Teknologi predictive maintenance berbasis sensor tingkat modul dan AI memungkinkan deteksi dini gangguan pada sistem fotovoltaik, meningkatkan efisiensi, keandalan, serta produktivitas pembangkit listrik tenaga surya.
Penulis/editor: Rayendra L Toruan
TechnoMachinews.id – Fraunhofer IFF (sumber): Bagaimana meningkatkan keandalan pembangkit listrik tenaga surya sekaligus menekan biaya operasional? Bagaimana monitoring tingkat modul berbasis AI dapat menjadi standar baru pengelolaan aset PLTS skala besar?
Industri pembangkit listrik tenaga surya (PLTS) menghadapi tantangan besar dalam menjaga performa ribuan hingga puluhan ribu modul fotovoltaik yang beroperasi secara bersamaan.
Selama ini, sebagian besar sistem monitoring hanya memantau performa pada tingkat string atau inverter, sehingga kerusakan yang terjadi pada satu modul sering kali tidak terdeteksi hingga menyebabkan penurunan produksi energi secara signifikan.
Untuk menjawab tantangan tersebut, peneliti Fraunhofer Institute for Factory Operation and Automation (IFF) bersama mitranya mengembangkan sistem sensor berbasis modul yang dipadukan dengan kecerdasan buatan (AI) guna mendukung predictive maintenance dan monitoring secara lebih presisi.
Teknologi ini dikembangkan oleh para ahli yang bekerja pada proyek ZeroDefect4PV. Mereka menghadirkan transparansi kondisi setiap modul fotovoltaik secara real-time.
Berbeda dengan pendekatan konvensional, setiap panel surya dipasangi sensor yang mampu mengukur tegangan DC, arus DC, serta temperatur modul sebagai indikator adanya tekanan termal maupun potensi kerusakan.
Data iradiasi matahari juga diintegrasikan melalui stasiun cuaca sehingga AI dapat melakukan analisis berdasarkan kondisi operasional yang sebenarnya.
Sensor yang disebut Data Collection Unit (DCU) dipasang pada bagian belakang modul fotovoltaik dan saling terhubung melalui jaringan mesh menggunakan arsitektur master-slave.
Seluruh data dikirim melalui protokol komunikasi ESP-NOW dan LoRaWAN menuju gateway sebelum diproses di platform data terpusat. Infrastruktur ini memungkinkan sinkronisasi data secara aman sekaligus menyediakan basis informasi yang sangat detail untuk analitik lanjutan.
Keunggulan utama sistem ini adalah resolusi pengukuran hingga tingkat modul. Pendekatan tersebut memungkinkan identifikasi berbagai jenis gangguan yang selama ini sulit terdeteksi apabila hanya mengandalkan monitoring inverter.
Sistem mampu mengenali hotspot, retakan sel surya, delaminasi, kerusakan backsheet, kegagalan bypass diode, gangguan kabel, ground fault, efek mismatch antar modul, penurunan performa akibat kotoran, bayangan vegetasi, hingga akumulasi salju maupun pola degradasi yang tidak normal.
Data yang dikumpulkan kemudian dianalisis dengan model AI yang telah dilatih dengan berbagai skenario kerusakan. Algoritma itu mendeteksi adanya anomali, dan mampu mengidentifikasi lokasi sumber masalah secara spesifik.
Misalnya ketika suatu string menghasilkan energi lebih rendah dibandingkan string lainnya, sistem dapat menentukan apakah penyebabnya berasal dari modul tertentu, bypass diode, kabel atau faktor lingkungan.
Operator ruang kendali selanjutnya memperoleh rekomendasi tindakan secara otomatis, seperti melakukan pembersihan modul, inspeksi lanjutan, atau penggantian komponen.
Pendekatan predictive maintenance ini memberikan keuntungan dibandingkan inspeksi menggunakan drone maupun kamera termal yang umumnya hanya dilakukan secara berkala dan sangat bergantung pada kondisi cuaca.
Monitoring kontinu memungkinkan perubahan kecil pada kurva arus dan tegangan segera terdeteksi sebelum berkembang menjadi kerusakan besar yang menyebabkan kehilangan produksi energi.
Para ahli melakukan berbagai pengujian di fasilitas pilot mereka—seperti simulasi bayangan daun, analisis citra termal, validasi akurasi sensor, dan keandalan komunikasi data.
Pengujian lapangan dilakukan bersama INELSO Innovative Electrical Solutions di Turki, sementara BEIA Consult International menguji model AI menggunakan data inverter SolarEdge di Rumania.
Seluruh tahapan tersebut bertujuan memastikan skalabilitas sistem agar dapat diterapkan pada pembangkit fotovoltaik berkapasitas besar.
Pemeliharaan dan pemantauan prediktif sistem PV pada tingkat modul
Sistem saat ini tidak memantau sistem PV skala besar pada tingkat modul. Namun, justru di sinilah terjadi kesalahan yang memengaruhi seluruh rangkaian modul surya yang terhubung secara seri.
Pembangkit listrik fotovoltaik skala besar sering kali terdiri dari puluhan ribu modul dan komponen.
Jika satu modul surya gagal, maka dioda bypass yang utuh dapat membatasi penurunan daya yang signifikan dalam rangkaian; jika dioda bypass rusak, efisiensi keseluruhan rangkaian modul surya yang saling terhubung akan turun secara signifikan.
Hal itu merugikan (ekonomi), penurunan hasil, dan penurunan ketersediaan. Masalahnya, Sistem PV skala besar biasanya hanya dipantau pada tingkat rangkaian atau inverter, yang berarti bahwa kondisi spesifik modul tetap tidak terlihat.
Untuk menghindari cacat yang tidak terdeteksi dan mendeteksi anomali sejak dini, para peneliti Fraunhofer IFF, bersama dengan mitra BEIA Consult International dan INELSO Innovative Electrical Solutions, mengembangkan sistem sensor di proyek ZeroDefect4PV.
Sistem sensor ini memungkinkan pemantauan dan pemeliharaan prediktif pembangkit listrik PV skala besar pada tingkat modul.
“Setiap kilowatt-jam yang tidak dialirkan ke jaringan dari sumber terbarukan meningkatkan permintaan akan daya penyeimbang bahan bakar fosil dan menghambat tujuan iklim. Meningkatnya relevansi sistem fotovoltaik menuntut transparansi yang lebih besar, akurasi perkiraan, dan keandalan,” ungkap Hannes Peter Wasser, ilmuwan Fraunhofer IFF.
“Kami harus mencapai solusi yang menggabungkan sistem sensor berbasis modul beresolusi tinggi dengan model diagnostik, prognostik, dan deteksi anomali yang didukung AI serta platform modular untuk akuisisi, sinkronisasi, pra-pemrosesan, dan penyimpanan semua data,” tambah Hannes Peter Wasser.
Metode pemantauan yang sudah mapan menangkap data yang diberikan oleh inverter di semua string. Meskipun pendekatan ini cocok untuk pemantauan kinerja secara keseluruhan, pendekatan ini tidak mendeteksi kesalahan pada tingkat modul.
Pengukuran pada inverter berarti jenis kesalahan tertentu terlewatkan atau seringkali hanya terdeteksi setelah dampak signifikan pada efisiensi energi. Drone dan kamera stasioner juga memiliki keterbatasan, hanya memungkinkan pemantauan berkala.
Penggunaannya tidak selalu memungkinkan karena kondisi cuaca, mereka harus mencakup seluruh susunan PV, atau mereka hanya mampu mengidentifikasi kesalahan yang terlihat. Metode optik seperti termografi IR mendeteksi titik panas dan retakan sel yang terlihat secara visual.
Akan tetapi, degradasi, delaminasi, lembaran belakang yang rusak, dan kesalahan sistem seperti kesalahan pentanahan hanya sebagian atau sama sekali tidak terdeteksi. Kesalahan koneksi listrik seringkali tidak terdeteksi.
Sebagai gantinya, proyek ini melakukan pendekatan dengan pemantauan berkelanjutan dan sangat terperinci pada tingkat modul.
Teknologi sensor yang dikembangkan oleh mitra INELSO Innovative Electrical Solutions dalam proyek ZeroDefect4PV, di sisi lain, menyediakan data pengukuran resolusi tinggi yang berbeda untuk setiap modul surya individual, yang diperbarui sesuai dengan tingkat pengambilan sampel masing-masing.
Sensor yang dipasang di bagian belakang modul fotovoltaik mengukur tegangan DC dan arus DC dari masing-masing panel surya, serta suhu modul sebagai indikator tekanan termal dan kondisi kerusakan. Radiasi matahari juga diperhitungkan.
Radiasi matahari tidak diukur langsung oleh unit pengumpulan data (DCU), melainkan dicatat oleh stasiun cuaca terpisah. Data stasiun cuaca, bersama dengan nilai DCU, kemudian dimasukkan ke dalam model AI.
Sensor prototipe, yang dikenal sebagai unit pengumpulan data, berkomunikasi melalui jaringan sensor mesh yang diorganisasikan sebagai arsitektur master-slave.
Teknologi predictive maintenance meningkatkan efisiensi operasional industri energi di Indonesia
Mereka mengirimkan data dengan menggunakan protokol komunikasi ESP-NOW melalui jaringan sensor melalui protokol jaringan nirkabel LoRaWAN yang hemat energi ke titik pengumpulan tingkat yang lebih tinggi (gateway), yang meneruskan informasi ke platform data di ruang kendali pusat.
Data disinkronkan, disimpan dengan aman, dan diproses dan dievaluasi menggunakan analitik canggih dan model yang didukung AI. Fraunhofer IFF memiliki ruang kendali untuk pengembangan dan simulasi algoritma pemantauan dan pengendalian untuk jaringan energi di Elbfabrik, sebuah pabrik penelitian.
Ilmuwan Fraunhofer IFF, Dr. Christoph Wenge menjelaskan, “Berbagai macam kesalahan dapat terjadi pada panel surya yang terhubung secara seri, tidak hanya pada modul itu sendiri, tetapi juga pada dioda bypass, kabel, atau sistem pemasangan.”
Tidak seperti pengukuran yang diambil di inverter, sistem mengklasifikasikan kesalahan. Sistem ini mengidentifikasi di mana kesalahan tersebut terjadi.
Model AI, yang sebelumnya dilatih dengan kesalahan, menganalisis pola, mengidentifikasi penyimpangan dari perilaku normal, dan menunjukkan anomali dan dampaknya—misalnya, apakah rangkaian A menghasilkan hasil yang lebih rendah daripada rangkaian B.
Staf ruang kendali menerima rekomendasi tindakan melalui fungsi bantuan yang diimplementasikan, yang ditampilkan pada monitor di ruang kendali—seperti membersihkan atau mengganti modul.
Kesalahan-kesalahan meliputi anomali termal seperti titik panas, kerusakan mekanis seperti retakan sel atau delaminasi, cacat listrik seperti kegagalan dioda bypass, bayangan oleh benda atau vegetasi, pengotoran, lapisan salju, efek ketidaksesuaian antarmodul, dan pola degradasi yang tidak biasa dan kehilangan daya.
Apakah model AI dapat mendeteksi jenis kesalahan dengan menganalisis perubahan dan karakteristik halus pada kurva arus dan tegangan?
Sensor master dan slave diuji di laboratorium untuk akurasi pengukuran, stabilitas, dan keandalan komunikasi, dan sensor telah dihubungkan ke infrastruktur TIK (teknologi informasi dan komunikasi) di Fraunhofer IFF.
Investigasi lebih lanjut meliputi bayangan modul yang ditargetkan oleh dedaunan dan analisis citra termal.
Selain itu, pengujian dilakukan di INELSO Innovative Electrical Solutions, yang berfokus pada validasi perangkat keras di lapangan PV di Turki.
“Dengan instalasi percontohan ini, kami memvalidasi sistem dalam kondisi dunia nyata, memungkinkan untuk secara iteratif mengoptimalkan perangkat keras, komunikasi, dan model data serta menilai skalabilitas untuk taman PV besar,” Dr. Christoph Wenge menambahkan.
Pengembangan sistem monitoring fotovoltaik hingga tingkat modul menandai evolusi penting dalam pengelolaan pembangkit listrik tenaga surya modern.
Dengan dukungan sensor beresolusi tinggi, jaringan komunikasi IoT, dan analitik berbasis kecerdasan buatan, operator dapat mendeteksi gangguan lebih awal, mengidentikasi sumber kerusakan secara akurat,
Selanjutnya mengambil tindakan pemeliharaan sebelum terjadi penurunan produksi energi yang signifikan.
Industri energi di Indonesia, teknologi predictive maintenance berpotensi meningkatkan efisiensi operasional, memperpanjang umur aset, menekan biaya pemeliharaan, dan memperkuat keandalan pasokan energi terbarukan menuju sistem kelistrikan berkelanjutan. #SalamSobatTechnoMachinews
