Simulasi algoritma MPPT (Maximum Power Point Tracking) menggunakan Particle Swarm Optimization (PSO) pada panel surya yang mengalami blokiran sebagian. Berikut adalah kondisi simulasi:

• 0-0,5 detik: Panel surya menerima cahaya normal dengan intensitas 1000 W/m²
• 0,5-1 detik: Panel pertama terblokir, intensitas cahaya turun dari 1000 W/m² menjadi 700 W/m²
• 1-1,5 detik: Panel kedua terblokir, intensitas cahaya turun dari 900 W/m² menjadi 600 W/m²

Sistem panel surya dengan kondisi blokiran sebagian menunjukkan karakteristik multi-peak, sehingga algoritma MPPT konvensional seperti metode observasi gangguan biasanya terjebak pada titik optimum lokal. Dalam simulasi ini menggunakan Simulink, algoritma PSO digunakan untuk menemukan titik daya maksimum yang sebenarnya dalam kondisi yang lebih kompleks.

Simulasi ini menggunakan tiga panel surya yang disusun secara seri. Kondisi awal adalah semua panel menerima intensitas cahaya sebesar 1000 W/m². Pada 0,5 detik, panel pertama terblokir dan intensitas cahaya turun menjadi 700 W/m². Kemudian pada 1 detik, panel kedua juga terblokir dan intensitas cahaya turun menjadi 600 W/m². Perubahan intensitas cahaya secara bertahap ini memberikan tantangan yang baik untuk menguji kemampuan algoritma MPPT.

Kode berikut menunjukkan parameter dasar algoritma PSO yang digunakan:

% Parameter dasar PSO
n = 20;  % Jumlah partikel
iterasi = 50;  % Jumlah iterasi maksimum
c1 = 1.5; c2 = 1.5;  % Faktor pengembalian
w = linspace(0.9, 0.4, iterasi);  % Bobot inertial yang berkurang

% Fungsi keberhasilan (perhitungan daya)
function daya = fitness(voltage)
    global G1 G2 G3;  % Intensitas cahaya riil
    current_photovoltaic = [5*G1, 5*G2, 5*G3];  % Arus fotovoltaik
    ...  % (Proses perhitungan model panel surya dihilangkan)
    daya = voltage * sum(current_photovoltaic);  % Daya yang dihasilkan
end

Kode di atas menunjukkan beberapa poin penting:

• Parameter jumlah partikel diatur menjadi 20 untuk memastikan keseimbangan antara kecepatan pencarian dan ketepatan hasil
• Bobot inertial yang berkurang dari 0,9 ke 0,4 selama iterasi untuk mendorong eksplorasi awal dan eksploitasi akhir
• Fungsi keberhasilan menggunakan daya sebagai parameter penilaian

Hasil simulasi menunjukkan fenomena menarik: ketika blokiran pertama terjadi (pada 0,5 detik), kurva daya-voltage mengalami perubahan dari single-peak menjadi dual-peak. Algoritma PSO mampu menemukan puncak global yang lebih tinggi dengan cepat. Dari grafik perubahan daya yang ditampilkan di bawah ini:

Grafik daya-voltage dalam kondisi dinamis

Partikel (diperlihatkan sebagai titik pada grafik) mulai mengumpulkan di sekitar puncak daya pertama. Namun, beberapa partikel "eksplorator" menemukan puncak daya yang lebih tinggi di sebelah kanan. Ketika solusi optimum global terdeteksi, seluruh partikel dengan cepat bermigrasi ke arah puncak yang lebih tinggi tersebut. Mekanisme pengambilan keputusan secara kolektif ini menjadi kekuatan utama algoritma PSO.

Kode berikut menunjukkan logika pembaruan partikel:

% Pembaruan posisi partikel
for iter = 1:iterasi
    for i = 1:n
        % Pembaruan kecepatan
        velocity(i) = w(iter)*velocity(i) + c1*rand*(best_local(i)-position(i)) + c2*rand*(best_global-position(i));
        
        % Pembaruan posisi
        position(i) = position(i) + velocity(i);
        if position(i) < voltage_min || position(i) > voltage_max
            position(i) = voltage_min + (voltage_max - voltage_min)*rand;
            velocity(i) = 0;
        end
        
        % Update optimum lokal
        if fitness(position(i)) > fitness(best_local(i))
            best_local(i) = position(i);
        end
    end
    [global_power, idx] = max([fitness(best_local)]);
    best_global = best_local(idx);
end

Pada bagian pembaruan posisi, ketika partikel keluar dari batas, bukan hanya di kunci tetapi direset secara acak. Ini memberikan mekanisme "reset otomatis" yang penting dalam kondisi dinamis, sehingga algoritma tidak terganggu oleh data lama.

Pada 1 detik ketika blokiran kedua terjadi, sistem menghadapi kondisi yang lebih kompleks dengan tiga puncak (triple-peak). Dari hasil simulasi, algoritma PSO mampu menemukan puncak global setelah 0,45 detik, dengan kecepatan respons yang lebih cepat daripada metode tradisional.

Sarankan implementasi:

• Menggunakan mekanisme deteksi perubahan lingkungan secara real-time
• Memicu pencarian global PSO ketika terjadi penurunan daya yang signifikan (>15%)
• Menggunakan mode pengawasan rendah daya ketika kondisi stabil

Implementasi ini memberikan manfaat dalam peningkatan efisiensi daya yang dihasilkan sekitar 5%-8% setahun.