Prediksi Kesalahan Sistem Photovoltaic dengan Pemodelan Extreme Learning Machine

Abstract

Kapasitas tenaga surya terpasang kumulatif tumbuh sebesar 32% menjadi 404,5 GW pada akhir 2017, naik dari 306,4 GW pada tahun 2016. Hanya dalam sepuluh tahun, total kapasitas PV dunia meningkat lebih dari 4.300% (43 kali) dari 9,2 GW pada tahun 2007 dan dalam kondisi optimal, kapasitas tersebut dapat mencapai tingkat terawatt pada akhir tahun 2022. Sistem PV juga rentan terhadap beberapa anomali yang harus didiagnosis sedini mungkin sebelum terjadi penyimpangan dari kondisi nominal yang dirancang. Tindakan pencegahan harus diterapkan untuk menghindari penurunan kinerja dan secara drastis menghambat efisiensi, keandalan, dan keamanan. Tujuan utamanya adalah untuk memenuhi standar perlindungan internasional dari International Electrochemical Commission (IEC). Teknik deteksi dan diagnosis kerusakan pada PLTS dapat dikategorikan menjadi 5 jenis yaitu (1) Comparsion based-technique, (2) Statistical and signal processing techniques, (3) Reflectomtery-based technique, dan (4) Machine learning technique. Proses membangun jaringan syaraf tiruan untuk prediksi kesalahan pada sistem photovoltaic dengan 1070068 data menggunakan Extreme Learning Machine dengan jumlah input layer sebanyak 5000 serta hidden layer sebanyak 5000 yang ditentukan secara acak dan output layer ditentukan menggunakan persamaan invers secara komputasi menghasilkan sebanyak 2000 data. Evaluasi model menggunakan K-Fold Cross Validation dan nilai k = 5 dengan hasil pengujian yang menyatakan bahwa model ELM memiliki nilai yang cukup baik untuk memprediksi kesalahan pada sistem photovoltaic. Hal tersebut ditandai dengan nilai akurasi rata-rata sebesar 77,83%. Visualisasi confusion metriks menghasilkan probabilitas 7 kelas data kesalahan (F0-F7) yang bervariasi dan mendekati 1. Nilai yang mendekati 1 adalah nilai akurasi mendekati 100% akurat