Metode Prediksi Energi Angin Dengan Parameter Weibull Dan Artificial Neural Network

Agenda Riset: Kedaulatan Energi

Sektor: Energi

Deskripsi

Invensi ini berkenaan dengan metode prediksi energi angin khususnya prediksi energi energi angin di pesisir pantai Pulau Jawa. Metode prediksi energi angin ini meliputi beberapa tahapan yaitu: tahap penentuan lokasi untuk pengumpulan data parameter cuaca; tahap pengumpulan data melalui pengunduhan data kecepatan angin (m/dt), arah angin (o), temperatur (t), kelembaban (%), dan tekanan udara (kPa) dengan interval 1 jam pada ketinggian 10 meter untuk periode 10 tahun; tahap perhitungan rata-rata bulanan parameter cuaca selama 10 tahun menggunakan perangkat lunak analisis data angin; tahap perhitungan parameter Weibull bulanan selama 10 tahun berupa parameter bentuk (k) dan parameter skala (c) dengan metode maximum likehood (MLM); tahap perancangan dan penetapan 24 skenario berdasarkan variasi parameter input untuk pengujian model prediksi; tahap pengujian model prediksi untuk semua skenario input parameter menggunakan metode ANN; tahap perhitungan nilai kesalahan prediksi menggunakan RMSE dan MAPE dan tahap pengambilan keputusan untuk menambahkan lokasi studi lain untuk diuji.

Kata Kunci

Prediksi Energi Angin Pesisir Pulau Jawa Jaringan Saraf Tiruan

Menyediakan metode sistematis untuk memprediksi potensi energi angin secara akurat di kawasan pesisir pantai Pulau Jawa guna mendukung pengembangan energi terbarukan.
Menerapkan tahapan pengumpulan dan pengolahan data cuaca jangka panjang (interval 1 jam selama 10 tahun), yang mencakup kecepatan angin, arah angin, temperatur, kelembapan, dan tekanan udara pada ketinggian 10 meter.
Melakukan pemodelan statistik yang komprehensif, meliputi perhitungan rata-rata bulanan dan penentuan parameter Weibull (parameter bentuk k dan skala c) menggunakan metode Maximum Likelihood (MLM).
Menggunakan pendekatan berbasis Artificial Neural Network (ANN) yang diuji melalui 24 skenario variasi parameter input, serta divalidasi menggunakan tingkat kesalahan prediksi berbasis RMSE dan MAPE untuk memastikan keandalan hasil studi.