This research-driven project introduces a Physics-Informed Neural Network (PINN) framework for optimizing solar energy prediction in Indonesia. By integrating fundamental solar radiation laws and thermal efficiency equations directly into the neural network's loss function, the system overcomes the intermittency challenges of renewable energy and data scarcity. The model achieves an R² of 0.834, significantly outperforming traditional data-only models while maintaining strict adherence to physical conservation laws.
Tech Stack
Python
TensorFlow
Keras
Scikit-learn
Physics-Informed Neural Network
NSRDB API
Tools Used
Jupyter Notebook
Google Colab
Matplotlib
Seaborn
LaTeX
Key Features
Physics-Driven AI
▸Hukum Fisika Terintegrasi: Penggabungan persamaan radiasi matahari (G_eff) dan efisiensi termal panel ke dalam arsitektur AI.
▸Smart Loss Function: Desain custom loss function yang mengombinasikan data loss dengan physics residuals (Conseravation Laws).
▸Auto-Differentiation: Optimasi gradient berbasis automatic differentiation untuk pemenuhan hukum fisika yang presisi.
Advanced PINN Architecture
▸Progressive Reduction: Arsitektur neural network 5-layer dengan 8,673 parameter untuk ekstraksi fitur yang optimal.
▸Physics Continuity: Implementasi lambda weighting (λ=0.1) untuk menyeimbangkan pembelajaran dari data empiris dan teori fisika.
▸Robust Generalization: Kemampuan prediksi yang tetap akurat bahkan pada dataset terbatas melalui physics-guided learning.
Data & API Integration
▸NREL NSRDB API: Integrasi otomatis dengan National Solar Radiation Database untuk akuisisi data cuaca presisi tinggi.
▸Nusantara Coverage: Pengambilan data berbasis koordinat (Lat/Lon) untuk berbagai titik strategis PLTS di Indonesia.
▸Automated Cleaning: Pipeline preprocessing untuk outlier detection dan normalisasi data radiasi matahari secara real-time.
Predictive Analytics
▸Scenario Analysis: Simulasi output energi pada 6 variasi skenario cuaca ekstrim (Rainy vs Dry season).
▸Metric Evaluation: Pengujian performa mendalam menggunakan MAE, RMSE, dan R² dibandingkan dengan model baseline.
▸SHAP Analysis: Interpretasi model untuk memahami variabel cuaca paling berpengaruh terhadap fluktuasi energi.
# Get key from developer.nrel.gov
api_key = "YOUR_NREL_API_KEY"
lat, lon = -1.93, 125.50
Model Execution
python PINN.py
# Generates predictions vs actuals with physics constraints
Challenges & Solutions
Challenge
Intermittency Energi Surya
Solution
Mengintegrasikan model temperatur panel (T_cell) ke dalam jaringan saraf untuk memprediksi penurunan efisiensi akibat panas secara fisik.
Challenge
Data Historis Berkualitas Terbatas
Solution
PINN menggunakan hukum fisika sebagai regularizer, memungkinkan training model yang robust dengan jumlah data yang lebih sedikit dibandingkan deep learning standar.
Challenge
Kompleksitas Custom Loss
Solution
Menggunakan TensorFlow GradientTape untuk menghitung derivatif parsial dari persamaan fisika selama proses backpropagation.