Hasil Pencarian  ::  Simpan CSV :: Kembali

"Manajemen usaha penyediaan tenaga listrik merupakan hal yang kompleks. Salah satu hal yang penting dalam manajemen penyediaan tenaga listrik, khususnya dalam perencanaan adalah peramalan tenaga listrik di masa yang akan datang. Peramalan (forecasting) adalah suatu kegiatan atau usaha untuk memprediksi kondisi di masa yang akan datang dengan bantuan model untuk merepresentasikannya. Dalam membuat peramalan, keakuratan merupakan kriteria utama dalam menentukan metode peramalan. Dalam penelitian ini metode algoritma genetik digunakan untuk membuat peramalan beban tenaga listrik. Algoritma Genetik adalah algoritma pencarian yang meniru mekanisme evolusi dan genetik alam. Dalam proses peramalan, dilakukan optimasi parameter-parameter model dengan meminimalkan nilai mean square error (mse). Model peramalan yang dikembangkan dengan algoritma genetik dapat mendekati model sebenarnya. Parameter optimal model peramalan jangka panjang adalah A= 1.558, B1= 0.642, B2= 1.188, B3= -0.437, B4= -0.378, B5= -0.484, dan B6= 0.848, sedangkan untuk jangka menengah adalah adalah α= 0.6383 ,β=0, dan γ=0.8289. Laju pertumbuhan beban rata-rata hasil ramalan jangka panjang tahun 2008-2017 sekitar 6.9%. Peramalan beban jangka menengah memberikan hasil yang lebh baik jika dibandingkan dengan peramalan dari PLN P3B Jawa-Bali dengan jumlah selisih eror sebesar 0.44%.

---

Managing electricity energy supply is a complex task. The most important part of electricity supply management, particularly in utility planning is forecasting of the future electricity load. Forecasting is a process to predict future conditions usually achieved by constructing models on relative information and some assumptions. In making a electricity forecasting, accuracy is the primary criteria in selecting forecasting methods.

In this research, a genetic algorithm approach is proposed to build electricity load forecasting. Genetic algorithms are global search methods that mimic the methapor of natural evolution and genetic. Parameter optimization process have done by minimize mean square error (mse).

Load forecasting model using genetic algorithm gives model which is almost the same with actual data. Optimal parameters for long term model are: A= 1.558, B1= 0.642, B2= 1.188, B3= -0.437, B4= -0.378, B5= -0.484, dan B6= 0.848, for medium term model are: α= 0.6383 ,β=0, dan γ=0.8289. Annual growth rate for 2008-2017 using genetic algorithm model is about 6.9%. Medium term forecasting using genetic algorithm gives better result than PLN P3B Java-Bali forecasting with sum error difference about 0.44%."

"ABSTRACTPerencanaan jumlah beban masa depan dan distribusinya diperlukan untuk mengoptimalkan Penempatan pembangkit listrik. Perhitungannya bisa dimodelkan menggunakan beban masa lalu. Tujuan utama dari makalah ini adalah untuk membangun model kebutuhan beban selama bertahun-tahun dengan menggunakan metode dekomposisi seri waktu dengan studi kasus di GI Muara Bungo. Dengan mengetahui ramalan beban di seluruh wilayah di Indonesia, perencanaan yang baik berkaitan dengan distribusi lokasi pembangkit listrik dapat diperoleh. Perencanaan ini akan memberi pengaruh besar dalam menentukan apakah proyek akan berhasil atau tidak. Perhitungan menunjukkan bahwa di Muara Bungo, pennintaan listrik tumbuh sekitar 50% dalam 4 tahun ke depan. Hasil ini dapat diintegrasikan dengan peramalan beban di seluruh Indonesia untuk mendapatkan data sebagai pertimbangan mendasar dalam menentukan dimana dan berapa jumlah pembangkit listrik yang harus dibangun."

"Tesis ini membahas peramalan beban energi listrik yang merupakan tahapan awal yang sangat penting dalam pengoperasian sistem ketenagalistrikan agar sistem bekerja secara handal, stabil dan ekonomis khususnya pada sistem ketenagalistrikan skala besar. Proses peramalan beban tersebut dilakukan dalam rentang jam sampai dengan tahunan. Penelitian ini berfokus pada peramalan beban listrik jangka panjang atau Long Term Load Forecasting (LTLF) dimana pada umumnya efek kondisi cuaca dan aktivitas manusia sangat berpengaruh. Dalam penelitian ini akan dikaji lebih jauh efek pandemi Covid-19 yaitu jumlah vaksin dan tingkat mobilitas masyarakat terhadap perubahan beban listrik. Kajian efek vaksin menjadi poin keterbaruan penelitian ini. Dalam peramalan beban listrik, metode Facebook Prophet yang direvisi akan digunakan. Revisi ini dimaksudkan agar efek pandemi dapat tercakup dalam model. Untuk menguji efektivitas model yang diajukan studi kasus terhadap data beban listrik Pennsylvania dilakukan. Hasil simulasi yang menggunakan bahasa python telah menunjukkan bahwa model yang diajukan cukup memberikan hasil yang memuaskan. Pada tahun 2021 dengan adanya penambahan variabel vaksinasi, nilai Mean Absolute Percentage Error (MAPE) yang dihasilkan sebesar 8.05%.

---

Forecasting the electrical energy load is a very important initial stage in the operation of the electricity system so that the system works reliably, stably and economically, especially in large-scale electricity systems. The load forecasting process is carried out in the range of hours to years. This study focuses on long-term load forecasting (LTLF) where in general the effects of weather conditions and human activities are very influential. In this study, we will study further the effects of the Covid-19 pandemic, namely the number of vaccines and the level of community mobility on changes in electrical loads. The study of the effect of the vaccine is the new point of this research. In electrical load forecasting, the revised Facebook Prophet method will be used. This revision is intended so that the effects of the pandemic can be included in the model. To test the effectiveness of the proposed model, a case study of the Pennsylvania electrical load data was carried out. The simulation results using the python language have shown that the proposed model gives satisfactory results. In 2021 with the addition of the vaccination variable, the resulting Mean Absolute Percentage Error (MAPE) value is 8.05%."

"Skripsi ini melakukan peramalan beban persetengahjam untuk tanggal 25 Desember tahun 2017 dan 2018 menggunakan metode koefisien beban dengan data historis tiga dan empat tahun sebelumnya sebagai acuan. Peramalan beban untuk tanggal 25 Desember 2018 bertujuan untuk mengetahui profil singkat beban persetengahjam pada tanggal tersebut. Dengan membandingkan data peramalan dengan data realisasi, penelitian ini menyatakan bahwa metode koefisien beban dianggap cukup akurat dalam melakukan peramalan pada tanggal 25 Desember 2017; peramalan beban persetengahjam dengan metode koefisien beban memperoleh nilai persentase galat APE sebesar 2,17 ; beban puncak harian pada tanggal 25 Desember 2018 akan terjadi pada pukul 18.30 dengan nilai beban 21.068 MW, sedangkan beban terendahnya akan terjadi pada pukul 07.00 dengan nilai beban 16.364,81 MW.

---

The focus of this study is to do the electrical forecasting every half hour on December 25th 2017 and 2018 using load coefficient method reference to the historical data. Load forecasting on December 25th, 2018 aims to find out the simple profile of load every half hour on the day. By comparing the forecasting data we have with the realization one, this study indicate that the load coefficient method is considered to be quite accurate for load forecasting on December 25th 2017 peak loads occur half an hour earlier than the forcasting load forecasting every half an hour by load coefficient method obtains absolute percentage error APE of 2,17 daily peak load on December 25th, 2018 will occur at 06.30 PM with load value of 21.068MW, while the lowest load will occur at 07.00 AM with load value of 16.364,81 MW."

"Untuk memastikan efisiensi dan stabilitas operasional, peramalan beban jangka pendek merupakan salah satu prosedur paling penting dalam pengelolaan sistem tenaga listrik. Metode peramalan beban jangka pendek dieksplorasi dalam studi ini. Metode Koefisien Beban diterapkan dalam penerapan teknik-teknik ini, yang dilakukan dengan menggunakan sistem SLTF (Peramalan Beban Jangka Pendek). Studi ini menggunakan data historis dari tahun 2023 dan 2024 untuk menganalisis lebih lanjut karakteristik beban listrik khusus yang dicatat pada Hari Kemerdekaan Indonesia. Untuk membangun model SLTF, studi ini melakukan analisis data historis yang dikumpulkan dari sistem JAMALI yang terletak di UIP2B. Setelah itu, model ini digunakan untuk membuat prakiraan yang lebih tepat mengenai beban listrik yang akan datang. Dari hasil analisis, nilai kesalahan beban harian rata-rata pada tahun 2023 adalah 4% dan 1% pada tahun 2024. Tujuannya adalah untuk membuat prakiraan beban yang layak untuk hari libur nasional ini dengan mempertimbangkan pola konsumsi yang berbeda terkait dengan acara tersebut.

---

Due to the fact that it ensures both operational efficiency and stability, forecasting short-term load is one of the most critical procedures in the management of power systems. Methods of short-term load forecasting are explored in the present study. The Load Coefficient method is applied in the implementation of these techniques, which are carried out using the SLTF (Short- Term Load Forecasting) system. The study uses historical data from 2023 and 2024 to further analyze the special electricity load characteristics noted on Indonesia's Independence Day. In order to construct the SLTF model, the study conducts an analysis of historical data that was gathered from the JAMALI system located at UIP2B. Following that, this model is used in order to make more precise forecasts regarding the upcoming electrical loads. From the analysis results, the average daily load error value in 2023 was 4% and 1% in 2024. The goal is to create feasible load forecasts for this national holiday considering the different consumption patterns related with the events."

"Penelitian ini menyajikan analisis komprehensif mengenai peramalan beban puncak jangka panjang dan perencanaan ekspansi pembangkit listrik di sistem Kalimantan, Peramalan beban yang diakukan pada penelitian ini menggunakan metode regresi liner dengan Compound Annual Growth Rate (CAGR). Dibandingkan dengan penelitian sebelumnya, selain nilai beban puncak tahunan yang diramalkan, nilai probabilitas setiap scenario juga dihitung berdasarkan distribusi normal kumulatif. Perencanaan ekspansi pembangkit dilakukan dengan parameter probabilitas setiap scenario dengan pendekatan Mixed Integer Linear Programming (MILP). Model regresi yang dikembangkan untuk periode 2018–2024 menunjukkan performa prediksi yang kuat, dengan nilai R² sebesar 92,47%, yang secara efektif menggambarkan variasi beban puncak. Proyeksi hasil peramalan menunjukkan peningkatan beban puncak yang signifikan hingga tahun 2035 mencapai 7 GW, terutama akibat pertumbuhan ekonomi, urbanisasi, industrialisasi, serta pembangunan Ibu Kota Negara (IKN). Empat skenario ekspansi pembangkit yang mengombinasikan teknologi konvensional dan energi terbarukan dianalisis, masing-masing memiliki probabilitas yang sama sebesar 25%. Hasil analisis menunjukkan bahwa skenario konservatif yang bergantung pada pembangkit konvensional menghasilkan biaya operasional yang lebih tinggi sebagai akibat dari harga bahan bakar fosil yang tinggi, yang membuatnya kurang ekonomis dalam jangka panjang. Sebaliknya, skenario agresif yang menggabungkan energi terbarukan menawarkan efisiensi biaya operasional yang signifikan, meskipun memerlukan investasi awal yang lebih besar. Penelitian ini menunjukkan hal ini. Secara keseluruhan, penelitian menyarankan bauran energi terbarukan yang kuat sebesar 40% di sistem Kalimantan pada tahun 2035 untuk mendukung transisi energi berkelanjutan dan mencapai target net zero emission Indonesia dalam jangka panjang.

---

This research presents a comprehensive analysis of long-term peak load forecasting and power plant expansion planning in the Kalimantan system. The load forecasting conducted in this study uses the linear regression method with the Compound Annual Growth Rate (CAGR). Compared to previous research, in addition to the forecasted annual peak load values, the probability values for each scenario are also calculated based on the cumulative normal distribution. The power plant expansion planning is conducted using the probability parameters for each scenario with the Mixed Integer Linear Programming (MILP) approach. The regression model developed for the period 2018–2024 shows strong predictive performance, with an R² value of 92.47%, effectively capturing the variation in peak load. Forecast projections indicate a significant increase in peak load until 2035, reaching 7 GW, primarily due to economic growth, urbanization, industrialization, and the development of the National Capital City (IKN). Four power plant expansion scenarios combining conventional technology and renewable energy were analysed, each with an equal probability of 25%. The analysis results show that the conservative scenario relying on conventional plants incurs higher operational costs due to high fossil fuel prices, making it less economical in the long run. In contrast, the aggressive scenario combining renewable energy offers significant operational cost efficiency, although it requires a larger initial investment. This research demonstrates this. Overall, the research suggests a strong renewable energy mix of 40% in the Kalimantan system by 2035 to support a sustainable energy transition and achieve Indonesia's long-term net-zero emissions target."