ºÝºÝߣ

ºÝºÝߣShare a Scribd company logo

Bahan bagus4

•
•
Kamu Aku
Kamu Aku

Tiga kalimat: Dokumen ini membahas peramalan beban listrik hari libur di Bali menggunakan jaringan syaraf tiruan. Metode ini mampu memperkirakan beban dengan rata-rata kesalahan di bawah 1%. Hasilnya bermanfaat untuk operasi pembangkit listrik.

1 of 4
Download to read offline
Peramalan Beban … I Made Mataram Teknologi Elektro 53 Vol. 7 No. 2 Juli - Desember 2008 PERAMALAN BEBAN HARI LIBUR MENGGUNAKAN ARTIFICIAL NEURAL NETWORK I Made Mataram Staff Pengajar Teknik Elektro, Fakultas Teknik, Universitas Udayana Kampus Bukit Jimbaran, Bali, 80361 mataram@ee.unud.ac.id Abstrak Karakteristik beban harian saat hari libur berbeda dengan hari biasa, serba tidak pasti dan cenderung mengalami penurunan. Ketidakpastian beban ini, jika tidak diperkirakan, akan sangat mempengaruhi operasi unit- unit pembangkit yang ada. Penjadwalan operasi dan alokasi pembangkit cadangan dapat mengganggu keandalan sistem tenaga listrik. Pada peramalan beban harian untuk hari-hari libur umat hindu di Bali yang kondisinya tidak tentu, sulit dilakukan oleh metode peramalan konvensional. Pada penelitian ini diusulkan peramalan dengan metode artificial neural network. Kelebihan metode ini dapat dengan mudah memformulasikan pengalaman dan pengetahuan peramal dan sangat fleksibel dalam perubahan aturan peramalan. Hasil peramalan memperlihatkan error rata-rata sangat kecil, yaitu dibawah 1 % Kata Kunci: Peramalan beban jangka pendek, artificial neural network 1. PENDAHULUAN Variasi beban tergantung pada kebutuhan setiap konsumen. Permintaan konsumen di Bali terhadap energi listrik dari tahun ke tahun cukup besar. Tiga pembangkit yang mensuplai tersebar di tiga kabupaten/kota yaitu PLTG dan PLTGU Pesanggaran (Denpasar), PLTG Gilimanuk (Jembrana), dan PLTG Pemaron (Singaraja). Kapasitas total ketiga pembangkit tersebut adalah 380 MW. Suplai berkapasitas 200 MW berasal dari interkoneksi Jawa- Bali. Berdasarkan data beban harian sampai bulan Desember 2006, kebutuhan beban sekitar 426 MW(beban puncak). Beban harian hari raya Galungan, rata-rata 280 MW dengan beban puncak rata-rata 335 MW. Pada hari-hari biasa penggunaan energi listrik relatif sama (stabil), tetapi hal ini berbeda pada saat hari Nyepi. Permasalahan di atas akan membuat suatu keadaan beban yang tidak tentu dan cenderung mengalami penurunan sehingga operasi unit-unit pembangkit, seperti penjadwalan dan alokasi pembangkit cadangan menjadi kurang ekonomis. Artificial Neural Network (ANN) mampu melakukan komputasi dengan cara belajar dari pola- pola yang diajarkan dan menghasilkan peramalan relatif yang lebih akurat, yang pada akhirnya bermanfaat sebagai acuan dalam operasi sistem pembangkitan di Bali. 2. ARSITEKTUR ANN Arsitektur ANN yang digunakan adalah feedforward dengan algoritma backpropagation. ANN banyak lapisan (multilayer) dengan fungsi aktivasi sigmoid, satu lapisan masukan (input layer) 24 sel (24 jam), satu lapisan dalam (hidden layer) ditentukan secara acak yaitu 140 sel dan satu lapisan keluaran (output layer) 24 sel (24 jam). Untuk membangun suatu jaringan feedforward digunakan intruksi newff. Jumlah sampel yang digunakan pada mode ini adalah satu hari setiap tahunnya. Sistem peramalan beban terdiri dua mode yaitu mode pelatihan Resilent Backpropagation (trainrp) dan mode pengujian. Input Layer 24 sel (Neuron) X1 X2 X3 X4 X24 Y1 Y2 Y3 Y4 Y5 Y140 Z1 Z2 Z3 Z4 Z24 Nilai Input 24 Hidden Layer 140 sel (Neuron) Output Layer 24 sel (Neuron) Nilai Output 24 Gambar 1. Arsitektur Neural Network 3. METODOLOGI Data diambil dari PT. PLN (Persero) Area Pengatur Distribusi Bali bagian dispatcher Denpasar (Maret 2007 - Mei 2007). Hari libur sesuai Surat Keputusan Bersama 3 Menteri disesuaikan dengan kalender Bali periode 2002-2006 terdapat 6 (enam)
Peramalan Beban … I Made Mataram Teknologi Elektro 54 Vol. 7 No. 2 Juli - Desember 2008 item hari libur khusus bagi umat Hindu antara lain Hari Penampahan Galungan, hari Galungan, hari Manis Galungan, hari Kuningan, hari Nyepi, hari Saraswati, hari Pagerwesi. Analisis data menggunakan program MATLAB 7.04. Metode Meramalkan beban harian untuk hari libur dengan metode ANN dengan menghitung error hasil peramalan (Ismayani, 2005): dengan, P’(t) = nilai peramalan P(t) = nilai riil 4. HASIL DAN PEMBAHASAN Data-data historis beban harian diambil selama 5(lima) tahun, yaitu hari-hari libur Hindu periode 2002-2006 dari sistem tenaga listrik di Bali sesuai pustaka (Eka Wahyu, 2008). Epochs yang digunakan adalah 75000 dengan goal 0,00001 atau10-5 dan learning rate 0,01. Hasil peramalan untuk hari-hari libur Hindu selengkapnya adalah sebagai berikut. Tabel 1. Perbandingan Hasil Peramalan Beban hari Penampahan Galungan Tahun 2006 Tabel 2. Perbandingan Hasil Peramalan Beban Hari Penampahan Galungan 2006 Tabel 3. Perbandingan Hasil Peramalan Beban Hari Manis Galungan Tahun 2006
Peramalan Beban … I Made Mataram Teknologi Elektro 55 Vol. 7 No. 2 Juli - Desember 2008 Tabel 4. Perbandingan Hasil Peramalan Beban Hari Kuningan 2006 Tabel 5. Perbandingan Hasil Peramalan Beban Hari Nyepi Tahun 2006 Tabel 6. Perbandingan Hasil Peramalan Beban Hari Saraswati 2006 Tabel 7. Perbandingan Hasil Peramalan Beban Hari Pagerwesi 2006
Peramalan Beban … I Made Mataram Teknologi Elektro 56 Vol. 7 No. 2 Juli - Desember 2008 Sedangkan grafik untuk tiap-tiap hari libur Hindu adalah sebagai berikut. Gambar 2. Grafik peramalan Pembebanan hari hari libur 5. SIMPULAN Berdasarkan hasil pembahasan di atas maka dapat disimpulkan peramalan beban untuk hari libur Hindu di Bali menggunakan metode Artificial Neural Network menghasilkan peramalan beban harian selama 24 jam dengan error rata-rata yang sangat kecil. Pada peramalan tahun 2006 didapatkan error rata-rata di bawah 1%. 6. DAFTAR PUSTAKA [1]. Gooi, H.B. 1995. ANN-Based Electric Load Forecasting. Singapore :International Power Engineering Conference. [2]. Kim, Kwang-Ho. 1995. Implementation of Hibrid Short Term Load Forecasting System Using Neural Network and Fuzzy Expert Systems. IEEE Transactions On Power Systems, Vol. 10, No. 3, pp. 1534-1539. [3]. Kim, Kwang-Ho. 2000. Short Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method. IEEE Transactions On Power Systems, Vol. 15, No. 2, pp. 559-565. [4]. Kosko, Bart. 1997. Fuzzy Engineering. New Jersey: Prentice-Hall Inc Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & EXCEL LINK. Yogyakarta: Graha Ilmu. [5]. Kusumadewi, Sri. 2004. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu [6]. Mori, Hiroyuki. 1996. Optimal Fuzzy Inference for Short Term Load Forecasting. IEEE Transactions On Power Systems, Vol. 11, No. 1, pp.390-396. [7]. Purwiyanti, Sri. 2000. Algoritma Genetik Untuk Mengoptimalkan Proses Belajar Jaringan Syaraf Tiruan. Yogyakarta: Universitas Gadjah Mada.

More Related Content

Bahan bagus4

  • 1. Peramalan Beban … I Made Mataram Teknologi Elektro 53 Vol. 7 No. 2 Juli - Desember 2008 PERAMALAN BEBAN HARI LIBUR MENGGUNAKAN ARTIFICIAL NEURAL NETWORK I Made Mataram Staff Pengajar Teknik Elektro, Fakultas Teknik, Universitas Udayana Kampus Bukit Jimbaran, Bali, 80361 mataram@ee.unud.ac.id Abstrak Karakteristik beban harian saat hari libur berbeda dengan hari biasa, serba tidak pasti dan cenderung mengalami penurunan. Ketidakpastian beban ini, jika tidak diperkirakan, akan sangat mempengaruhi operasi unit- unit pembangkit yang ada. Penjadwalan operasi dan alokasi pembangkit cadangan dapat mengganggu keandalan sistem tenaga listrik. Pada peramalan beban harian untuk hari-hari libur umat hindu di Bali yang kondisinya tidak tentu, sulit dilakukan oleh metode peramalan konvensional. Pada penelitian ini diusulkan peramalan dengan metode artificial neural network. Kelebihan metode ini dapat dengan mudah memformulasikan pengalaman dan pengetahuan peramal dan sangat fleksibel dalam perubahan aturan peramalan. Hasil peramalan memperlihatkan error rata-rata sangat kecil, yaitu dibawah 1 % Kata Kunci: Peramalan beban jangka pendek, artificial neural network 1. PENDAHULUAN Variasi beban tergantung pada kebutuhan setiap konsumen. Permintaan konsumen di Bali terhadap energi listrik dari tahun ke tahun cukup besar. Tiga pembangkit yang mensuplai tersebar di tiga kabupaten/kota yaitu PLTG dan PLTGU Pesanggaran (Denpasar), PLTG Gilimanuk (Jembrana), dan PLTG Pemaron (Singaraja). Kapasitas total ketiga pembangkit tersebut adalah 380 MW. Suplai berkapasitas 200 MW berasal dari interkoneksi Jawa- Bali. Berdasarkan data beban harian sampai bulan Desember 2006, kebutuhan beban sekitar 426 MW(beban puncak). Beban harian hari raya Galungan, rata-rata 280 MW dengan beban puncak rata-rata 335 MW. Pada hari-hari biasa penggunaan energi listrik relatif sama (stabil), tetapi hal ini berbeda pada saat hari Nyepi. Permasalahan di atas akan membuat suatu keadaan beban yang tidak tentu dan cenderung mengalami penurunan sehingga operasi unit-unit pembangkit, seperti penjadwalan dan alokasi pembangkit cadangan menjadi kurang ekonomis. Artificial Neural Network (ANN) mampu melakukan komputasi dengan cara belajar dari pola- pola yang diajarkan dan menghasilkan peramalan relatif yang lebih akurat, yang pada akhirnya bermanfaat sebagai acuan dalam operasi sistem pembangkitan di Bali. 2. ARSITEKTUR ANN Arsitektur ANN yang digunakan adalah feedforward dengan algoritma backpropagation. ANN banyak lapisan (multilayer) dengan fungsi aktivasi sigmoid, satu lapisan masukan (input layer) 24 sel (24 jam), satu lapisan dalam (hidden layer) ditentukan secara acak yaitu 140 sel dan satu lapisan keluaran (output layer) 24 sel (24 jam). Untuk membangun suatu jaringan feedforward digunakan intruksi newff. Jumlah sampel yang digunakan pada mode ini adalah satu hari setiap tahunnya. Sistem peramalan beban terdiri dua mode yaitu mode pelatihan Resilent Backpropagation (trainrp) dan mode pengujian. Input Layer 24 sel (Neuron) X1 X2 X3 X4 X24 Y1 Y2 Y3 Y4 Y5 Y140 Z1 Z2 Z3 Z4 Z24 Nilai Input 24 Hidden Layer 140 sel (Neuron) Output Layer 24 sel (Neuron) Nilai Output 24 Gambar 1. Arsitektur Neural Network 3. METODOLOGI Data diambil dari PT. PLN (Persero) Area Pengatur Distribusi Bali bagian dispatcher Denpasar (Maret 2007 - Mei 2007). Hari libur sesuai Surat Keputusan Bersama 3 Menteri disesuaikan dengan kalender Bali periode 2002-2006 terdapat 6 (enam)
  • 2. Peramalan Beban … I Made Mataram Teknologi Elektro 54 Vol. 7 No. 2 Juli - Desember 2008 item hari libur khusus bagi umat Hindu antara lain Hari Penampahan Galungan, hari Galungan, hari Manis Galungan, hari Kuningan, hari Nyepi, hari Saraswati, hari Pagerwesi. Analisis data menggunakan program MATLAB 7.04. Metode Meramalkan beban harian untuk hari libur dengan metode ANN dengan menghitung error hasil peramalan (Ismayani, 2005): dengan, P’(t) = nilai peramalan P(t) = nilai riil 4. HASIL DAN PEMBAHASAN Data-data historis beban harian diambil selama 5(lima) tahun, yaitu hari-hari libur Hindu periode 2002-2006 dari sistem tenaga listrik di Bali sesuai pustaka (Eka Wahyu, 2008). Epochs yang digunakan adalah 75000 dengan goal 0,00001 atau10-5 dan learning rate 0,01. Hasil peramalan untuk hari-hari libur Hindu selengkapnya adalah sebagai berikut. Tabel 1. Perbandingan Hasil Peramalan Beban hari Penampahan Galungan Tahun 2006 Tabel 2. Perbandingan Hasil Peramalan Beban Hari Penampahan Galungan 2006 Tabel 3. Perbandingan Hasil Peramalan Beban Hari Manis Galungan Tahun 2006
  • 3. Peramalan Beban … I Made Mataram Teknologi Elektro 55 Vol. 7 No. 2 Juli - Desember 2008 Tabel 4. Perbandingan Hasil Peramalan Beban Hari Kuningan 2006 Tabel 5. Perbandingan Hasil Peramalan Beban Hari Nyepi Tahun 2006 Tabel 6. Perbandingan Hasil Peramalan Beban Hari Saraswati 2006 Tabel 7. Perbandingan Hasil Peramalan Beban Hari Pagerwesi 2006
  • 4. Peramalan Beban … I Made Mataram Teknologi Elektro 56 Vol. 7 No. 2 Juli - Desember 2008 Sedangkan grafik untuk tiap-tiap hari libur Hindu adalah sebagai berikut. Gambar 2. Grafik peramalan Pembebanan hari hari libur 5. SIMPULAN Berdasarkan hasil pembahasan di atas maka dapat disimpulkan peramalan beban untuk hari libur Hindu di Bali menggunakan metode Artificial Neural Network menghasilkan peramalan beban harian selama 24 jam dengan error rata-rata yang sangat kecil. Pada peramalan tahun 2006 didapatkan error rata-rata di bawah 1%. 6. DAFTAR PUSTAKA [1]. Gooi, H.B. 1995. ANN-Based Electric Load Forecasting. Singapore :International Power Engineering Conference. [2]. Kim, Kwang-Ho. 1995. Implementation of Hibrid Short Term Load Forecasting System Using Neural Network and Fuzzy Expert Systems. IEEE Transactions On Power Systems, Vol. 10, No. 3, pp. 1534-1539. [3]. Kim, Kwang-Ho. 2000. Short Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method. IEEE Transactions On Power Systems, Vol. 15, No. 2, pp. 559-565. [4]. Kosko, Bart. 1997. Fuzzy Engineering. New Jersey: Prentice-Hall Inc Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & EXCEL LINK. Yogyakarta: Graha Ilmu. [5]. Kusumadewi, Sri. 2004. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu [6]. Mori, Hiroyuki. 1996. Optimal Fuzzy Inference for Short Term Load Forecasting. IEEE Transactions On Power Systems, Vol. 11, No. 1, pp.390-396. [7]. Purwiyanti, Sri. 2000. Algoritma Genetik Untuk Mengoptimalkan Proses Belajar Jaringan Syaraf Tiruan. Yogyakarta: Universitas Gadjah Mada.