IMPLEMENTASI SEPIC CONVERTER DAN MONITORING SOC MENGGUNAKAN METODE FUZZY LOGIC CONTROLLER DAN ARTIFICIAL NEURAL NETWORK PADA SISTEM PHOTOVOLTAIC

Fansuri, Akhmad Rizal (2024) IMPLEMENTASI SEPIC CONVERTER DAN MONITORING SOC MENGGUNAKAN METODE FUZZY LOGIC CONTROLLER DAN ARTIFICIAL NEURAL NETWORK PADA SISTEM PHOTOVOLTAIC. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0420040022 - Akhmad Rizal Fansuri - Implementasi Sepic _i_Converter__i_ dan _i_Monitoring__i_ SoC Menggunakan metode _i_Fuzzy__i_ _i_Logic__i_ _i_Controller__i_ dan _i_Artificial__i_ _i_Neural__i_ _i_Network__i_ pada Sist.pdf Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Indonesia telah memajukan pengembangan energi terbarukan, salah satunya adalah pemanfaatan energi panas matahari. Modul surya (PV Panel) digunakan sebagai alat konversi energi panas matahari menjadi energi listrik.Energi listrik yang dihasilkan dari konversi energi panas berupa tegangan yang kemudian digunakan dalam mengoperasikan peralatan elektronik. Namun Intensitas sinar matahari yang tidak menentu akibat perubahan cuaca, sering kali membuat daya yang dihasilkan tidak stabil, sehingga menyebabkan kerusakan pada baterai. Perubahan tegangan yang tidak konstan akan menghambat proses pengisian baterai untuk berjalan dengan baik. Salah satu topologi DC-DC konverter yaitu SEPIC (Single-Ended Primary Inductor Converter) menjadi solusi dari permsalahan tersebut. SEPIC converter dirancang untuk mengkonversi tegangan DC dari satu tingkat tegangan ke tingkat tegangan yang berbeda. Pada SEPIC converter menggunakan Fuzzy Logic Controller untuk kontrol tegangan keluaran yang stabil. Sistem ini juga terintegrasi dengan Monitoring State of Charge yang dilengkapi dengan Artificial Neural Network untuk pendeteksi microcontroller dan sensor kondisi tidak berkerja atau rusak. Hasil pengujian sistem ini menunjukkan bahwa implementasi Fuzzy Logic Controller berhasil menjaga kestabilan tegangan keluaran konverter pada 14,1V, sesuai dengan spesifikasi yang dibutuhkan untuk pengisian baterai. Selain itu, Artificial Neural Network berhasil diimplementasikan dengan tingkat kesalahan 0% dan waktu pengiriman data sebesar 3,43 detik

Actions (login required)

View Item