Pengoptimuman Sistem Hibrid Angin-PV yang Efisien dengan Penyimpanan
1. Analisis Ciri-ciri Pembangkitan Tenaga Angin dan Tenaga Surya Fotovoltaik
Analisis ciri-ciri pembangkitan tenaga angin dan tenaga surya fotovoltaik (PV) adalah fundamental dalam merancang sistem hibrid yang saling melengkapi. Analisis statistik data kecepatan angin tahunan dan radiasi surya untuk suatu wilayah tertentu menunjukkan bahwa sumber daya angin menunjukkan variasi musiman, dengan kecepatan angin lebih tinggi pada musim dingin dan musim semi, dan lebih rendah pada musim panas dan gugur. Pembangkitan tenaga 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 lama dan radiasi yang lebih kuat pada musim panas, dan kondisi yang lebih lemah pada musim dingin. Efisiensi PV dipengaruhi negatif oleh peningkatan suhu. Dengan membandingkan distribusi waktu dari energi angin dan surya, terlihat bahwa mereka menunjukkan perilaku yang saling melengkapi baik dalam siklus harian maupun tahunan. Komplementaritas ini memungkinkan perancangan sistem tenaga yang efisien dan stabil, di mana rasio kapasitas optimal kedua sumber energi dapat dikonfigurasikan untuk meratakan output tenaga secara keseluruhan.
2. Pemodelan Sistem Pembangkitan Tenaga Hibrid Angin-Surya
2.1 Model Subsistem Tenaga Angin
Model subsistem tenaga angin dibangun berdasarkan data kecepatan angin dan karakteristik turbin. Distribusi Weibull digunakan untuk menyesuaikan distribusi probabilitas kecepatan angin, menggambarkan perilaku statistiknya dengan akurat. Hubungan antara output daya turbin dan kecepatan angin diwakili oleh fungsi bagian yang mencakup parameter utama seperti kecepatan angin masuk, kecepatan angin nominal, dan kecepatan angin keluar.
Metode kuadrat terkecil diterapkan untuk menyesuaikan kurva daya turbin, menghasilkan ekspresi matematika output daya terhadap kecepatan angin. Untuk memperhitungkan keacakan kecepatan angin, metode simulasi Monte Carlo diperkenalkan untuk memprediksi pembangkitan taman angin. Model ini menggambarkan dengan akurat karakteristik dinamis sistem tenaga 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 Tenaga Surya Fotovoltaik
Model subsistem PV secara komprehensif mempertimbangkan radiasi surya, suhu lingkungan, dan karakteristik modul PV. Model statistik radiasi surya dibuat untuk menggambarkan variasinya sepanjang waktu. Karakteristik output modul PV diwakili oleh kurva I-V. Efek suhu terhadap efisiensi dimodelkan menggunakan rangkaian setara satu dioda, dengan output daya dihitung dengan menyelesaikan sistem persamaan nonlinier.
Model juga memasukkan faktor-faktor seperti peneduh dan akumulasi debu, memperkenalkan koefisien koreksi untuk meningkatkan akurasi prediksi. Model mempertimbangkan penuaan modul PV dengan memasukkan laju degradasi tahunan untuk memprediksi 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 didasarkan pada karakteristik baterai lithium-ion. Model dinamis tentang status muatan baterai (SOC) dikembangkan untuk menggambarkan proses pengisian dan pelepasan. Karakteristik peluruhan sendiri dan efisiensi pengisian/pelepasan diperhitungkan, dengan memperkenalkan faktor koreksi suhu untuk menggambarkan dampak lingkungan. Umur baterai dimodelkan menggunakan kombinasi hitungan siklus dan kedalaman pelepasan (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/pelepasan, dan umur diperkirakan—memberikan dukungan data komprehensif untuk operasi dan pemeliharaan optimal.
2.4 Model Integrasi Sistem
Model sistem integrasi menggabungkan subsistem angin, surya, dan penyimpanan menjadi kerangka kerja yang terpadu. Metode beban setara digunakan untuk menangani fluktuasi beban, dan persamaan keseimbangan daya sistem ditetapkan. Indeks keandalan seperti Peluang Kehilangan Beban (LOLP) dan Energi Tidak Terlayani yang Diharapkan (EENS) diperkenalkan untuk mengevaluasi kinerja sistem. Simulasi seri waktu berturut-turut digunakan untuk menghitung status operasional sistem pada skala waktu yang berbeda.
Model mempertimbangkan interaksi antar subsistem, seperti peneduhan turbin angin pada panel PV. Model juga memasukkan antarmuka grid, memungkinkan analisis strategi operasi terhubung grid, termasuk penjadwalan ekonomi berdasarkan tarif waktu penggunaan dan layanan regulasi frekuensi grid. Output termasuk total pembangkitan tenaga, 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 Batasan
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 tenaga, diukur dengan meminimalkan LOLP. Tujuan lingkungan diukur dengan memaksimalkan pengurangan emisi karbon.
Batasan termasuk keseimbangan daya, batasan kapasitas penyimpanan energi, dan batasan operasional peralatan. Batasan keseimbangan daya memastikan bahwa permintaan beban selalu terpenuhi. Batasan kapasitas penyimpanan membatasi kedalaman pelepasan (DOD) untuk memperpanjang umur baterai. Batasan peralatan mempertimbangkan daya nominal dan karakteristik operasional komponen. Metode penimbangan multi-tujuan mengintegrasikan tujuan-tujuan ini ke dalam fungsi tujuan tunggal, dengan bobot ditentukan berdasarkan preferensi pengambil keputusan dan skenario aplikasi.
3.2 Aplikasi Particle Swarm Optimization (PSO)
Particle Swarm Optimization (PSO), sebuah algoritma optimasi cerdas, diterapkan pada desain 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 secara iteratif, menuju optimum global.
Untuk meningkatkan kinerja, strategi bobot inersia yang berkurang secara linier diterapkan—memelihara eksplorasi global yang kuat pada awal dan meningkatkan eksploitasi lokal kemudian. Mutasi adaptif diperkenalkan untuk menghindari optima lokal. Mengingat kompleksitas masalah, strategi pengkodean hierarkis memisahkan variabel kontinu dan diskrit. Algoritma berakhir 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, radiasi surya, dan suhu lingkungan per 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 nominal, efisiensi pengisian/pelepasan, dan umur siklus. Parameter PSO diset sebagai berikut: ukuran populasi = 50, iterasi maksimum = 1000, bobot inersia berkurang secara linier dari 0.9 hingga 0.4, dan faktor pembelajaran c1 dan c2 keduanya diset ke 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 utilitas energi, dan penyerapan daya. Keandalan diukur dengan Indeks Kemampuan Pasokan Reliabilitas (RSCI) dan Probabilitas Kehilangan Pasokan Tenaga (LPSP). Utilitas energi mencerminkan efisiensi energi terbarukan, sementara penyerapan daya mengevaluasi stabilitas output. Indikator ekonomi termasuk Biaya Levelized Listrik (LCOE), Nilai Sekarang Bersih (NPV), dan periode balik modal. LCOE mempertimbangkan biaya siklus hidup, NPV mencerminkan profitabilitas proyek, dan periode balik modal menilai kecepatan pemulihan modal.
Indikator lingkungan adalah pengurangan emisi karbon, dihitung dengan perbandingan dengan pembangkitan berbasis bahan bakar fosil konvensional. Selain itu, indeks manfaat komprehensif sistem (SCBI) mengintegrasikan faktor-faktor teknis, ekonomi, dan lingkungan melalui penjumlahan berbobot. Metrik-metrik ini dan bobotnya ditentukan berdasarkan penilaian ahli dan kebutuhan praktis, memberikan penilaian komprehensif kinerja sistem dan mendukung pengambilan keputusan yang terinformasi.
| Kategori | Nama Indikator | Simbol | Unit | Nilai |
| Indikator Teknis | Keandalan Pasokan Tenaga | RSCI | % | 99.2 |
| Probabilitas Kehilangan Pasokan Tenaga | LPSP | % | 0.8 | |
| Tingkat Utilitas Energi | EUF | % | 87.5 | |
| Biaya Pasokan Tenaga | POE | yuan/kWh | 0.85 | |
| Indikator Ekonomi | Biaya Levelized Listrik | LCOE | yuan/kWh | 0.45 |
| Nilai Sekarang Bersih | NPV | ribu yuan | 1200 | |
| Periode Balik Modal | PBP | tahun | 7.5 | |
| Indikator Lingkungan | Pengurangan 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 tenaga hibrid angin-surya menawarkan keunggulan signifikan dibandingkan sistem energi tunggal. Dalam skenario dasar, konfigurasi optimal terdiri dari 2 MW kapasitas tenaga angin, 1.5 MW kapasitas fotovoltaik (PV), dan 500 kWh penyimpanan energi. Konfigurasi ini mengurangi Probabilitas Kehilangan Pasokan Tenaga (LPSP) ke bawah 1% dan menurunkan Biaya Levelized Listrik (LCOE) sekitar 15% dibandingkan dengan sistem angin atau PV mandiri. Analisis sensitivitas menunjukkan bahwa biaya peralatan memiliki dampak terbesar pada hasil optimasi—penurunan 10% dalam biaya menghasilkan penurunan sekitar 8% dalam 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: daerah kaya angin lebih menguntungkan rasio tenaga angin yang lebih tinggi, sementara daerah 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 penggabungan 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.
