BLOG KULIAH TEKNIK ELEKTRO UNAND: ML

LONG –TERM LOAD FORECASTING OF POWER SYSTEMS USING ARTIFICIAL NEURAL NETWORK

Referensi: Ammar, N., Sulaiman, M., & Nor, A. F. M. (2018). Long-term load forecasting of power systems using artificial neural network and ANFIS. ARPN Journal of Engineering and Applied Sciences, 13(3), 828-834.

Jurnal: *LONG-TERM-LOAD-FORECASTING-OF-POWER-SYSTEMS-USING-ARTIFICIAL-NEURAL-NETWORK-AND-ANFIS.pdf (researchgate.net)

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Pendahuluan

2. Faktor Dampak untuk perkiraan beban

3. Metode Peramalan Beban

4. Hasil dan Pembahasan

5. Kesimpulan

6. Video Rangkaian

7. Link Download

1. Pendahuluan [Back]

Kebuntuan utama dengan listrik sebagai sarana transmisi energi listrik adalah tidak dapat ditebar seperti hidrogen, gas, dan minyak. Karena itu, perusahaan tenaga listrik memiliki dua masalah salah satunya teknis dan ekonomi lainnya dalam operasi, perencanaan, dan pengendalian sistem tenaga listrik. Perusahaan tenaga listrik menggunakan perkiraan jumlah listrik energi untuk memenuhi beban masa depan. Beberapa teknik telah digunakan untuk prakiraan di masa lalu; Ini didasarkan pada metode statistik yang berbeda, misalnya, regresi, deret waktu, penghalusan eksponensial dan sebagainya.

Dalam beberapa tahun terakhir, penelitian telah menyatu ke arah teknik yang memanfaatkan Kecerdasan Buatan, misalnya, sistem pakar, logika fuzzy dan ANN antara teknik kecerdasan buatan; ANN telah diterima banyak oleh para peneliti di wilayah ini karena fleksibilitas dan kemampuan beradaptasinya dalam model data. Dalam karya ini, model ANN dan ANFIS digunakan untuk menganalisis pengumpulan data yang diperoleh dari departemen metrologi untuk Long Term Load Forecasts (LTLF).

2. Faktor dampak untuk perkiraan beban [Back]

Ada tiga jenis utama peramalan beban, yaitu:

a) Long -Term Load Forecast (LTLF): Ini lebih dari setahun.

b) Medium -Term Load Forecast (MTLF): Ini biasanya dari satu minggu hingga 1 tahun.

c) Short -Term Load Forecast (STLF): Ini adalah satu jam hingga satu minggu.

Penelitian ini akan fokus pada LTLF. Ini digunakan untuk memasok sistem tenaga listrik dengan prediksi kebutuhan beban masa depan untuk peralatan, ekspansi, pembelian seperti, untuk area yang ditentukan, dimungkinkan untuk memprediksi beban berikutnya (24 jam) dengan akurasi sekitar 1-3% Selain itu, tidak mungkin untuk memprediksi beban puncak satu tahun ke depan dengan akurasi yang sama karena prakiraan cuaca jangka panjang yang akurat tidak tersedia. Dimungkinkan juga untuk menyediakan sistem distribusi probabilitas beban berdasarkan pengamatan cuaca historis. Pekerjaan ini hanya akan fokus pada lLTLF karena merupakan salah satu peramalan beban sistem tenaga listrik yang terkenal dalam pandangan literatur. Ini tidak memiliki korelasi linier antara variabel cuaca input juga antara variabel yang digunakan untuk perkiraan beban jangka panjang yang lain saling mempengaruhi.

Perkiraan beban jangka panjang yang tinggi dibuat secara akurat. Semakin banyak Investasi dan perencanaan diperoleh dengan lebih akurat. Data terdiri dari tujuh tahun, tahun berjalan dan tahun depan.

Beberapa variabel harus dipertimbangkan untuk peramalan beban yang akurat seperti faktor waktu, kelas konsumen, data cuaca sebelumnya dan pemasangan kenaikan beban dan sebagainya. Faktor waktu yang sangat penting untuk Prakiraan Beban termasuk tanggal jam dalam sehari (24 jam), hari dalam seminggu, dan bulan dalam setahun. Untuk peramalan beban jangka panjang, banyak faktor harus dipertimbangkan, seperti data historis untuk beban, data cuaca seperti cuaca, iklim, dan aktivitas manusia dari beban listrik, jumlah pelanggan dalam jenis yang berbeda, perangkat di wilayah tersebut dan karakteristiknya termasuk usia dan data ekonomi dan cuaca serta prakiraan mereka

3. Metode Peramalan Beban [Back]

a. Artificial Neural Network (ANN)

Gambar-1 menunjukkan struktur arsitektur ANN yang terdiri dari tiga lapisan (lapisan input, hidden dan output).

ANN selalu mengacu pada kategori modul yang terinspirasi oleh sistem saraf biologis. ANN disebut juga dengan Jaringan Syaraf Tiruan (JST). ANN memiliki sekelompok node bernama sinapsis yang terhubung dengan input, output, atau neuron lain. Input ini terdiri dari variabel cuaca (suhu, kelembaban, kecepatan angin, curah hujan, beban aktual dan beban sebelumnya) pada Peramalan Beban dan perkiraan beban output. Jenis struktur ini disebut jaringan Multilayered Perceptron (MLP) yang merupakan salah satu jaringan feed-forward yang populer.

Ada tiga jenis utama fungsi transfer, dan mereka adalah:

a) Fungsi Transfer Linier.

b) Fungsi Transfer Log-Sigmoid.

c) Tan - Fungsi Transfer Sigmoid.

Dalam jurnal ini, digunakan fungsi transfer tan-sigmoid Karena jenis ini memiliki nilai fleksibilitas antara -1 dan 1 melalui pemisah Perbedaan antara nilai maksimum dan minimum dan juga memiliki non-linier di akhir setiap algoritma; output dideformalisasi ke dalam format data asli untuk mencapai hasil yang didambakan.

Gambar-2 menunjukkan fungsi transfer tan-sigmoid.

b. Pengumpulan data dan implementasi ANN) untuk Peramalan Beban Jangka Panjang (1 tahun)

Data historis dapat dibagi menjadi dua kategori yaitu beban aktual dan parameter cuaca bulanan seperti suhu, kelembaban, kecepatan angin, curah hujan. Beban sebenarnya diambil dari database IEEE dari University Technology Malaysia dan mencakup periode 60 bulan dari Januari 2007 hingga Desember 2011 untuk. Selain itu, parameter cuaca bulanan diambil dari Departemen Meteorologi di Malaysia selama lima tahun.

Gambar-4 menunjukkan representasi diagram blok ANN yang digunakan dalam penelitian ini.

c. Implementasi ANN menggunakan MATLAB

4. Hasil dan Pembahasan [Back]

Gambar-11 menunjukkan hasil ANN. Hanya tujuh iterasi yang dibutuhkan oleh ANN ini untuk menyelesaikan tugas tersebut. ANN ini hanya menghabiskan sedikit waktu yaitu 0,01 detik. Kinerja ANN sangat baik dengan nilai mean squared error sebesar 1,13e-22.

Gambar-12 menunjukkan plot kinerja ANN. Jumlah total zaman yang dihasilkan adalah 27. Juga dapat dilihat bahwa kinerja validasi terbaik adalah 134.2312 pada epoch 21.

Gambar-13 terdiri dari tiga grafik berbeda yaitu tes, pelatihan, dan regresi validasi. Plot pertama menunjukkan sangat dekat antara output dan target. Nilai plot regresi satu (R= 1). Perlu juga dicatat bahwa plot regresi untuk pengujian adalah R=0,9264, untuk pelatihan adalah R=0,9992, untuk validasi adalah R= 0,9315 dan R= 0,9881 untuk semua. Ini menunjukkan bahwa jaringan saraf memprediksi output dengan memuaskan.

Tabel-1 menunjukkan hubungan antara suhu, kelembaban relatif dengan beban di masa depan. Dapat dilihat bahwa peningkatan nilai suhu akan menyebabkan peningkatan nilai beban. Terlihat bahwa peningkatan kelembaban relatif akan mengakibatkan penurunan nilai beban. Selain itu, dapat juga dilihat bahwa kombinasi suhu minimum dengan kelembaban maksimum akan memperoleh nilai beban minimum. Namun, hasil yang ditunjukkan pada Tabel-1 dianalisis untuk memeriksa keakuratan model antara kesalahan rata-rata ANN-BP dan ANFIS masing-masing adalah 6,7% dan 0,096%.

5. Kesimpulan dan Saran [Back]

Karya ini mempresentasikan hasil peramalan beban menggunakan pendekatan ANN dan ANFIS. Pekerjaan ini telah berhasil mensimulasikan peramalan beban dengan menggunakan ANN dan ANFIS. Dari perbandingan antara dua model yang digunakan dalam karya ini, baik ANN dan ANFIS mampu menangkap perilaku dinamis variabel cuaca untuk peramalan beban. Namun, ANFIS menghasilkan hasil yang jauh lebih akurat untuk jangka panjang dibandingkan dengan ANN. Selain itu, ANFIS mampu menghasilkan sejumlah aturan dan fungsi keanggotaannya. Akhirnya, ANFIS bisa menjadi alat yang jauh lebih berharga untuk peramalan beban jangka panjang.