Identifikasi Parameter Ekuivalen Modul Fotovoltaik Berbasis Metaheuristik dari Pengukuran Lapangan Terbatas pada MPPT Incremental Conductance
DOI:
https://doi.org/10.32832/juteks.v13i2.24833Keywords:
Algoritma Genetika, Grey Wolf Optimizer, identifikasi parameter, Incremental Conductance, modul fotovoltaik, Particle Swarm OptimizationAbstract
Ketersediaan parameter modul fotovoltaik yang akurat diperlukan untuk pemodelan, pemantauan kondisi, dan evaluasi kinerja sistem, tetapi informasi tersebut tidak selalu tersedia pada instalasi lapangan. Penelitian ini mengembangkan metode identifikasi parameter ekuivalen modul fotovoltaik menggunakan Algoritma Genetika, Particle Swarm Optimization, dan Grey Wolf Optimizer dari pengukuran lapangan terbatas pada sistem MPPT Incremental Conductance. Parameter yang diidentifikasi meliputi tegangan rangkaian terbuka, arus hubung singkat, tegangan dan arus titik daya maksimum pada kondisi standar, koefisien temperatur arus, koefisien temperatur tegangan, dan koefisien pengaruh iradiasi terhadap tegangan. Evaluasi menggunakan 81 observasi dari tiga modul fotovoltaik selama lima hari, validasi leave-one-day-out secara terpisah pada setiap modul, dan sepuluh running independen. Hasil identifikasi dinilai berdasarkan rekonstruksi dan . Secara keseluruhan, PSO menghasilkan skor komposit terendah sebesar 11,2254, lebih baik 15,28% dibandingkan baseline median sebesar 13,2498. Pada modul P3 yang spesifikasinya tidak diketahui, GA memberikan skor komposit terbaik sebesar 17,1909, sedangkan PSO menghasilkan rekonstruksi daya terbaik dengan RMSE 11,3957 W, MAE 8,9664 W, dan R2 sebesar 0,7808. Parameter utama P3 yang diperoleh GA meliputi =20,2034±0,1702 V, =4,5315±0,2281 A, =16,2734±0,1371 V, =4,1168±0,2033 A, dan =66,9872±3,2084 W. Uji Wilcoxon menunjukkan bahwa perbedaan GA dan PSO pada P3 tidak signifikan, sedangkan keduanya secara signifikan lebih baik daripada GWO. Hasil penelitian menunjukkan bahwa parameter listrik utama dapat diidentifikasi secara konsisten, tetapi koefisien temperatur memiliki ketidakpastian lebih tinggi. Parameter yang diperoleh harus dipahami sebagai parameter ekuivalen hasil estimasi lapangan, bukan spesifikasi pasti dari pabrikan.
References
[1] M. G. Villalva, J. R. Gazoli, dan E. Ruppert Filho, “Comprehensive Approach to Modeling and Simulation of Photovoltaic Arrays,” IEEE Transactions on Power Electronics, vol. 24, no. 5, pp. 1198–1208, 2009, doi: 10.1109/TPEL.2009.2013862.
[2] W. De Soto, S. A. Klein, dan W. A. Beckman, “Improvement and Validation of a Model for Photovoltaic Array Performance,” Solar Energy, vol. 80, no. 1, pp. 78–88, 2006, doi: 10.1016/j.solener.2005.06.010.
[3] T. Easwarakhanthan, J. Bottin, I. Bouhouch, dan C. Boutrit, “Nonlinear Minimization Algorithm for Determining the Solar Cell Parameters with Microcomputers,” International Journal of Solar Energy, vol. 4, no. 1, pp. 1–12, 1986, doi: 10.1080/01425918608909835.
[4] K. Ishaque, Z. Salam, S. Mekhilef, dan A. Shamsudin, “Parameter Extraction of Solar Photovoltaic Modules Using Penalty-Based Differential Evolution,” Applied Energy, vol. 99, pp. 297–308, 2012, doi: 10.1016/j.apenergy.2012.05.017.
[5] M. Zagrouba, A. Sellami, M. Bouaïcha, dan M. Ksouri, “Identification of PV Solar Cells and Modules Parameters Using the Genetic Algorithms: Application to Maximum Power Extraction,” Solar Energy, vol. 84, no. 5, pp. 860–866, 2010, doi: 10.1016/j.solener.2010.02.012.
[6] A. Askarzadeh dan A. Rezazadeh, “Artificial Bee Swarm Optimization Algorithm for Parameters Identification of Solar Cell Models,” Applied Energy, vol. 102, pp. 943–949, 2013, doi: 10.1016/j.apenergy.2012.09.052.
[7] M. Merchaoui, A. Sakly, dan M. F. Mimouni, “Particle Swarm Optimisation with Adaptive Mutation Strategy for Photovoltaic Solar Cell/Module Parameter Extraction,” Energy Conversion and Management, vol. 175, pp. 151–163, 2018, doi: 10.1016/j.enconman.2018.08.081.
[8] M. Bechouat, A. Younsi, M. Sedraoui, Y. Soufi, L. Yousfi, I. Tabet, dan K. Touafek, “Parameters Identification of a Photovoltaic Module in a Thermal System Using Meta-Heuristic Optimization Methods,” International Journal of Energy and Environmental Engineering, vol. 8, pp. 331–341, 2017, doi: 10.1007/s40095-017-0252-6.
[9] S. Tajjour, S. S. Chandel, H. Malik, M. A. Alotaibi, dan T. S. Ustun, “A Novel Metaheuristic Approach for Solar Photovoltaic Parameter Extraction Using Manufacturer Data,” Photonics, vol. 9, no. 11, Art. no. 858, 2022, doi: 10.3390/photonics9110858.
[10] R. Devarapalli, B. V. Rao, dan A. Al-Durra, “Optimal Parameter Assessment of Solar Photovoltaic Module Equivalent Circuit Using a Novel Enhanced Hybrid GWO-SCA Algorithm,” Energy Reports, vol. 8, pp. 12282–12301, 2022, doi: 10.1016/j.egyr.2022.09.069.
[11] P. Danner dan H. de Meer, “Location and Solar System Parameter Extraction from Power Measurement Time Series,” Energy Informatics, vol. 4, Art. no. 14, 2021, doi: 10.1186/s42162-021-00176-2.
[12] J. Kennedy dan R. Eberhart, “Particle Swarm Optimization,” dalam Proceedings of the IEEE International Conference on Neural Networks, Perth, Australia, vol. 4, pp. 1942–1948, 1995, doi: 10.1109/ICNN.1995.488968.
[13] S. Mirjalili, S. M. Mirjalili, dan A. Lewis, “Grey Wolf Optimizer,” Advances in Engineering Software, vol. 69, pp. 46–61, 2014, doi: 10.1016/j.advengsoft.2013.12.007.
[14] I. Owusu-Nyarko, M. A. Elgenedy, I. Abdelsalam, dan K. H. Ahmed, “Modified Variable Step-Size Incremental Conductance MPPT Technique for Photovoltaic Systems,” Electronics, vol. 10, no. 19, Art. no. 2331, 2021, doi: 10.3390/electronics10192331.
[15] S. Varma dan R. Simon, “Bias in Error Estimation When Using Cross-Validation for Model Selection,” BMC Bioinformatics, vol. 7, Art. no. 91, 2006, doi: 10.1186/1471-2105-7-91.
[16] G. D. Prenata, “Predicting Breakdown Voltage of Transformer Oil under Copper/Iron Contamination: A Comparative Study of Gradient vs Metaheuristic Training,” ELKHA: Jurnal Teknik Elektro, vol. 18, no. 1, pp. 65–73, Apr. 2026, doi: 10.26418/elkha.v18i1.101026.
[17] G. D. Prenata, “Evaluasi Komparatif DFFNN, DFFNN yang Dioptimasi GA, DFFNN yang Dioptimasi GWO, dan LSTM untuk Prediksi Konsumsi Energi Listrik Menggunakan Sliding Window Cross-Validation,” Techné: Jurnal Ilmiah Elektroteknika, vol. 25, no. 1, pp. 91–104, 2026, doi: 10.31358/techne.v25i1.656.
[18] G. D. Prenata, A. Ridho’i, dan M. R. Arshad, “Comparative Evaluation of LSTM and Metaheuristic-Optimized Neural Networks for ECG Prediction under Limited Data Conditions,” Journal of Electronics, Electromedical Engineering, and Medical Informatics, vol. 8, no. 2, pp. 751–768, Apr. 2026, doi: 10.35882/jeeemi.v8i2.1524.
[19] G. D. Prenata, “Analisis Perbandingan Kinerja Jaringan Saraf Tiruan (JST) yang Dioptimalkan Metaheuristik dan Regresi Vektor Pendukung untuk Prediksi Konsumsi Energi Listrik,” CYCLOTRON, vol. 9, no. 2, pp. 32–37, Jul. 2026, doi: 10.30651/ct.v9i02.30809.
