Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pola beban sistem tenaga listrik yaitu pola permintaan beban puncak dan kurva lama beban (KLB) sangat berpengaruh dalam perencanaan pengembangan sistem pembangkitan jangka panjang. Pola beban tersebut mempengaruhi: nilai total biaya kumulanf pengembangan sxstem koniigurasn optnmum vanabel kandidat pembangkit, total tambahan kapasitas pembangkit terpasang, Jumlah energi yang diproduksi dan keandalan sistem (indeks LOLP (Loss Of Load Probability) & ENS (Energy Not Served)). Beberapa model telah digunakan untuk peramalan permintaan beban puncak dan untuk merepresentasikan KLB. KLB merupakan parameter yang sangat penting untuk analisis sistem ketenagalistrikan seperti estimasi biaya operasi sistem pembangkitan prediksi jumlah energi yang diproduksi dan untuk perhitungan tingkat keandalan. Dalam disertasi ini telah dikembangkan model peramalan beban puncak jangka panjang dan model KLB dengan menggunakan metode Jaringan Syaraf Tiruan (JST). Model yang dikembangkan mampu melakukan komputasi secara paralel melalul pembelajaran dari pola pola yang diajarkan sehingga mampu menemukan hubungan non-linear antara beban dan faktor-faktor ekonomi populasi, konsumsi energi listrik dan faktor faktor Iainnya serta dapat melakukan penyesuaian terhadap perubahan-perubahan yang terjadi. Model tersebut diaplikasikan pada sistem ketenagalistrikan Jawa-Madura-Bali (Jamali) dan hasil output peramalan beban puncak dan KLB nya digunakan sebagai masukan dalam optimasi perencanaan pengembangan sistem pembangkltan dengan program WASP (Wien Automatic System Planning). Selanjutnya dilakukan analisis keandalan sistem berdasarkan hasil optimasi. Untuk mengetahui keakuratan model yang dikembangkan maka output hasil dan model yang dikembangkan dibandingkan dengan model lain. Hasil ramalan beban puncak pada tahun 2025 dengan metode JST tidak berbeda jauh dengan model ekonometrik Simple E yang digunakan untuk Rencana Umum Ketenagalistrikan Nasional (Simple E-RUKN) yaitu masing-masing sebesar 57.030 MW dan 59.107 MW (perbedaannya sekitar 3,58%). Berdasarkan metode JST, laju pertumbuhan beban tahunan rata-rata sekitar 7,1 % selama periode tahun studi 2006-2025, sementara itu menurut Simple E-RUKN laju pertumbuhan diperkirakan sekitar 7,3%per tahun. Representasi pola model KLB-RJST yang dikembangkan lebih mendekati pola KLB-Aktual, dibandingkan dengan pola model KLB-Synder. Berdasarkan hasil analisis keandalan dalam optimasi perencanaan pengembangan sistem pembangkitan diperoleh kesimpulan bahwa perbedaan hasil perhitungan keandalan antara model KLB-JST dibandingkan pola KLB-Aktul mempunyai perbedaan yang relatif kecil (sekitar 0,94% untuk perbedaan LOLP dan 4,44% untuk perbedaan ENS). Untuk model proyeksi KLB berdasarkan metode JST, hasilnya cukup bagus.

---

Load pattern on the electricity system (i. e. demand pattern of peak load and load duration curve (LDC)) has an effect on the long term generating system expansion planning The load pattern affects of' cumulative total cost value of system development, optimum configuration of generating candidate variable, total addition of generating installed capacity amount of energy produced and system realibility (index of LOLP (Loss Of Load Probability) & ENS (Energy Not Served)) Several models have been used to forecast peak load demand and to express LDC An LDC is one of the most important parameters to analyze the electric power systems. It is used in estimating the operating cost of a power system predicting the amount of energy delivered by each unit, and calculating reliability measures. In this dissertation an intelligence model to forecast long-load and to express LDC using Artificial Neural Networks (ANN) method has been developed The model has ability to conduct parallel computing through training from taught patterns so that it is able to find non-linear relations between load economic thetors population electric energy consumption and other factors. The model can also conduct adjustment in response to any changes that happenes. The model is applied on the Jawa Madura Bali (Jamali) electricity system and the output result of the forecasted peak load and its LDC are used as input on the optimazation of expansion planning for electrical generating system using WASP (Wien Automatic System Planning) program. Hercinafter the system reliability is analyzed based on the optimization result. The developed model output is compared to other model output to verify the accuracy. The result of the forecasted peak load in 2025 by ANN method does not differ far from that of Simple E model used National Electricity General Planning (Simple E-NEGP) of which 57.030 MW and 59.107 MW respectively(its difference about 3,58%) Based in the ANN model, mean annual load growth rate is about 7,1% during study period of 2006-2025, meanwhile according to Simple E-NEGP, the growth rate is estimated about 7,3 % per year. The develop LDC model based on ANN approximates the actual-LDC, if compared to LDC model based on the Synder. Based on the reliability analysis on the optimization of generating system expansion planning, the reliability calculation result by LDC-ANN model is almost similar to LDC-Actual model (differs about 0,94% or LOLP and about 4,44% for ENS). Meanwhile for LDC projection based on ANN, the result is fine."

"Perkembangan teknologi yang sangat pesat di bidang kelistrikan saat ini adalah pemanfaatan distributed generation khususnya PLTS Atap atau dikenal dengan PV Rooftop. Pelanggan memanfaatkan energi listrik dari PV Rooftop untuk kebutuhan listriknya dan juga dapat mentransfer energinya (eksport) ke system kelistrikan PLN jika energi dari PV Rooftop berlebih. Sedangkan PLN tetap mengirimkan energi ke pelanggan jika energi dari PV tidak memenuhi konsumsi listriknya (import). Dengan ketersediaan data smart-meter orde jam beban pelanggan PV Rooftop, maka optimalisasi data untuk keperluan data scientist, data analyst, dan data engineer sehingga informasi data ini dapat dignakan untuk manajemen energi yang efisien dan andal. Peralaman beban untuk pelanggan PV menjadi masalah yang sulit dipecahkan dikarenakan beragamnya tipe penggunaan listrik (konsumsi listrik) dan ketidakpastian faktor eksternal (cuaca) karena penggunaan sumber energi terbarukan (energi matahari) sehingga menimbulkan celah dalam akurasinya. Untuk memecahkan masalah tersebut, penelitian ini menggunakan pendekatan machine-learning yaitu Jaringan Syaraf Tiruan (Artificial Neural Network-ANN) pada MATLAB® dengan algoritma pembelajaran backpropagation dan fungsi aktivasi sigmoid untuk menghasilkan model peramalan beban  orde jam meliputi hari kerja dan hari libur pada pelanggan PV per segment tarif (Pelanggan Rumah Tangga, Pelanggan Bisnis, Pelanggan Industri, Pelanggan Sosial dan Pelanggan Pemerintah). dengan mempertimbangkan variasi konsumsi listrik dan temperatur. Lingkup pengambilan data penelitian dibatasi beban listrik pada pelanggan di Jakarta dan sampling dilakukan selama bulan Juli s/d Oktober 2019. Hasil penelitian ini memperlihatkan bahwa prediksi ANN menghasilkan kinerja dengan Mean Square Error (MSE) sebesar 2%. Prediksi beban listrik tanggal 21 s/d 27 Oktober 2019 memperlihatkan rata-rata error ANN adalah 21%, sedangkan rata-rata error metode regresi adalah 39%. Dengan demikian dapat disimpulkan bahwa prediksi beban listrik menggunakan ANN lebih akurat sebesar 20% dibandingkan dengan metode regresi oleh PLN. Berdasarkan analisis keekonomian, pelanggan mendapatkan efisiensi biaya listrik sebesar 21%, sedangkan PLN berkurang pendapatan sebesar ± Rp. 300 juta/bulan. Strategi manajemen yang diusulkan dengan mempertimbangkan benefit kedua pihak (PLN dan Konsumen) adalah dengan keterlibatan PLN sebagai integrator (sisi hulu dan sales), ketelibatan Pemerintah dan keterlibatan dukungan Bank sebagai

---

The very rapid technological development in the electricity sector at present is the use of special distributed PLTS known as PV Rooftop. Customers use energy from the PV for their electricity needs and can also transfer their energy (export) to the PLN electricity system if the energy from their PV is excessive. While PLN continues to send energy to customers if using energy from PV does not meet its electricity consumption (imports). While the avaibility of fine-grained smart meter data for PV customers load, optimization could be done for the needs of data scientists, data analysts and data engineers makes this data information usable for efficient and reliable energy management. Forecasting the PV Customer load, however, can be an intractable problem. These loads are characterized by uncertainty and variations due to the use of renewable energy sources (solar energy), leaving much room to improve accuracy. To improve the PV customer load forecast accuracy, this paper advocates a machine-learning tool called Artificial Neural Network (ANN) on MATLAB® with backpropagation learning algorithm and sigmoid activation, include load forecasting per tariff segment (Household Customers, Business Customers, Industrial Customers, Social Customers and Government Customers). The scope of the study took data on electricity loads to customers in Jakarta and sampling was conducted from July to October 2019. The test results show that ANN deterministic load forecasting model can achieve satisfactory performance with the mean square error (MSE) of 2% . Electricity load predictions from 21 to 27 October 2019 have an average error of ANN is 21%, while the average error of the regression method is 39%. Thus it can be concluded that the estimated cost of using ANN electricity is more accurate by 20% compared to the regression method by PLN. Based on economic analysis, customers get electricity cost efficiencies of  21%, while PLN reduces revenue by ±Rp. 300 million/month. The proposed management strategy by considering the benefits of both parties (PLN and Consumers) is to involve PLN as an integrator (upstream and sales side), Government involvement and involvement of Bank supporters as lenders."