Kontrol Posisi Panel Surya Dengan Menggunakan Annpidsmc Full

7/30/2019 Kontrol Posisi Panel Surya Dengan Menggunakan Annpidsmc Full

1/5

Seminar Nasional Pascasarjana X ITS, Surabaya 4 Agustus 2010ISBN No.

Kontrol Posisi Panel Surya DenganAdaptive Neural Network PID Sliding Mode Control

Putu Kesama Purnam Wijaya

Jurusan Teknik Elektro, Inst it ut Te kn ol og i Se pu lu h No pe mb er , Surabaya, Indonesiaemail: [email protected]

Abstrak

Energi merupakan sesuatu yang sangat penting dalam kehidupan, namun saat ini energisemakin menipis karena meningkatnya konsumsi energi yang tidak di imbangi denganpersediaannya. Dalam rangka mengatasi permasalaahan tersebut banyak dikembangkan energialternative, salah satunya panel surya.[1]. Permasalahan yang muncul yaitu tingkat efisiensi yangrendah karena posisi panel surya terhadap matahari menjadi sangat penting. Untuk itu diperlukanadanya pengaturan pada panel surya agar selalu tegak dengan mengikuti trayektori matahari.

Dalam makalah ini, menggunakan metode Adaptive Neural Network Proporsional Integral

Differential Sliding Mode Controller (ANNPIDSMC). Dimana Sliding Mode Control digunakan untukmengontrol sistem posisi panel surya karena sifat robust pada sistem yang memiliki ketidakpastiandan gangguan eksternal, dan juga dalam kontrol sisten nonlinier dan MIMO. [2]. Namun dalampengendalian sistem menggunakan SMC memiliki kelemahan yaitu timbulnya chatering danmembutuhkan kontrol output yang sangat besar untuk menanggulangi ketidakpastian parameter.SMC juga tidak dapat beradaptasi pada posisi yang diinginkan dengan beban torsi eksternal. [2].Metode yang dapat mengatasi masalah ini yaitu Adaptive Neural Network dan Boundary Layer,sehingga terjadinya chatering dapat dihindari dan respon sistem dengan gangguan eksternal dapatditingkatkan. Hal itu tersaji dengan melakukkan simulasi pada sistem kontrol posisi pada panelsurya.Kata kunci: Panel Surya, Adaptive Neural Network PID Sliding mode controller, boundary layer

1. PendahuluanSaat ini energi menjadi masalah penting,

karena fakta memperlhatkan bahwa konsumsienergi terus meningkat sejalan dengan lajupertumbuhan ekonomi dan pertambahanpenduduk. Energi dapat di kategorikan menjadi 2yaitu energi terbarukan dan energi takterbarukan, yang dimaksud dengan energi takterbarukan yaitu energi non fosil yang berada dialam, dan dapat tidak dapat diperbaharui.Sebaliknya, energi terbarukan yaitu energi yangberasal dari alam dan dapat di perbaharuiseperti matahari, angin, air , biomas, dansebagainya.

Dalam pemanfaatannya potensi energi surya

ada dua macam teknologi yang sudah diterapkanyaitu energi surya photovoltaicdan energi suryatermal. Energi surya thermal hanyamemanfaatkan energi matahari memallui energipanasnya sedangkan energi surya photovoltaicdapat memanfaatkan sel surya dengan di ubahmenjadi energi listrik oleh karena energi suryaphotovoltaic lebih banyak dikembangkandibandingkan energi surya thermal. Panel suryaadalah sebuah alat yang dapat digunakan untukmengubah sel surya menjadi energi listrik.[1]

Matahari sebagai sumber energi memilikipergerakan yang harus di ikuti oleh panel suryauntuk mendapatkan energi secara optimal. Panel

surya haruslah memiliki kemampuan untuk men-tracking trayektori pergerakan matahari. Untukitu, diperlukan kontroler yang dapat

mengendalikan pergerakan tracking pada panel

surya. Ada berbagai macam kontroler yangdigunakan seperti PID, SMC, Neural Network,dam sebagainya.

Tujuan dari makalah ini adalah mendisainkontroler robust dan adaptive pada panel suryauntuk dapat mentracking posisi matahari secaraoptimal. Kita akan menggunakan AdaptiveLiniear Neural Network (ADALINE), PID danSliding mode controller dengan boundary layerpada control law.

2. Metode yang diterapkanPenelitian ini dilakukan dengan tahapan

pertama dalah mendapatkan model matematikasistem posisi panel surya, tahapan kedua adalahmerancang kontroler sistem pengendali posisipanel surya dengan PIDSMC, Neural network,dan Adaptive Neural Network PID Sliding modecontroller (ANNPIDSMC). Langkah selanjutnyayaitu melakukan simulasi denganMatlab/Simulink dengan atau tanpa gangguaneksternal dan melakukan analisa hasil simulasi.Setelah mendapatkan hasil simulasi dari masing masing kontroler selanjutnya dilakukan analisahasil simulasi.
mailto:[email protected]:[email protected]


2/5


2.1.Model matematika sistem posisi panelsurya

Pemodelan matematika pada sistem posisipanel surya diperoleh dengan menggabungkanrumusan rumusan yang ada dalam komponen-konponen panel surya seperti motor servo DC,amplifier, tacometer, dan roda gigi. Berikut ini

adalah perumusan model matematika sistempanel surya yang di ambil dari rumusan rumusan motor servo DC:

( )( ) ( ) ( ) (1)a

a a a a b

di te t R i t L e t

dt= + +

( ) ( ) (2)b b me t K t =

( ) (3)m m a

T t K i=

()() () (4)m

m m

d tT t J B t

dt

= +

Dengan melakukan subtitusi pada persamaanpada persamaan persamaan tersebut dapatdiperoleh persamaan akhir sebagai berikut. [1]:

( ) (5)ma

a

K RaB KbKm RaJ LaBe t

L J LaJ LaJ

+ + =

&& &

Selain itu parameter parameter yang digunakanpada persamaan matematis sistem panel suryaseperti pada table 2.1 berikut:

Table 1 Konstanta dan parameter penyusun sistem. [1]

Komponen Konstanta Satuan

Motor DC

J 2 Kg.m2

B 1 N.m.s

Km 2 N.m/ampere

Kb 0.5 V/(rad/s)

R 0.2 Ohm

L 0.3 Henry

Servo

amplifier

Ka 10 -

Tacometer Kt 1 -

PenguatanOp-amp

Rf 50 -

Selanjutnya, dari rumusan model matematikapada persamaan (5) akan di implementasikandengan matlab simulink.

Gambar.1: Model Panel Surya Matlab/Simulink

2.2. Kontroler PIDSecara matematis pengendali PID dapat

ditulis [5]:

0

( )( ) ( ) ( ) (6)

t

p i d

e tu t K e t K e t dt K d

dt= + +

Transfer fungsi C(s) dapat ditulis:

( ) (7)ip dK

C s K K ss

= + +

Dimana :Kp = konstanta penguatan proporsional

Ki = konstanta penguatan integralKd = konstanta penguatan diferensial.

2.3.Sliding Mode ControlSliding Mode Control merupakan Variable

Structure Controller(VSC). Pada dasarnya, VSC

terdapat beberapa fungsi kontinyu yang berbedayang dapat menggambarkan keadaan plant unutkdi kendalikan. Surface dan switching merupakanfungsi beda yang di hasilkan oleh keadaan plantyang di representasikan dengan fungsi switching.Secara umum disain Sliding Mode Controluntuksistem orde dua sebagai berikut:Diketahui u(t) merupakan input system:

(8)s equ u u= +

Dimana . ( / )su k sat s = dan factor

konstan merupakan ketebalan dari boundary

layer. ( / )sat s merupakan fungsi saturasi yangdidefinisikan sebagai:

{ / / 1( / ) / 1( / ) (9)s if s

sat s if ssat s

>=

Fungsi antara su dan /s seperti pada gambar2:

Gambar 2: Swiching surface pada bidang phase [3]

Strategi kontroler harus menjamin trayektorisistem bergerak dan berada dalam slidingsurface s=0 dengan kondisi memenuhi:

(10)ss s= &

Dimana merupakan konstanta positif ,dimana menjamin trayektori sistem berada pada

sliding surface pada waktu terbatas.Menggunakan fungsi sign akan menyebabkanchatering. Solusi nya yaitu dengan menggunakanboundary layer pada permukaan swiching.

Prinsip dalam mendisain aturan sliding modecontrol untuk arbitrary-order plant adalah untukmenghasilkan error dan mendiferensialkan errorpada variable menjadi nol. Desain permukaanswiching terdapat konstruksi dari fungsiswitching. respon transien dari sistem di tentukanberdasarkan permukaaan sliding jika terdapatsliding mode. Diketahui error posisi:

( ) ( ) ( ) (11)refe k k k =

Dimana ( )ref k dan ( )k merupakanlintasan yang diinginkan dan posisi actual rotor.


3/5


Pada sampling ke k dan e(k) merupakan errordari kecepatan. Sliding surface (s) didefinisikan

sebagai error tracking, integralnya ( edt ) danperubahan dari e.

1 2 (12)s e e edt = + + &Dimana 1 2 0 > merupakan konstanta

positif. Aturan dasarSliding Mode Controlyaitu

sgn( ) (13)u k s=Dimana K merpakan parameter konstanta,

sgn(.) merupakan fungsi sgn dan S merupakanfungsi switching. [2].

2.4. Adaptive Linear Neural NetworkAdaptive linear neural network merupakan

artificial neural network yang sangat sederhanayang hanya terdapat satu neuron dengan inputyang dedikit dan unit signal tambahan. Jika

terdapat beberapa struktur ADELINE makadisebut MADALINE (Multi ADELINE). Blokdiagram dari jaringan Adeline dapat dilihat padagambar 3.

Sesuai faktanya ADELINE hanya dapatmenyelesaikan persoalan yang linier, namunterlihat dari secara praktis dapat memperkirakanfungsi nonlinier dengan akurasi yang cukup baikdengan menambahkan jumlah neuron.Karenanya keuntungan utama ADELINE yaitumemiliki kemampuan learning yang sangat cepat.

Metode learningyang sangat populer sepertisimple LMS (Least Mean Square) algorithm(windrow and hoff, 1960), biasanya disebut

windrow-hoff delta rule (rumelhart et.al, 1986),yang di terapkan pada makalah ini. metode inimeminimasi MSE (Mean Square Error).

( 1) ( ) ' (14)Tk kw k w k e X + = +

( 1) ( ) ' (15)kb k b k e+ = +

Dimana , merupakan penguat dan TkX

merupakan vector jaringan input .dimana W(k)merupakan matriks bobot sebelumnya, b(k)vektorbias sebelumnya. [2].

Gambar. 3: Blok diagram Adaline [4]

2.5. Desain Adaptive Neural Network PIDSliding Mode Control (ANNPIDSMC)Dalam mendisain ANNPIDSMC , kita

menggabungkan Adaptive Neural Network dan

PID Sliding Mode Controller . kita akanmenggunakan output PID Sliding Mode Kontrolersebagai inputAdaptive Neural Network. [2].

( )1 2 (16)pidsmcu K sign e e edt = + + &Misalkan 1 2;d iK K = = dan pada errortracking diberikan penguatan proporsionalKp.maka persamaan 2-16 menjadi:

( ) (17)pidsmc p d iu K sign K e K e K edt = + +

&

Untuk adaptive neural network menggunakanpersamaan berikut:

( 1) ( ) ^ 2 (18)pidsmcw K w K u+ = +

Maka input kontrol untuk plant panel suryaadalah

( ) ( ) ^ 2 (19)nnpidsmc pidsmc i a pidsmcu u k I f w k u

= +

Setiap kontroler menjadi input dari kontroleryang lainnya, dan meningkatkan kinerja kontrolersecara keseluruhan yang akan di terapkan padasistem posisi panel surya.Struktur PID sliding mode controller dalam

Matlab/Simulink sebagai berikut:

Gambar.4: Blok diagram PIDSMC

Dan blok diagram ANN diberikan sebagai berikut:

Gambar .5: Blok diagram ANN.[2]

3. Pembahasan Hasil

Dari hasil rancangan kontroler yangdiperoleh kemudian dilakukan pengujian atausimulasi mengunakan matlab/simulink. Simulasiyang dilakukan terdiri dari simulasi tanpagangguan eksternal dan beban danmenggunakan gangguan eksternal dan beban.Gangguan eksternal dan beban menggunakanmenggunakan blok random signal dengan nillaivarian 10. Kita akan menganti parameter parameter pada panel surya yang di perolehberdasarkan [1].


4/5


Gambar.7: Sinyal Gangguan Eksternal Dan Beban

Tingginya konstanta penguat akanmengurangi waktu pembelajaran akan tetapimenyebabkan meningkatnya overshoot dansettling time, maka dalam simulasi ini

menggunakan konstanta penguat 1 = .Konstanta PID ynag diasumsikan adalahkonstanta P= 10, konstanta I=1 dan konstantaD=1. Blok diagram simulasi sistem kontrolerANNPIDSMC secara keseluruhan dengan Matlab/ Simulink dapat digambarkan sebagai berikut:

Gambar.8. Blok Diagram ANNPIDSMC

Pada gambar 8, terlihat bahwa sistem panelsurya dengan kontroler ANNPID SMC diberikangangguan eksternal dan beban torsi berupasinyal random. Trayektori matahari merupakan

referensi yang disimulasikan dengan SignalGenerator . Berikut ini merupakan respon darisistem panel surya dalam tracking trayektorimatahari dengan menggunakan PIDSMC, ANN,dan ANNPIDSMC tanpa gangguan dan beban.

Gambar.9: Hasil Simulasi Kontroler ANNPIDSMC,ANN,dan PIDSMC Tanpa Menggunakan Gangguan dan

Beban

Untuk lebih jelasnya kita bisa lihat melaluigambar berikut :

Gambar.10: Perbandingan Hasil Simulasi AntaraPIDSMC, ANN, dan ANNPIDSMC

Dari gambar diatas terlihat bahwa responANN terjadi osilasi dan memiliki overshootyangbesar, dikarenakan dibutuhkan waktu belajaruntuk mengikuti referensi trayektori matahari.Dari segi respon yang baik ANNPIDSMC memilikitime settling dan rise time yang lebih cepatdibandingkan dengan PIDSMC, namun padaPIDSMC memiliki error tracking yang lebih kecildiabandingkan dengan kontroler ANN danANNPIDSMC.

Respon kontroler untuk sistem panel suryadengan gangguan eksternal adalah

Gambar 11: Perbandingan Hasil SimulasiPIDSMC,ANN, dan ANNPIDSMC Pada Panel Surya

Dengan Gangguan Eksternal

Dari gambar diatas terlihat bahwa kontrolerPIDSMC tidak dapat mengendalikan sistem panelsurya dengan gangguan eksternal berupa signalacak. Kontroler ANN bisa mengikuti trayektorireferensi dengan baik , namun terjadi osilasi danovershoot. Sedangkan kontroler ANNPID SMCterlihat sangat robust terhadap gangguaneksternal dan dapat men-tracking referensi

dengan baik.

Sedangkan untuk respon kontroler denngangangguaan dan beban torsi adalah


5/5


Gambar 12. Perbandingan Hasil Simulasi PIDSMC,ANN, dan ANNPIDSMC Pada Panel Surya Dengan

Gangguan Eksternal dan Beban Torsi

Respon pada gambar diatas menyerupaigambar 11, namun respon kontroler terhadapreferensi terdelay. Kontroler PIDSMC tidakmampu mengikuti referensi, kontroler ANNmenghasilkan osilasi dan overshoot dan dapatmengikuti referensi, sedangkan kontrolerANNPDISMC dapat mengikuti referensi denganbaik tanpa terjadi osilasi.

Dari hasil simulasi membuktikan bahwaPIDSMC kontroler tidak robust terhadapgangguan eksternal kibatkan respon sistem tidakdan beban torsi, mengakibatkan respon sistemtidak stabil. Adaptive liniear neural networkbersifat robust terhadap gangguan eksternal danbeban torsi tapi akan tetapi menghasilkan osilasidalam men-tracking trayektori matahari.Sedangkan ANNPIDSMC meyediakan sifatrobustness dan insensitivity terhadapuncertertainities madel dan parameter, gangguaneksternal dan beban torsi sehingga dapat men-track dengan baik trayektori referensi.

4. KesimpulanPada makalah ini, kontrolerAdaptive Neural

Network PID Sliding mode control (ANNPIDSMC) bertujuan untuk mengendalikanpanel surya dalam men-tracking trayektorimatahari sebagai referensi agar menghasilkanenergy yang lebih optimal. Maka dari itu denganmembandingkan kontroler ANNPIDSMC dengankontroler yang biasa digunakan sepertiPIDSMC, ANN, hasil dari simulasi membuktikanbahwa kontroler ANNPIDSMC memiliki sifatrobust terhadap uncertainties parameter danmodel, terhadap gangguan eksternal dan

memiliki sifat tracking yang baik walaupun diberikan beban torsi sinyal acak. Chateringdengan frekuensi tinggi pada control input dapatdi eliminasi dengan menggunakan boundarylayer. Kontroler ANNPIDSMC menggabungkankeuntungan antara adaptive control, NN, danSliding Mode Control.

5. PustakaMardijah dan Junaidi, Perancangan Dan

Simulasi Sistem Kontrol Posisi Panel SuryaDengan Metode Sliding Mode Control(SMC), Seminar Nasional Matematika,Universitas Negeri Jember (UNEJ), 28Februari 2009.Jember.

Fallahi.M, and Azadi.S, Adaptive Control Of AMotor Dc Using Neural Network SlidingMode Control, proceedings of theinternational multi Conference of engineersand computer scientist 2009 Vol II IMECS2009, March 18-20, 2009, Hong Kong.

Fallahi.M, and Azadi.S, FuzzyPID Sliding Mode

Controller Design For The Position ControlOf A Dc Motor, International Conference onEducation Technology and Computer, 2009.

Fallahi.M, and Azadi.S,Adaptif Control Of AnInverted Pendulum Using Adaptive PidNeural Network, International Conferenceon Education Technology and Computer,2009.

Ogata,K.Teknik Kontrol Automatic Edisi KeduaJilid 1. Erlangga. 1996.

Mustafa.A, Perancangan Dan Simulasi SystemControl Posisi Pelacak Matahari DennganPengendali PID. Fakultas teknik universitasBudi Luhur.2005.

Djojonegoro.W, Pengembangan Dan PenerapanEnergy Baru Dan Terbatukan , LokakaryaBio Mature Unit (BMU) UntukPengembangan Masyarakat Pedesaan,BPPT,1992,Jakarta.

Kontrol Posisi Panel Surya Dengan Menggunakan Annpidsmc Full

Documents

Transcript of Kontrol Posisi Panel Surya Dengan Menggunakan Annpidsmc Full