abstrakKonsumsi energi listrik nasional mengalami pertumbuhan rata-rata sekitar 4,8
per tahun selama 5 tahun terakhir, salah satunya adalah sektor rumah tangga. Salah
satu solusi untuk mengurangi konsumsi energi listrik pada sektor ini adalah dengan
memonitor konsumsi beban listrik peralatan rumah tangga dan memberikan
informasi ini kembali kepada pelanggan. Salah satu teknik memonitor konsumsi
beban peralatan listrik paling efisien dan murah adalah teknik Non-Intrusive Load
Monitoring (NILM). Berbeda dengan teknik konvensional, NILM menjanjikan
pengurangan penggunaan sensor secara signifikan. NILM umumnya menggunakan
kondisi daya listrik saat transien atau tunak. Pada penelitian ini, metode Back-
Propagation Artificial Neural Network (BP-ANN) akan dikembangkan untuk dapat
mengidentifikasi penggunaan peralatan rumah tangga pada sinyal daya listrik dalam
kondisi tunak dengan fitur ekstraksi perubahan daya. Fitur ekstraksi tersebut
memiliki keunggulan yaitu pada akusisi data menggunakan tingkat sampling yang
rendah. Dalam penelitian ini telah dikembangkan arsitektur jaringan syaraf tiruan
dengan tipe dual input. Tipe dual input pada jaringan syaraf tiruan tersebut terdiri
dari daya aggregate dan daya maksimum peralatan rumah tangga. Penggunaan
arsitektur jaringan syaraf tiruan dengan tipe dual input ini unggul dalam
mengidentifikasi penggunaan peralatan rumah tangga yang memiliki karakteristik
nilai daya hampir mirip atau sama dan karakteristik daya dengan kondisi multi daya.
Untuk memverifikasi efektivitas metode yang dikembangkan, maka data beban
peralatan rumah tangga yang digunakan adalah tracebase dataset dan penyusunan
datanya menggunakan model synthetic aggregate. Dari hasil pengujian tipe dual
input pada arsitektur jaringan syaraf tiruan ini dapat mengidentifikasi penggunaan
peralatan rumah tangga yang memiliki nilai daya hampir mirip atau sama dan
karakteristik daya dengan kondisi multi daya, sehingga dapat meningkatkan nilai
Recognition Rate (RR) sampai 94.2.
abstractNational electric energy consumption experienced average growth about 4.8
per annum over the past 5 years, one of them is household sector. One of the
solutions to reduce electrical energy consumption in this sector is to monitor electric
power consumption of household appliances and to give this information back to
consumers. One of the most efficient and the cheapest techniques to monitor the
electric power consumption appliances is Non-Intrusive Load Monitoring (NILM).
This is different with conventional techniques where NILM promises the reduction
of sensor deployment significantly. NILM commonly uses either transient or steady
state signal. In this research, the method of Back-Propagation Artificial Neural
Network (BP-ANN) will be developed to identify the utilization of household
appliances using power change features extraction in the steady state signals. The
feature extraction has an advantage on data acquisition by applying a low sampling
rate. This research has developed neural network architecture with dual input type.
Dual input types of the neural network consist of aggregate power and maximum
power of the household appliances. Applying of neural network architecture with
dual input types outperforms in identifying of the household appliances load where
the power is almost similar and it has a multi states power characteristics. To verify
the effectiveness of the method, the data of the load is provided by tracebase dataset
and the forming of the data uses a synthetic aggregate model. From the experiment
result of the dual input type in the neural network architecture, it can identify the
load which has power almost similar and it has a multi states power characteristics.
Finally, it can increase the value of Recognition Rate (RR) to 94.2
T55181-Sigit Tri Atmaja.pdf :: Unduh