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.
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-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.
Saran:
Untuk mencoba menggunakan algoritma training lain, seperti Scaled Conjugate Gradient.
ALGORITMA CONJUGATE GRADIENT
Conjugate Gradient merupakan metode optimasi yang dapat meminimasi suatu fungsi, dimana arah pencariannya berdasarkan arah konjugasi yang nilainya ortogonal. Karena sifat pencariannya yang ortogonal, sehingga Conjugate Gradient cepat mencapai konvergensi pada solusi yang dicari. Conjugate Gradient tidak hanya dapat digunakan untuk menyelesakan fungsi yang linier, tetapi juga dapat digunakan untuk masalah non linier, salah satunya digunakan untuk pelatihan jaringan syaraf tiruan.
6. Video [Back]
Matlab:
Dari Jurnal
Uji Coba dengan Teman Lain
Saran:
Teori:
Video Teori JST
Penjelasan Isi Video
Neural Network atau jaringan syaraf tiruan adalah nama yang diberikan pada sebuah sistem karena dia menirukan cara kerja dari jaringan saraf pada manusia. Sel saraf atau neuron yang terdiri dari dendrit, nukleus dan action. fungsi dendrit menerima input rangsangan dari sensor tubuh manusia Hai sedangkan nukleus kemudian mengolahnya dan hasilnya dikeluarkan melalui action berupa energi listrik yang berdaya sangat rendah menuju input dendrit dari sel saraf tiruan yang lain yang ada di depannya untuk kembali diproses informasinya
Ilmuan menirukan sel saraf ini menjadi lebih sederhana seperti pada gambar berikut ya Hai dendrit ditirukan sebagai beberapa saluran masukan input X1 sampai XM gimana m ini jumlah total inputnya Hai setiap input dikalikan dengan sebuah bilangan pembobot atau pengali yang diberi simbol W1 sampai WM selagi m adalah Jumlah sesuai jumlah inputnya Hai sedangkan nukleus ditirukan sebagai sebuah pemroses data input dari X1 sampai XM tadi yang sudah dikalikan dengan bobot nya masing-masing Di dalam nukleus ini ada tiga Proses yang pertama dia akan menjumlahkan seluruh hasil perkalian input dengan bobotnya dari Hai Kemudian yang kedua dia menambahkan sebuah bilangan atau disebut juga dengan bias jika hasil total dari penjumlahan input dan perkalian dengan bobotnya itu sama dengan nol Jadi kalau hasilnya tidak ada atau nol ditambahkan sebuah bilangan biasa ke Hai dan proses yang ketiga yang dilakukan oleh nukleus tiruan ini adalah melakukan proses aktivasi yaitu membuka output ya outputnya ini menirukan action
Pada sel saraf Sesungguhnya jika outputnya memenuhi syarat tertentu misalnya tentunya nanti ditunjukkan pada setting jaringan syaraf tiruan nya Nda sehingga kalau outputnya memenuhi syarat maka dikeluarkanlah ke bilangan itu melalui output dari jaringan serat ular ini menuju ke input jaringan syaraf tiruan yang lain Hai karena jaringan syaraf tiruan yang menirukan satu sel saraf ini disebut sebagai single perseteruannya padahal jaringan syaraf tiruan yang sesungguhnya atau pada prakteknya jarang cerah biruang itu terdiri dari banyak Persib crown atau disebut dengan multiple Chevron Hai dan juga dia terdiri dari beberapa lapis atau disebut dengan layer Hai layer baris per sekon ya Hai meler atau lapisan yang berada di antara input dan output pada sebuah jaringan syaraf tiruan disebut sebagai hidden layer atau leher tersembunyi di layar input bisa diisi data apa saja seperti data hujan ya data waktu tidur ukuran benda dan sebagainya bebasnya sedangkan outputnya nanti setelah diproses oleh nukleus diruang tadi bisa berupa angka prediksi Hujan kapan hujan berapa curah hujannya dan sebagainya atau apapun yang berkaitan dengan input yang dimasukkan jadi ndak bisa kalau anda masukan input hujan Anda kepingin tahu outputnya kapan saya bisa tidur anda bisa begitu ya harus sesuai Hai Na
umumnya input layer atau X itu diberi tanda indeks mix4fun aja jadi input X itu diindeks dikasih indeks mx1 sampai XM sedangkan layer hidden layer ya atau by simbolkan sebagai ha diberi indeks n ini jumlah input itu totalnya m jumlah lahirnya Hai sedangkan output disimbolkan sebagai sebuah huruf y yang dikasih caping atau topi hai oke ya Jadi sebetulnya dipeler Ning yang anda belajar itu adalah sebuah multilayer perceptron Hai yang mana jumlah hidden layer nya sangat banyak lapisannya sangat banyak Hai dengan semakin banyaknya hidden layer akan membuat output jaringan syaraf tiruan semakin akurat Hai akan tetapi hal ini harus di kompensasi dengan jumlah data input yang sangat banyak agar jaringan syaraf tiruan bisa belajar untuk mengeluarkan output dengan benar ya ya karena jaringan syaraf tiruan itu dibuat untuk bisa belajar sendiri dari data yang dikasihkan ke inputnya proses belajar dari data input ini disebut sebagai proses training nanti akan anda sering temui istilah ini Hai sedangkan data yang dijadikan sumber belajar dari multilayer perceptron atau di perning adalah disebut dengan data print Hai jadi ada tren yang dipakai training dan data untuk menguji yang disebut dengan data tes.
-> hidden layer: lapisan antara input layer dan output layer, dimana artificial neuron yang memiliki sekumpulan input pembobot 'weight' dan prosedur untuk menghasilkan output neuron melalui activation function.
-> Algoritma Conjugate Gradient adalah salah satu algoritma yang digunakan untuk pengambilan keputusan.
sumber:https://piptools.net/algoritma-conjugate-gradient/
7. Link Download [Back]
Variabel:
Download input.mat
Download target2012.mat
Download target2015.mat
Download target2020.mat
Download Video matlab ANN.mp4
Download Video matlab saran.mp4
