Implementasi Genetik Algoritma untuk Mengoptimalkan Posisi Turbin Angin Pada Wind Farm
Abstract
Energi angin menjadi salah satu alternatif energiyang paling penting karena keunggulan sumber daya yang kaya didistribusikan secara luas dan ramah lingkungan. Ketika angin mengalir di atas turbin angin, arus bangun dihasilkan karena ekstraksi tenaga angin dan ganguan. Rotor turbin yang akan mengurangi output daya pada turbin hilir. Oleh karena itu, posisi turbin harus dirancang untuk mengurangi efek bangun yang mengekstraksi lebih banyak daya ketika membangun ladang angin. Dalam jurnal ini, digunakan metode genetik algoritma untuk menyelesaikan masalah optimasi posisi turbin angin. Metode perhitungan dan simulasi genetik algoritma digunakan untuk mempertimbangkan posisi antar turbin dan pengaruh penambahan turbin pada turbin lain diladang angin sehingga dapat menghasilkan daya output yang maksimal pada masing-masing turbin. Algortima genetika merupakan salah satu algoritma yang sangat tepat digunakan dalam menyelesaikan masalah optimasi kompleks, yang sulit dilakukan oleh metode konvensional.
Keywords
Full Text:
PDFReferences
Civelek, Z. (2020). Optimization of fuzzy logic (Takagi-Sugeno) blade pitch angle controller in wind turbines by genetic algorithm. Engineering Science and Technology, an International Journal, 23(1), 1–9.
Ellabban, O., Abu-Rub, H., & Blaabjerg, F. (2014). Renewable energy resources: Current status, future prospects and their enabling technology. Renewable and Sustainable Energy Reviews, 39, 748–764.
Emami, A., & Noghreh, P. (2010). New approach on optimization in placement of wind turbines within wind farm by genetic algorithms. Renewable Energy, 35(7), 1559–1564.
Fariez, M. R., Maulana, F. G., & Nugroho, H. (2020). Penggunaan Metode Optimasi Genetic Algorithm dalam Penentuan Letak Turbin Angin. JURNAL TEKNOLOGIA, 2(2).
Istighfarin, N. F., Rahmastati, R. A., & Nugroho, H. (2020). Penerapan Metode Particle Swarm Optimization (PSO) Dan Genetic Algorithm (GA) Pada Sistem Optimasi Visible Light Communication (VLC) Untuk Menentukan Posisi Robot. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 11(1), 279–286.
Jocom, B. P., Hidayat, N., & Adikara, P. P. (2018). Penerapan Genetic Algorithm untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer E-ISSN, 2548, 964X.
Mitchell, M. (1998). An introduction to genetic algorithms. MIT press.
Putra, I. M. S. (2018). Penerapan Algoritma Genetika Dan Implementasi Dalam MATLAB. Vol, 53, 1689–1699.
Saraswat, M., & Sharma, A. K. (2013). Genetic Algorithm for optimization using MATLAB. International Journal of Advanced Research in Computer Science, 4(3), 155–159.
Song, M., Chen, K., & Wang, J. (2018). Three-dimensional wind turbine positioning using Gaussian particle swarm optimization with differential evolution. Journal of Wind Engineering and Industrial Aerodynamics, 172, 317–324.
Song, M. X., Chen, K., Zhang, X., & Wang, J. (2015). The lazy greedy algorithm for power optimization of wind turbine positioning on complex terrain. Energy, 80, 567–574.
Tabassum, M., Mathew, K., & others. (2014). A genetic algorithm analysis towards optimization solutions. International Journal of Digital Information and Wireless Communications (IJDIWC), 4(1), 124–142.
Zergane, S., Smaili, A., & Masson, C. (2018). Optimization of wind turbine placement in a wind farm using a new pseudo-random number generation method. Renewable Energy, 125, 166–171.
DOI: http://dx.doi.org/10.31000/jt.v12i1.6185
Article Metrics
Abstract - 318 PDF - 421Refbacks
- There are currently no refbacks.
License URL: https://scholar.google.co.id/citations?user=RJRfBN0AAAAJ&hl=id&authuser=2