dan secara aktif mengembangkan energi surya sebagai sumber energi baru terbarukan. Rata-rata sumber daya surya di Indonesia sekitar 112.000 gigawatt, tetapi hanya sekitar 10 megawatt yang digunakan. Sel surya dibutuhkan sebagai alat untuk mengubah energi matahari menjadi energi listrik. Tetapi, banyak faktor yang membuat masyarakat enggan menggunakan energi matahari sebagai salah satu aplikasi energi terbarukan, termasuk perangkat fotovoltaik seperti inverter yang rusak dan baterai yang perlu diganti karena kinerjanya yang buruk. Oleh karena itu, menjaga keandalan sistem pembangkit listrik sangat penting untuk menjaga distribusi tenaga listrik. Penelitian ini bertujuan untuk mengetahui unjuk kerja sistem pengisian energi pada photovoltaic yang dirancang dalam software matlab R2019b dan untuk menerapkan metode matematis Hybrid Particle Swarm Optimization dan Feed Forward Neural Network untuk menghitung kebutuhan energi yang disimpan dalam baterai. Kebaruan pada penelitian ini adalah dilakukannya proses perhitungan kebutuhan energi yang disimpan dalam baterai untuk cadangan energi menggunakan metode hybrid yaitu Particle Swarm Optimization dan Feed Forward Neural Network dan menambahkan variabel tegangan dan arus yang masuk selama proses penyimpanan energi. Hasil penelitian analisis keandalan energi dalam proses pengisian baterai untuk penyimpanan energi dengan menggunakan metode PSO didapatkan hasil sebesar 12 Volt. Sehingga dengan menggunakan metode Particle Swarm Optimization didapatkan hasil yang baik dibandingkan tanpa metode dan menggunakan metode Feed Forward Neural Network dan Hybrid PSO-FFNN.

Kata Kunci: Pengisian Energi, Particle Swarm Optimization, Feed Forward Neural Network

Electricity is an important source of energy for human survival. Currently, due to population growth, economy and increasing use of energy, energy demand in Indonesia continues to increase, resulting in an increase in electricity consumption. Indonesia is a tropical region and is actively developing solar energy as a new renewable energy source. The average solar resource in Indonesia is around 112,000 gigawatts, but only about 10 megawatts are used. Solar cells are needed as a tool to convert solar energy into electrical energy. However, there are many factors that discourage people from using solar energy as a renewable energy application, including photovoltaic devices such as faulty inverters and batteries that need to be replaced due to poor performance. Therefore, maintaining the reliability of the power generation system is very important to maintain the distribution of electric power. This study aims to determine the performance of the energy charging system photovoltaic designed in the Matlab R2019b software and to apply the mathematical methods Hybrid Particle Swarm Optimization and Feed Forward Neural Network to calculate the energy requirements stored in the battery. The novelty of this research is the process of calculating the energy requirements stored in the battery for energy reserves using amethod, hybrid namely Particle Swarm Optimization and Feed Forward Neural Network and adding the incoming voltage and current variables during the energy storage process. The results of the analysis of energy reliability in the process of charging the battery for energy storage using the PSO method obtained the result of 12 Volts. So that by using themethod Particle Swarm Optimization, good results are obtained compared to those without the method and using the Feed Forward Neural Network and Hybrid PSO-FFNN methods.

Keywords: Energy Charging, Particle Swarm Optimization, Feed Forward Neural Network