Optimasi Sistem Hibrid Angin-PV yang Efisien dengan Penyimpanan
1. Analisis Karakteristik Pembangkitan Energi Angin dan Tenaga Surya Fotovoltaik
Menganalisis karakteristik pembangkitan energi angin dan tenaga surya fotovoltaik (PV) merupakan dasar untuk merancang sistem hibrid yang saling melengkapi. Analisis statistik data kecepatan angin tahunan dan radiasi surya untuk suatu wilayah tertentu menunjukkan bahwa sumber daya angin memiliki variasi musiman, dengan kecepatan angin lebih tinggi di musim dingin dan semi, dan lebih rendah di musim panas dan gugur. Pembangkitan energi angin berbanding lurus dengan kubik kecepatan angin, menghasilkan fluktuasi output yang signifikan.
Sementara itu, sumber daya surya menunjukkan pola harian dan musiman yang jelas—jam siang hari yang lebih panjang dan radiasi yang lebih kuat di musim panas, dan kondisi yang lebih lemah di musim dingin. Efisiensi PV dipengaruhi negatif oleh peningkatan suhu. Dengan membandingkan distribusi temporal energi angin dan surya, terlihat bahwa keduanya menunjukkan perilaku yang saling melengkapi baik pada siklus harian maupun tahunan. Komplementaritas ini memungkinkan perancangan sistem energi yang efisien dan stabil, di mana rasio kapasitas optimal dari kedua sumber energi dapat dikonfigurasikan untuk menghaluskan output energi secara keseluruhan.
2. Pemodelan Sistem Pembangkitan Energi Hibrid Angin-Surya
2.1 Model Subsistem Energi Angin
Model subsistem energi angin dibangun berdasarkan data kecepatan angin dan karakteristik turbin. Distribusi Weibull digunakan untuk memfitting distribusi probabilitas kecepatan angin, mendeskripsikan perilaku statistiknya secara akurat. Hubungan antara output daya turbin dan kecepatan angin direpresentasikan oleh fungsi piecewise yang mencakup parameter utama seperti kecepatan angin cut-in, kecepatan angin rated, dan kecepatan angin cut-out.
Metode kuadrat terkecil diterapkan untuk memfitting kurva daya turbin, menghasilkan ekspresi matematika output daya versus kecepatan angin. Untuk mengakomodasi keacak-keacakan kecepatan angin, metode simulasi Monte Carlo diperkenalkan untuk memprediksi pembangkitan energi di taman angin. Model ini menggambarkan dengan akurat karakteristik dinamis sistem energi angin dan menyediakan dasar untuk optimasi sistem. Model juga memasukkan dampak perubahan arah angin terhadap efisiensi pembangkitan dengan memperkenalkan faktor koreksi arah angin, sehingga meningkatkan akurasi prediksi.
2.2 Model Subsistem Energi Fotovoltaik
Model subsistem PV secara komprehensif mempertimbangkan iradiansi surya, suhu lingkungan, dan karakteristik modul PV. Model statistik iradiansi surya dibuat untuk mendeskripsikan variasi temporalnya. Karakteristik output modul PV direpresentasikan oleh kurva I-V. Efek suhu terhadap efisiensi dimodelkan menggunakan rangkaian setara dioda tunggal, dengan output daya dihitung dengan menyelesaikan sistem persamaan nonlinier.
Model juga memasukkan faktor-faktor seperti penyinaran dan akumulasi debu, memperkenalkan koefisien koreksi untuk meningkatkan akurasi prediksi. Model ini mempertimbangkan penuaan modul PV dengan memasukkan laju degradasi tahunan untuk memperkirakan perubahan output daya jangka panjang. Model ini menggambarkan dengan akurat kinerja sistem PV dalam berbagai kondisi lingkungan.
2.3 Model Sistem Penyimpanan Energi
Model sistem penyimpanan energi sebagian besar didasarkan pada karakteristik baterai lithium-ion. Model dinamis state of charge (SOC) baterai dikembangkan untuk mendeskripsikan proses pengisian dan pelepasan. Karakteristik self-discharge dan efisiensi pengisian/pengosongan dipertimbangkan, dengan memperkenalkan faktor koreksi suhu untuk mencerminkan dampak lingkungan. Umur baterai dimodelkan menggunakan kombinasi hitungan siklus dan kedalaman pengosongan (DOD) untuk memprediksi degradasi kapasitas.
Model ini menggambarkan dengan akurat kinerja baterai dalam berbagai kondisi operasional, mendukung strategi ukuran dan penjadwalan optimal. Model juga mempertimbangkan variasi resistansi internal dengan menetapkan hubungan fungsional antara resistansi, hitungan siklus, dan suhu, memungkinkan simulasi perilaku dinamis yang lebih tepat. Output utama termasuk SOC real-time, kapasitas tersedia, daya pengisian/pengosongan, dan umur pakai yang diharapkan—memberikan dukungan data komprehensif untuk operasi dan pemeliharaan optimal.
2.4 Model Integrasi Sistem
Model sistem integrasi menggabungkan subsistem angin, surya, dan penyimpanan ke dalam kerangka kerja yang terpadu. Metode beban setara digunakan untuk menangani fluktuasi beban, dan persamaan keseimbangan daya sistem ditetapkan. Indeks keandalan seperti Probabilitas Kehilangan Beban (LOLP) dan Energi Tidak Disuplai yang Diharapkan (EENS) diperkenalkan untuk mengevaluasi kinerja sistem. Simulasi time-series berurutan digunakan untuk menghitung status operasional sistem pada berbagai skala waktu.
Model mempertimbangkan interaksi antar subsistem, seperti peneduh turbin angin pada panel PV. Model juga memasukkan antarmuka grid, memungkinkan analisis strategi operasi terhubung grid, termasuk penjadwalan ekonomis berdasarkan tarif berbasis waktu dan layanan regulasi frekuensi grid. Output termasuk total pembangkitan daya, tingkat kepuasan beban, dan metrik kinerja ekonomi, memberikan dasar teoretis komprehensif untuk perencanaan, desain, dan pengambilan keputusan operasional sistem.
3. Metode Optimasi dan Analisis Eksperimental Sistem Hibrid Angin-Surya
3.1 Fungsi Tujuan dan Kendala
Fungsi tujuan optimasi mengintegrasikan pertimbangan ekonomi, keandalan, dan lingkungan. Tujuan ekonomi meminimalkan biaya sistem total, termasuk investasi awal, operasi dan pemeliharaan (O&M), dan biaya penggantian. Tujuan keandalan memaksimalkan keandalan pasokan daya, diukur dengan meminimalkan LOLP. Tujuan lingkungan diukur dengan memaksimalkan reduksi emisi karbon.
Kendala termasuk keseimbangan daya, batas kapasitas penyimpanan energi, dan batas operasional peralatan. Kendala keseimbangan daya memastikan bahwa permintaan beban terpenuhi setiap saat. Batas penyimpanan membatasi kedalaman pengosongan (DOD) untuk memperpanjang umur baterai. Kendala peralatan mempertimbangkan daya rated dan karakteristik operasional komponen. Metode penimbangan multi-tujuan mengintegrasikan tujuan-tujuan ini ke dalam satu fungsi tujuan, dengan bobot ditentukan berdasarkan preferensi pengambil keputusan dan skenario aplikasi.
3.2 Penerapan Particle Swarm Optimization (PSO)
Particle Swarm Optimization (PSO), algoritma optimasi cerdas, diterapkan pada perancangan sistem hibrid angin-surya. Meniru perilaku kawanan burung, PSO mencari solusi optimal dalam ruang solusi. Setiap partikel mewakili konfigurasi sistem potensial, termasuk variabel keputusan seperti kapasitas turbin angin, kapasitas PV, dan kapasitas penyimpanan. Posisi dan kecepatan partikel diperbarui iteratif, menuju optimum global.
Untuk meningkatkan kinerja, strategi bobot inersia yang berkurang linear diterapkan—memelihara eksplorasi global yang kuat di awal dan meningkatkan eksploitasi lokal kemudian. Mutasi adaptif diperkenalkan untuk menghindari optimum lokal. Mengingat kompleksitas masalah, strategi encoding hierarkis memisahkan variabel kontinu dan diskrit. Algoritma berhenti ketika mencapai jumlah iterasi maksimum atau ketika nilai optimal berubah kurang dari ambang batas selama iterasi berturut-turut.
3.3 Desain Eksperimen dan Pengaturan Parameter
Eksperimen didasarkan pada data meteorologi dan beban aktual dari wilayah tertentu, menggunakan data jam-jam selama satu tahun tipikal. Input meteorologi termasuk kecepatan angin, iradiansi surya, dan suhu lingkungan jam-jam. Profil beban mengikuti pola konsumsi taman industri tipikal, mencerminkan variasi musiman dan harian. Parameter peralatan dipilih dari turbin angin dan modul PV komersial mainstream, dengan data kinerja bersumber dari laporan uji produsen.
Baterai lithium-ion digunakan untuk penyimpanan, dengan parameter termasuk kapasitas rated, efisiensi pengisian/pengosongan, dan umur siklus. Parameter PSO ditetapkan sebagai berikut: ukuran populasi = 50, iterasi maksimum = 1000, bobot inersia berkurang linear dari 0,9 hingga 0,4, dan faktor belajar c1 dan c2 keduanya ditetapkan menjadi 2. Untuk memastikan keandalan hasil, setiap konfigurasi dijalankan 30 kali, dengan rata-rata diambil sebagai hasil akhir.
3.4 Metrik Evaluasi Kinerja Sistem
Metrik evaluasi kinerja mencakup aspek teknis, ekonomi, dan lingkungan. Indikator teknis termasuk keandalan sistem, tingkat pemanfaatan energi, dan penghalusan daya. Keandalan diukur oleh Indeks Kemampuan Pasokan yang Andal (RSCI) dan Probabilitas Kehilangan Pasokan Daya (LPSP). Pemanfaatan energi mencerminkan efisiensi energi terbarukan, sementara penghalusan daya mengevaluasi stabilitas output. Indikator ekonomi termasuk Biaya Listrik Rata-Rata (LCOE), Nilai Sekarang Bersih (NPV), dan periode pengembalian modal. LCOE mempertimbangkan biaya siklus hidup, NPV mencerminkan profitabilitas proyek, dan periode pengembalian modal menilai kecepatan pemulihan modal.
Indikator lingkungan adalah reduksi emisi karbon, dihitung dengan perbandingan dengan pembangkitan berbasis bahan bakar fosil konvensional. Selain itu, indeks manfaat komprehensif sistem (SCBI)—mengintegrasikan faktor teknis, ekonomi, dan lingkungan melalui penjumlahan bobot. Metrik-metrik ini dan bobotnya ditentukan berdasarkan penilaian ahli dan kebutuhan praktis, memberikan penilaian komprehensif kinerja sistem dan mendukung pengambilan keputusan yang berinformasi.
| Kategori | Nama Indikator | Simbol | Satuan | Nilai |
| Indikator Teknis | Keandalan Pasokan Daya | RSCI | % | 99,2 |
| Probabilitas Kehilangan Pasokan Daya | LPSP | % | 0,8 | |
| Tingkat Pemanfaatan Energi | EUF | % | 87,5 | |
| Biaya Pasokan Daya | POE | yuan/kWh | 0,85 | |
| Indikator Ekonomi | Biaya Listrik Rata-Rata | LCOE | yuan/kWh | 0,45 |
| Nilai Sekarang Bersih | NPV | ribuan yuan | 1200 | |
| Periode Pengembalian Modal | PBP | tahun | 7,5 | |
| Indikator Lingkungan | Reduksi Emisi Karbon | CER | t/tahun | 3500 |
| Indikator Komprehensif | Indeks Manfaat Komprehensif Sistem | SCBI | — | 0,92 |
3.5 Analisis Hasil Optimasi
Hasil optimasi menunjukkan bahwa sistem pembangkitan energi hibrid angin-surya menawarkan keunggulan signifikan dibandingkan sistem energi tunggal. Dalam skenario baseline, konfigurasi optimal terdiri dari 2 MW kapasitas energi angin, 1,5 MW kapasitas fotovoltaik (PV), dan 500 kWh penyimpanan energi. Konfigurasi ini mengurangi Probabilitas Kehilangan Pasokan Daya (LPSP) di bawah 1% dan menurunkan Biaya Listrik Rata-Rata (LCOE) sekitar 15% dibandingkan sistem angin atau PV mandiri. Analisis sensitivitas menunjukkan bahwa biaya peralatan memiliki dampak terbesar pada hasil optimasi—penurunan 10% biaya peralatan menghasilkan penurunan sekitar 8% LCOE.
Variasi profil beban sangat mempengaruhi ukuran penyimpanan energi; perbedaan beban puncak-lembah yang lebih besar memerlukan kapasitas penyimpanan yang lebih besar. Konfigurasi optimal bervariasi di berbagai wilayah: wilayah kaya angin cenderung memiliki rasio energi angin yang lebih tinggi, sementara wilayah kaya sinar matahari meningkatkan proporsi PV. Optimasi multi-tujuan menghasilkan front Pareto, memungkinkan pengambil keputusan untuk menyeimbangkan efisiensi ekonomi dan keandalan sesuai kebutuhan praktis. Hasil juga menunjukkan bahwa penerapan mekanisme perdagangan karbon lebih lanjut meningkatkan kinerja ekonomi, mengurangi LCOE sekitar 5%-10%. Simulasi jangka panjang mengkonfirmasi stabilitas sistem, dengan degradasi kinerja selama periode operasional 20 tahun tetap dalam toleransi yang dirancang.
