Saiydul Azmy : Aplikasi Prakiraan Beban Listrik Jangka Pendek

Referensi:

Ali, A. T., Tayeb, E. B., & Shamseldin, Z. M. (2016). Short term electrical load forecasting using fuzzy logic. International Journal of Advancement in Engineering Technology, Management and Applied Science, 3(11), 131-138.

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Judul

2. Abstrak

3. Pendahuluan

4. Metodologi Penelitian

5. Hasil dan Pembahasan

Aplikasi Prakiraan Beban Listrik Jangka Pendek Dengan Fuzzy Logic

Abstrak [kembali]

Prakiraan beban adalah komponen penting untuk sistem manajemen energi sistem tenaga listrik. Prakiraan beban yang tepat membantu utilitas listrik untuk membuat keputusan komitmen unit, mengurangi kapasitas cadangan berputar dan menjadwalkan rencana pemeliharaan perangkat dengan benar. Hal ini juga mengurangi biaya pembangkitan dan meningkatkan keandalan sistem tenaga listrik. Dalam karya ini, pendekatan logika fuzzy untuk peramalan beban jangka pendek dicoba. Waktu, temperatur dan beban hari sebelumnya yang serupa digunakan sebagai variabel independen untuk peramalan beban jangka pendek. Berdasarkan waktu, waktu, temperatur dan beban hari sebelumnya yang sama, basis aturan fuzzy disusun menggunakan implikasi Mamdani, yang pada akhirnya digunakan untuk peramalan beban jangka pendek. Perangkat lunak MATLAB SIMULINK digunakan di sini dalam pekerjaan ini untuk perancangan dan simulasi sistem. simulasi. Untuk peramalan beban jangka pendek, data beban dari pusat kontrol beban area tertentu dipertimbangkan. pusat kontrol beban area tertentu dipertimbangkan. Untuk peramalan beban jangka pendek, data beban dari pusat kontrol beban area tertentu dipertimbangkan. Peramalan beban kerja dilakukan dengan error yang bervariasi antara +12.14% sampai -9.48%.

Pendahuluan [kembali]

Tugas utama utilitas apa pun adalah menyediakan daya yang andal bagi pelanggan. Permintaan beban pelanggan dalam sistem distribusi listrik dapat berubah karena aktivitas manusia mengikuti siklus harian, mingguan, dan bulanan. Estimasi beban aktif masa depan di berbagai bus beban sebelum terjadinya beban aktual dikenal sebagai peramalan beban. Jika dilakukan secara tidak tepat, maka efek langsungnya adalah pada perencanaan beban masa depan. Juga hasilnya adalah perbedaan beban yang akan berkembang dari perencanaan yang dilakukan untuk hal yang sama, dan akhirnya seluruh proses perencanaan beresiko. Karena pasokan utilitas dan permintaan konsumen berfluktuasi dan perubahan kondisi cuaca, harga energi meningkat. Karena pasokan utilitas dan permintaan konsumen berfluktuasi dan perubahan kondisi cuaca, harga energi meningkat dengan faktor sepuluh atau lebih selama beban puncak, peramalan beban sangat penting bagi utilitas. Banyak metode prediksi konvensional untuk peramalan beban telah diadopsi. Namun, sejak awal tahun sembilan puluhan banyak penelitian telah dilakukan dengan menggunakan sistem kecerdasan buatan. Baru-baru ini, sistem kecerdasan buatan telah berhasil diterapkan pada peramalan beban jangka pendek.

Dalam penelitian ini program MATLAB digunakan untuk peramalan beban menggunakan logika fuzzy. Sebuah formulasi Fuzzy Logic System (FLS) digunakan untuk membangun model nonparametrik dari proses nonlinier, hanya diberikan data input-output. Merancang FLS dipandang sebagai fungsi pendekatan, atau menyesuaikan permukaan yang kompleks dalam ruang (mungkin) dimensi tinggi. Diberikan satu set pasangan input-output, tugas pembelajaran pada dasarnya setara dengan menentukan sistem yang memberikan kecocokan optimal untuk pasangan input-output sehubungan dengan fungsi biaya. Selain itu, sistem yang dihasilkan oleh algoritma pembelajaran harus dapat digeneralisasi ke wilayah tertentu dari ruang multidimensi di mana tidak ada data pelatihan yang diberikan, yaitu, sistem tersebut harus dapat menginterpolasi data input-output yang diberikan. Dalam kerangka kerja aproksimasi, dan teori interpolasi, adalah umum di antara banyak metode aproksimasi/interpolasi untuk menghasilkan permukaan yang diinginkan dengan menggunakan kombinasi linear dari fungsi-fungsi dasar (biasanya, transformasi nonlinear dari input)

Metodologi Penelitian [kembali]

Program peramalan beban listrik jangka pendek dengan menggunakan logika fuzzy dibuat dengan bantuan toolbox fuzzy yang ada pada Matlab. Langkah-langkah pembuatan sistem fuzzy dengan toolbox fuzzy terlihat di bawah ini:

1. Membuat FIS Editor input Waktu, Suhu, dan Beban Historis serta output Beban Ramal

Sebagai input dari peramalan beban listrik jangka pendek dengan logika fuzzy ini terdiri atas 3 variabel, yaitu Waktu, Suhu, dan Beban Historis, sedangkan sebagai outputnya yaitu Beban Ramal. Proses ini dirancang menggunakan FIS Editor yang ada pada toolbox fuzzy pada Matlab.

Variabel Waktu yaitu variabel input dengan range [1 - 24]. Beban Historis yaitu variabel input dengan range [700 - 1500]. Variabel Suhu yaitu variabel input dengan range [28 - 44]. Variabel Beban Ramal yaitu variabel output dengan range [700 - 1500]. Tipe FIS yang dirancang yaitu Mamdani dan proses defuzzifikasinya dengan metode Centroid.

2. Menentukan fungsi keanggotaan variabel

input waktu terbagi atas 5 triangular membership functions, yaitu dawn, morning, noon, evening, dan night.

input suhu terbagi atas 5 triangular membership functions, yaitu very cool (VC), cool (C), medium (M), hot (H), very hot (VH).

input beban historis terbagi atas 5 triangular membership functions, yaitu very low (VL), low (L), medium (M), high (H), very high (VH).

output beban ramal historis terbagi atas 5 triangular membership functions, yaitu very low (VL), low (L), medium (M), high (H), very high (VH)..

3. Menyusun aturan fuzzy

Aturan fuzzy yang digunakan yaitu aturanaturan yang telah ditentukan sebelumnya yang dibuat berdasarkan karakteristik beban yang akan diramal. Aturan-aturan fuzzy ini dibuat dengan menggunakan Rule Editor.

4. Defuzifikasi

Proses defuzzyfikasi terjadi ketika semua aturan telah selesai dituliskan. Setelah aturanaturan selesai dibuat, aturan-aturan tersebut dapat kita lihat pada Rule Viewer. Pada Rule Viewer ini kita bisa menguji hasil dari aturan-aturan yang telah kita buat untuk meramal beban listrik jangka pendek dengan cara memasukkan nilai-nilai variabel input pada kolom input.

5. Menghitung beban ramal

Setelah semua langkah di atas selesai, maka peramalan beban dengan menggunakan logika fuzzy dapat dilakukan dengan memvariasikan nilai-nilai input.

Fuzzy Rule Base Load forecast

If (time is dawn) and (forecasted-Temperature is VC) and (similar-day-load is VL) then (forecasted-load is VL) (1)
If (time is dawn) and (forecasted-Temperature is VC) and (similar-day-load is L) then (forecasted-load is L) (1)

If (time is night) and (forecasted-Temperature is VH) and (similar-day-load is M) then (forecasted-load is M) (1)
If (time is night) and (forecasted-Temperature is VH) and (similar-day-load is H) then (forecasted-load is H) (1)

Simulasi Sistem

Hasil dan Pembahasan [kembali]

Data waktu, temperatur dan beban hari yang sama sebelumnya yang diperoleh dari pusat kendali nasional digunakan sebagai data masukan. Kemudian beban yang diramalkan dan juga persentase kesalahan dalam diperoleh. Prakiraan beban dilakukan untuk hari ke-3 dan ke-4 Desember 2015. Persentase kesalahan dalam peramalan dapat dihitung sebagai:

Beban aktual, beban prakiraan excel dan beban prakiraan fuzzy hadir seperti yang ditunjukkan pada Gambar di bawah ini :

kurva beban tanggal 3 Desember 2015

kurva beban tanggal 4 Desember 2015

Hasil yang diperoleh dari logika fuzzy dibandingkan dengan metode konvensional peramalan beban jangka pendek dan ditemukan bahwa terdapat kesalahan antara +12,14% dan 9,48%. Kurva beban diplot yang merupakan perbandingan antara beban aktual dan beban hasil peramalan fuzzy. Dari kurva tersebut terlihat bahwa kurva beban hasil ramalan fuzzy sangat dekat dengan kurva beban aktual dan kurva beban excel.

Kesimpulan [kembali]

Karena pasar listrik telah dideregulasi selama dekade terakhir, perkiraan beban yang akurat telah menjadi bagian penting dari perencanaan pembangkitan dan pengadaan jangka panjang, menengah, dan pendek utilitas. Perkiraan beban yang tidak akurat dapat memiliki konsekuensi yang berat bagi pelanggan dalam bentuk tarif yang lebih tinggi. Dalam studi ini metodologi fuzzy untuk prakiraan beban jangka pendek disajikan. Disimpulkan bahwa dengan menggunakan waktu, temperatur, dan beban hari sebelumnya yang sama sebagai input dan dengan memformulasikan basis aturan logika fuzzy menggunakan data yang tersedia, peramalan beban dilakukan dengan margin kesalahan + 12,14% dan -9,48%. Selain itu, juga disimpulkan bahwa pendekatan logika fuzzy sangat mudah dipahami oleh peramal karena bekerja pada pernyataan "IF-THEN" yang sederhana. Hal ini juga membantu dalam keputusan komitmen unit, mengurangi kapasitas cadangan berputar dan jadwal pemeliharaan perangkat.

Daftar Pustaka [kembali]

J. Dudhia and J.F. Bresch. A Global Version of the PSU-NCAR Mesoscale Model. Monthly Weather Review, 2002.
S. Ruzic, A. Vuckovic, and N. Nikolic. Weather Sensitive Method for Short-Term Load Forecasting in Electric Power Utility of Serbia. IEEE Transactions on Power Systems, 2003.
H.L. Willis. “Spatial Electric Load Forecasting. Marcel Dekker” New York, 1996.
R.F. Engle, C. Mustafa, and J. Rice. Modeling Peak Electricity Demand. Journal of Forecasting, 1992.
J.Y. Fan and J.D. McDonald. A Real-Time Implementation of Short-Term Load Forecasting for Distribution Power Systems. IEEE Transactions on Power Systems, 1994.
O. Hyde and P.F. Hodnett. An Adaptable Automated Procedure for Short-Term Electricity Load Forecasting. IEEE Transactions on Power Systems, 1997.
H. Mori and N. Kosemura. Optimal Regression Tree Based Rule Discovery for Short-Term Load Forecasting. Proceedings of IEEE Power Engineering Society Transmission and Distribution Conference, 2001.
H.S. Hippert, C.E. Pedreira, and R.C. Souza. Neural Networks for Short-Term Load Forecasting: A Review and Evaluation. IEEE Transactions on Power Systems, 2001.
Engr. Badar Ul Islam, “Comparison of Conventional and Modern Load Forecasting Techniques Based on Artificial Intelligence and Expert Systems”, IJCSI International Journal of Computer Science Issues, Vol. 8, Issue 5, No 3, September 2011.
P. Bunnoon, K. Chalermyanont, and C. Limsakul, The Comparision of Mid Term Load Forecasting between Multi-Regional and Whole Country Area Using Artificial Neural Network, International Journal of Computer and Electrical Engineering, Vol. 2, No. 2, April, 2010
Eisa Bashier M. Tayeb, A. Taifour Ali, Ahmed A. Emam “Electrical Energy Management and Load Forecasting in a Smart Grid” International Journal of Engineering Inventions, Volume 2, Issue 6 (April 2013) PP: 98-101
Amera Ismail Melhum, Lamya abd allateef Omar, Sozan Abdulla Mahmood “Short Term Load Forecasting using Artificial Neural Network” International Journal of Soft Computing and Engineering (IJSCE), Volume-3, Issue-1, March 2013. Pp 56-58.
Ankita Shrivastava and Arti Bhandakkar “Short- Term Load Forecasting Using Artificial Neural Network Techniques” Int. Journal of Engineering Research and Applications, Vol. 3, Issue 5, Sep-Oct 2013, pp.1524-1527.
George J. Klir and Bo Yuan, "Fuzzy Sets and Fuzzy Logic: Theory and Applications," 7th ed., New Delhi: Prentice Hall of India, 2002.

Saran

Dari hasil yang di dapatkan, peramalan beban memiliki error dengan rentang antara +12,14% dan -9,48%. Error tersebut didapatkan akibat percobaan hanya memakai 5 variabel untuk setiap input maupun inputnya. Lebih lagi, bentuk membership function input dan output masih simetris. Maka dari itu, diperlukan penambahan membership function dan bentuk dari membership function tersebut tidak simetris/berbentuk acak.

Realisasi Saran

Dalam melakukan saran tersebut, untuk setiap input dan output ditambah, sehingga membership function menjadi 7 buah dan bentuk membership dibuat tidak simetris, maka didapatkan rentang error antara +8.97% dan - 7.83%.

Membership function baru :

Hasil peramalan :

Dapat dilihat hasil forecasting beban diatas, pada saat jam 21.00 beban yang diramal adalah 1390 dengan beban actual sebesar 1527 dengan error +8.97%, sedangkan dengan menggunakan fuzzy yang lama, beban yang diramal sebesar 1342 dengan error +12,14%.

Saiydul Azmy

Aplikasi Prakiraan Beban Listrik Jangka Pendek

Tidak ada komentar:

Posting Komentar

Laporkan Penyalahgunaan