Nomor 29, Tahun VI, Januari 2000
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ENERGI |
Aplikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Home
Halaman Muka |
Abstract
Untuk memenuhi permintaan daya dari konsumen secara ekonomis suatu perusahaan listrik harus bisa memprakirakan beban secara akurat. Sistem prakiraan beban terbaik di negara-negara maju dengan menggunakan teknologi Jaringan Syaraf Tiruan (JST). Artikel ini mengungkap penelitian awal pemakaian JST Backpropagation untuk prakiraan beban di area III PLN yang dilakukan penulis dengan biaya sendiri. Keunggulan utama JST adalah kemampuan komputasi yang pararel dengan cara belajar dari pola-pola yang diajarkan. Dalam proses belajarnya JST dapat melakukan regresi non-linier pola-pola beban listrik tiap jan dalam satu hari. Sehingga JST mampu memprakirakan beban listrik pada hari yang akan datang. Kata kunci : Jaringan syaraf tiruan, backpropagation, prakiraan beban, pengaruh cuaca. PendahuluanTenaga Listrik tidak dapat disimpan dalam skala besar, karenanya tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya timbul persoalan dalam menghadapi kebutuhan daya listrik yang tidak tetap dari waktu ke waktu, bagaimana mengoperasikan suatu sistem tenaga listrik yang selalu dapat memenuhi permintaan daya pada setiap saat, dengan kualitas baik dan harga yang murah. Apabila daya yang dikirim dari bus-bus pembangkit jauh lebih besar daripada permintaan daya pada bus-bus beban, maka akan timbul persoalan pemborosan energi pada perusahaan listrik, terutama untuk pembangkit termal. Sedangkan apabila daya yang dibangkitkan dan dikirimkan lebih rendah atau tidak memenuhi kebutuhan beban konsumen maka akan terjadi pemadaman lokal pada bus-bus beban, yang akibatnya merugikan pihak komsumen. Oleh karena itu diperlukan penyesuaian antara pembangkitan dengan permintaan daya.Syarat mutlak yang pertama harus dilaksanakan untuk mencapai tujuan itu adalah pihak perusahaan listrik mengetahui beban atau permintaan daya listrik dimasa depan. Karena itu prakiraan beban jangka pendek, menengah dan panjang merupakan tugas yang penting dalam perencanaan dan pengoperasian sistem daya. Prakiraan beban jangka pendek, yaitu beban setiap jam atau tiap hari digunakan untuk penjadualan dan pengontrolan sistem daya atau alokasi pembangkit cadangan berputar, juga digunakan untuk masukan dalam studi aliran daya. 2. Jaringan Syaraf Tiruan BackpropagationJaringan Syaraf Tiruan (JST) adalah model sistem komputasi yang bekerja seperti sistem syaraf biologis pada saat berhubungan dengan 'dunia luar', nama jaringan syaraf tiruan merupakan terjemahan dari "Artificial Neural Network". Terjemahan yang diambil bukan jaringan syaraf buatan seperti dalam menterjemahkan Artificial Inteligent (AI). Penggunaan kata buatan dapat memberikan konotasi, bahwa manusia berusaha membuat jaringan syaraf aslinya. Padahal maksud dari JST adalah membuat model sistem komputasi yang dapat menirukan cara kerja jaringan syaraf biologis.Model JST yang digunakan dalam penelitian ini adalah arsitektur feedforward (umpan maju). Sedangkan konsep belajar yaitu algoritma belajar backpropagation momentum yang merupakan perkembangan dari algoritma belajar backpropagation standar. 2.1 Struktur Jaringan Syaraf Tiruan BackpropagationJaringan Syaraf Tiruan Backpropagation (BP) pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada tahun 1988. Asitektur jaringan BP dengan satu lapisan dalam ditunjukan pada gambar 1. Gambar tersebut menunjukan arah sinyal pada fase feedforward. Selama operasi fase pelatihan backpropagation (BP), sinyal-sinyal error dikirim dalam arah sebaliknya. Jaringan syaraf tiruan tersusun atas sekumpulan elemen pemroses (neuron) atau simpul atau sel yang terinterkoneksi dan terorganisasi dalam lapisan-lapisan. Setiap sel memproses sinyal dengan fungsi akivasinya yaitu fungsi sigmoid logistik, fungsi ini analog dengan f(x) = 1 / (1 - e-x) Tiap-tiap lapisan terdiri dari banyak simpul, interkoneksi hanya terjadi antara simpul-simpul yang terletak pada satu lapisan dengan simpul-simpul yang terletak pada lapisan tetangganya. Simpul-simpul yang berhubungan langsung dengan masukan dan terletak dalam satu lapisan yang sama, lapisan tersebut disebut "lapisan masukan" simpul-simpul yang memberikan keluaran dan terletak dalam satu lapisan disebut "lapisan keluaran". Simpul-simpul yang terletak dalam satu atau beberapa lapisan dan tidak berhubungan langsung dengan keadaan di luar jaringan disebut "lapisan dalam" atau lapisan tersembunyi. Banyaknya simpul pada lapisan masukan dan lapisan keluaran tergantung pada jenis pemakaian tertentu. 2.2 Algoritma Pelatihan Backpropagation Keunggulan yang utama dari sistem jaringan syaraf tiruan adalah kemampuan untuk "belajar" dari contoh yang diberikan. Algoritma belajar yang digunakan adalah algoritma Backpropagation. Pada algoritma ini digunakan sinyal referensi dari luar (sebagai pengajar) dibandingkan dengan sinyal keluaran JST, hasilnya berupa sinyal kesalahan. keterangan :
x = (x1,....., xi,......,xn). yr vektor keluaran target : yr = (y1,...., yk,...., ym). dk porsi koreksi kesalahan untuk pengaturan bobot wnj. konstanta laju belajar. konstanta momentum. Dasar dari algoritma ini adalah memodifikasi bobot interkoneksi Wnj pada jaringan sehingga sinyal kesalahan mendekati nol, untuk lebih jelasnya lihat gambar 2. Suatu jangka waktu (disebut epoch) adalah satu set putaran vektor-vektor pelatihan. Beberapa epoch diperlukan untuk pelatihan sebuah JST BP sehingga kesalahan mendekati nol. Selama ini belum ada konsensus mengenai besarnya nilai b dan a yang harus digunakan dalam proses belajar. Sebab dalam kenyataannya nilai b dan a tergantung pada permasalahan yang dihadapi. Prakiraan Beban Jangka Pendek Menggunakan JSTPola kegiatan konsumen pada hari kerja yaitu hari Senin sampai hari Jumat dan hari akhir pekan, pada setiap minggunya tidak akan banyak berubah. Pola kegiatan konsumen akan berulang pada setiap minggunya. Pengulangan ini juga akan terjadi pada pola kurva beban dari minggu ke minggu, dimana hari yang sama pada suatu minggu mempunyai pola kurva beban yang mirip. Misalnya pola kurva beban hari Kamis dalam minggu ini akan mirip dengan pola kurva beban pada hari Kamis dalam minggu yang akan datang. Hal yang sama juga terjadi pada hari-hari lain.Pengalaman praktis operator UPB PLN Ungaran menunjukan bahwa beban listrik pada suatu hari dipengaruhi oleh beban pada hari-hari sebelumnya. 3.1 Kasifikasi Beban Berdasar dari hasil wawancara penulis dengan operator di UPB Ungaran dan pengamatan pada data beban harian dengan pertimbangan kemudahan dalam perhitungan dan keakuratan hasil prakiraan beban, dilakukan klasifikasi pola beban harian sebagai berikut :
telah dijelaskan bahwa beban pada suatu hari dipengaruhi oleh beban pada hari yang lalu. Sifat kecenderungan beban tersebut digunakan sebagai dasar sistem prakiraan beban di PLN dan pada penelitian ini. Berikut ini adalah variabel masukan yang dipilih : Hari-hari biasa :
3.4 Arsitektur Jaringan Yang Digunakan Untuk Prakiraan BebanArsitektur Jaringan Syaraf Tiruan Backpropagation Momentum digunakan untuk sistem prakiraan beban listrik jangka pendek di Jawa Tengah dan DIY ditunjukan pada gambar 3.Jaringan Syaraf Tiruan Backpropagation Momentum yang digunakan memiliki 4 lapis, yaitu 1 lapisan masukan, 2 lapisan dalam (hiden layer) dan 1 lapisan keluaran. Lapis masukan terdiri dari 57 buah sel yang merupakan banyaknya vektor masukan jaringan. Jumlah sel lapisan dalam ke-1 adalah 75 sel, sedang lapisan lapisan dalam ke-2 adalah 24 sel (ditentukan secara acak, karena belum ada ketentuan yang mengatur jumlah lapis dalam dan jumlah sel pada lapis ini). Lapis keluaran adalah 24 sel yang merupakan vektor keluaran JST, yaitu beban tiap jam dalam satu hari yang diprakirakan. JST tersebut memetakan suatu sistem 57 dimensi ke 24 dimensi. 3.5 Prakiraan Secara On-LineSesuai dengan karakteristik JST, secara umum sistem prakiraan beban dalam penelitian ini terdiri dari dua mode, yaitu mode tahap belajar dan mode tahap pengujian. Mode tahap belajar atau pelatihan merupakan tahap penyesuaian bobot-bobot jaringan. Dalam mode ini diberikan data pola pelatihan yaitu pasangan masukan dan keluaran target yang disimpan dalam file disk (file pelatihan). Dari pasangan-pasangan pola tersebut Jaringan dilatih memprakirakan beban yang terdiri dari 7 pola hari-hari biasa dan 14 pola hari-hari khusus. Hasil pelatihan adalah bobot-bobot koneksi antar sel.Mode tahap pengujian merupakan sistem prakiraan beban yang dipakai. Dalam mode ini diberikan data masukan yang disimpan dalam file disk (file pengujian). JST yang telah dilatih akan mengambil data masukan tersebut dan memberikan keluaran yang merupakan "Beban Prakiraan JST" yaitu beban tiap jam selama 24 jam yang diprakirakan. JST memberikan keluaran berdasarkan bobot yang disimpan pada mode pelatihan. Pada akhir mode pengujian dilakukan perbandingan antara beban prakiraan (keluaran JST) dan beban asli (beban kenyataan yang terjadi). Hal ini adalah untuk menguji tingkat keberhasilan JST dalam memprakirakan beban. Setelah proses perbandingan selesai data masukan untuk pengujian dan data beban asli secara otomatis ditambahkan dalam file pelatihan dianggap sebagai pola baru (proses on-line). Oleh karena itu untuk pelatihan berikutnya tidak perlu dilakukan pemasukan data pelatihan kedalam file pelatihan. Hal ini adalah merupakan sifat flexibility JST apabila dijumpai perubahan pola beban listrik. 4. Pengamatan HasilSetelah melakukan pelatihan untuk pola beban hari biasa (Senin – Minggu) selama 7 minggu (27 Desember 1993 sampai 13 Februari 1994) dilakukan pengujian jaringan yaitu untuk memprakirakan beban. Dalam Hal ini jaringan dicoba untuk memprakirankan beban dari tanggal 14 Februari 1994 (Senin) sampai 20 Februari 1994 (Minggu).Dengan pelatihan untuk pola beban hari Maulud Nabi Muhammad S.A.W. pada 1993, 1994 dan 1995 (3 pola pelatihan), jaringan digunakan untuk memprakirakan beban (pengujian jaringan) pada hari Maulud Nabi Muhammad S.A.W. 28 Juli 1996. Hasil prakiraan beban dengan JST ini kemudian dibandingkan dengan beban aslinya (beban kenyataan yang dihadapi PLN di Jawa Tengah dan D.I.Y) dan beban prakiraan UPB Ungaran. Hasil perbandingan prakiraan beban tersebut disajikan dalam tabel 1 dan 2. Dalam tabel 1 tersebut ditunjukan pula besarnya % error hasil prakiraan beban menggunakan JST dan % error hasil prakiraan beban UPB. Nilai % error didapat dari deviasi antara beban prakiraan dengan beban asli terhadap beban prakiraan. Perbandingan data beban prakiraan dan beban asli tersebut secara grafis disajikan dalam gambar 4 sampai dengan 7. Dari gambar-gambar tersebut dengan mudah dapat dilihat penyimpangan beban prakiraan dengan beban asli (aktual). Perbandingan rata-rata error hasil prakiraan beban oleh UPB Ungran dengan prakiraan beban menggunakan JST ditunjukan pada tabel 2. Error rata-rata hasil prakiraan beban dengan JST relatif lebih besar dari pada error rata-rata prakiraan beban dengan metode koefisien (UPB). Hal ini disebabkan oleh beberapa kemungkinan (tidak bisa dijelaskan secara pasti karena merupakan prakiraan) sebagai berikut :
Tabel 1. Perbandingan Hasil Prakiraan Beban Hari Senin 14 Februari 1994.
Tabel 2. Perbandingan % Rata-Rata Error Prakiraan Beban.
Gambar 4 Hasil Prakiraan Beban Hari Senin 14
Februari 1994. Gambar 5 Hasil Prakiraan Beban
Hari Rabu 16 Februari 1994.
Gambar 6 Hasil Prakiraan Beban Hari Jumat 18 Februari 1994. Gambar 7 Hasil Prakiraan Muhammad S.A.W. 28 Juli 1996. KesimpulanDari hasil penelitian ini dapat diambil beberapa kesimpulan sebagai berikut :
6. SaranPenelitian ini merupakan langkah awal dalam menggunakan JST untuk prakiraan beban di Area 3 (Jawa Tengah dan DIY) yang masih banyak kekurangannya. Penelitian lebih lanjut diharapkan dapat memperbaiki kekurangan dan mendapatkan hasil prakiraan beban dengan error yang lebih kecil. Untuk mencapai tujuan tersebut diberikan saran sebagai berikut :
7. Daftar Pustaka[2] O. Mohammed, D. Park, R. Merchant, T. Dihn, C. Tong, A. Azeem, "Practical Experiences With An Adaptive Neural Network Short Term Load Forecasting System, IEEE Transaction On Power System, Vol. 10, No. 1, pp 254-265, February 1995. [3] Kun-Long Ho, Yuan-Yih Hsu and Chen Chuen Yang, "Short Term Load Forecasting Using A Multi Layer Neural Network With An Adaptive Learning Algorithm", IEEE Tr. On Power Sys, Vol. 7, No. 1, Feb. 1992. [4] K. y. Lee, J. H. Park "Short Term Load Forecasting Using An Artificial Neural Network", IEEE Tr. On power Sys, Vol. 7, No. 1, Feb. 1992. [5] Shin-Tzo Chen, David C. Yu and A. R. Moghaddamlo, "Weather Sensitive Short Term Load Forecasting Using Non Fully Connected Artificial Neural Network", , IEEE Tr., On Power Sys. Vol. 7, No. 5, Feb. 1992. [6] Kun Long Ho, Yuan-Yih Hsu, Chuan-Fu chen, Tzong-En Lee, Chih-Chien Liang, Tsan-Shin Lai And Kung-keng chen, Short Term Load Forecasting Of Taiwan Power System Using A. Knowledge Base Expert System, IEEE Tr. On Power Systems, Vol 5, No. 4, November 1990. [7] IEEE Committed Report, " Load Forecasting Bibliography Phase I", IEEE Transaction On Power Apparatus and System, Vol. Pas-99, pp 53-58, 1980. [8] Laurence Fausett, Fundamental Of Neural Network Architectures, Algorithms And Application, Prentice Hal, Englewood Cliffs, New Jersey, 1994. [9] Janes A. Freeman and David M. Skapura, Neural Network Algorithms, Application and Programming Techniques, Addison-Wesley Publishing Company, California, 1992. [10] Valluru B. Rao and Hayagriva V. Rao, C++ Neural Network And Fuzzy Logic, Miss: Press, New York, 1993. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Halaman Muka |
© 1996-2000 ELEKTRO
Online.
All Rights Reserved.