Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Sintesis senyawa Cu2ZnSnS4 menggunakan pelarut etanol memiliki keunggulan dari harga yang relatif murah dan ramah lingkungan. Pada penelitian ini, diamati pengaruh perbedaan substrat soda lime glass dan mo-coated glass terhadap kristalinitas, morfologi, sifat listrik dan sifat optik lapisan tipis Cu2ZnSnS4 hasil deposisi menggunakan metode dip coating dengan pelarut etanol. Hasil uji XRD menunjukkan substrat soda lime glass memiliki kristalinitas lebih tinggi dibanding substrat mo-coated glass. Morfologi lapisan menunjukan terjadinya keretakan pada kedua sampel dan beberapa rongga yang dapat diminimalisir dengan optimalisasi sistem prekursor dan perlakuan termal yang diberikan. Substrat mo-coated glass dapat menurunkan nilai resistivitas pada lapisan tipis Cu2ZnSnS4. Nilai energi celah pita untuk kedua sampel didapatkan sekitar 2,2 eV yang kurang sesuai dikarenakan kehadiran fasa sekunder yang cukup tinggi. ...... The synthesis of Cu2ZnSnS4 compounds using ethanol solvents has the advantage of a relatively cheap and environmentally friendly. In this study, we observed the effect of soda lime glass substrate and molybdenum coated glass substrate the crystallinity, morphology, electrical properties and optical properties of Cu2ZnSnS4 by dip coating with ethanol solvent. The XRD test results showed that the soda lime glass substrate has higher crystallinity than the molybdenum coated glass substrate. The morphology of the coating indicates the presence of cracks in both samples and some cavities that can be minimized by optimizing the precursor system and the thermal treatment. The molybdenum coated glass substrate can decrease the resistivity in the Cu2ZnSnS4 thin film. The band gap energy for both samples was found to be about 2.2 eV which was less suitable due to the presence of a fairly high secondary phase.

Abstrak :
Menjaga keberlanjutan performa maksimal panel surya menjadi tantangan terbesar pembangkit listrik tenaga surya (PLTS) saat ini. Hal ini dikarenakan panel surya rentan terhadap kegagalan yang mengurangi daya keluaran akibat faktor lingkungan. Konsekuensinya, ekspektasi payback period PLTS cukup panjang berpotensi tidak tercapai. Sehingga, operasi pemeliharaan harus rutin dilakukan menggunakan termografi karena beberapa kegagalan tidak terlihat kasat mata. Namun demikian, apabila pemeliharaan dilakukan secara manual untuk PLTS berskala besar berkapasitas diatas 1 MW dengan luas 2,3-2,9 ha, akan menghabiskan banyak waktu dan sumber daya. Metode aerial infrared thermography (AIRT) memberikan operasi pemeliharaan yang cepat dan efisien dengan mengambil citra termal radiometrik secara otomatis berdasarkan pengaturan waypoint pada unmanned aerial vehicle (UAV). Kemudian pendeteksian kegagalan panel surya dilakukan menggunakan algoritma pengolahan citra yang umumnya adalah digital image processing (DIP). Akan tetapi, DIP membutuhkan penyesuaian parameter untuk setiap citra barunya. Oleh karena itu, penelitian ini menggunakan deep learning (DL) untuk mendeteksi setiap jenis kegagalan panel surya monofacial dan bifacial. Himpunan data (dataset) citra termal yang disusun sudah memenuhi standar inspeksi yaitu nilai irradiasi diantara 500-700 W/m2. Lalu, dilakukan skenario deteksi untuk PLTS dengan panel monofacial, bifacial, atau campuran. Hasil evaluasi model DL menunjukkan mean average precision (mAP) setiap skenario bernilai diatas 80% sehingga dapat diaplikasikan pada operasio pemeliharaan PLTS skala besar. ......Maintaining the maximum performance of solar panels poses the foremost challenge for solar photovoltaic power plants in this era. This is due to panel’s vulnerability to photovoltaic (PV) defect which reduces power output due to environmental factors. Consequently, the expected payback period which has been established for a considerable duration may not be achieved. Therefore, routine maintenance operations using thermography are necessary as certain failures are not visually detectable. Nevertheless, performing these operations manually on large-scale solar power plants with a capacity above 1 MW and an area of 2.3-2.9 ha would consume a significant amount of time and resources. The aerial infrared thermography (AIRT) technique enables fast and efficient maintenance operations by automatically capturing radiometric thermal images utilizing unmanned aerial vehicle (UAV) configured with predefined waypoint settings. Subsequently, the PV defect detection is typically performed using digital image processing (DIP) algorithm. However, DIP requires parameter adjustments for each new image. Hence, this study utilizes deep learning (DL) to detect different types of PV defect for both monofacial and bifacial solar panels. The constructed thermal image dataset adheres to inspection standards, which irradiance values ranging from 500-700 W/m2. Then, detection scenarios were conducted for solar power plants utilizing monofacial, bifacial, or mixed panels. The evaluations results of the DL model yielded mean average precision (mAP) values above 80% for each scenario, confirming its applicability in large-scale solar power plants maintenance activities.