Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kebutuhan masyarakat Indonesia saat ini akan energi sangat tinggi. Jumlah cadangan energi primer yang semakin menurun serta terbatasnya sumber daya terbarukan mengharuskan adanya solusi untuk masalah tersebut. Jam Bumi merupakan salah satu kegiatan penghematan energi yang bertujuan untuk menghemat sumber energi non-renewable seperti batubara dan minyak bumi. Salah satu bentuk energi yang mudah untuk diamati pengaruh dari Jam Bumi adalah energi listrik. Besar penghematan yang diperoleh dari Jam Bumi dapat dilihat dari besar penurunan nilai beban puncak, beban puncak siang, beban rata-rata tahunan dan beban rata-rata per jam dalam satu tahun.Pada skripsi ini, dilakukan analisis terhadap penurunan konsumsi energi listrik yang dihasilkan oleh Jam Bumi. Penurunan konsumsi energi listrik yang terjadi berkisar dari 500-2000 MW dari pelaksanaan tahun 2009-2014 dengan durasi waktu sekitar dua jam.

---

Indonesian people's need for energy nowadays is very high. The decreasing number of primary energy back-up and limited renewable energy require a solution for these problems. Earth Hour is one way for energy saving which aims to save non-renewable energy sources, such as coal and oil. An energy form which is easy to be observed in Earth Hour is electric power. The amount of energy saved from Earth Hour can be seen from the decreasing rate of peak load, daylight peak load, annual average load, and average load per hour in one year.In this paper, an analysis of electric power decrease by Earth Hour is conducted. From Earth Hour events which were held for about two hours during 2009 ? 2014, the electric power consumption decrease was about 500?2000 MW."

"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."

"A study has been done on the potential integration of Demand Side Management (DSM) to the reduction of electric power peak load forecasting in the Indonesian electric system by using the indonesia Energy Outlook by .System Dynamic (INOSYD) model and Artificial Neural Network (ANN) method, within the study period of 2005-202l. DSM is the process of managing the consumption of energy. generally to optimize availability and development plan of energy resources. DSM application in this research refers to actions taken on the customer 's side of the matter to change the amount or timing of energy consumption, therefore it influences the reduction of the long-range forecasting of electricity peak load In this paper, the lang-term load forecasting is studied by using INOSYD model, JS T method and Model for Analysis of Energy Demand (MAED) as comparison, where the calculation results of average annual load growth rate are around 4.60% (DVOSYD) ; 7.l6% (ISD and 6.87% (MAED) respectively. Afterwards, the influence of DSM by an effort to reduce energy consumption of residential sector by an amount of 5% and l0% respectively, with the respect to the lang-term load forecasting by using INOSYD model and ANN method is performed The study results show that DSM application at residential (household sector at an amount of 5% and l 0% by using lNOS}'D model will reduce the average long-term load forecasting by about 4.95% and 9.90% respectively, meanwhile ANN method will reduce the average long-term load forecasting by about 2.74 and 5.36% respectively."

"Teknik NILM (Non-Intrusive Load Monitoring) digunakan dalam pemantauan konsumsi energi. Penerapan NILM digunakan untuk energi efisiensi, manajemen energi, dan diagnosa peralatan di rumah tangga, industri atau penyedia energi. Variabel pengukuran yang digunakan yaitu daya aktif dan daya reaktif. Namun, data pengukuran sering kali terpengaruh oleh noise. Berbgai macam metode digunakan dalam NILM. Metode K-NN adalah salah satu metode machine learning yang banyak digunakan untuk klasifikasi beban listrik dalam teknik NILM dengan performa yang baik dan bersaing dengan metode lain yang lebih kompleks. Penelitian ini bertujuan untuk menganalisis pengaruh noise terhadap performa algoritma k- Nearest Neighbors (K-NN) dalam klasifikasi beban listrik. Berbagai tingkat noise secara rundom diberikan pada data pengukuran yang diperoleh sebesar 1% hingga 20%. Selanjutnya, model K-NN dilatih dan dievaluasi dengan nilai k = 1 sampai 25 dan menggunakan 15 variasi jarak. Dalam penelitian ini bahasa pemograman python digunakan untuk mengevaluasi performa K-NN. Hasil eksperimen menunjukkan bahwa penambahan noise pada data pengukuran secara signifikan mempengaruhi performa algoritma K-NN dalam mengklasifikasikan beban listrik. Pengaruh ini terlihat pada nilai akurasi, presisi dan recall. Performa K-NN menurun hingga 15% yang didapatkan dari perbandingan nilai akurasi untuk data yang diberikan noise 20%. Nilai k yang memberikan akurasi maksimal k = 25 untuk data yang diberikan noise. Nilai k yang memberikan presisi dan recall maksimal bernilai k = 3 untuk data yang diberikan noise. Dari ke 15 jenis jarak yang dipakai di metode K-NN pada penelitian ini, jarak Clark dan Divergence yang memiliki nilai akurasi diatas ratarata, jarak Camberra memiliki nilai presisi di atas rata-rata dan jarak Neyman Chi Squared memiliki nilai recall diatas rata-rata. Perbandingan performa antara metode K-NN dengan Random Forest dan Extra Trees Classifier juga telah dilakukan. Dari hasil pengujian dan penelitian didapatkan bahwa dengan metode K-NN memberikan performa yang baik untuk mendisaggregasi data yang diberikan noise besar dibandingkan dengan metode Random Forest dan Extra Trees Classifier. metode K-NN memiliki nilai akurasi lebih tinggi dibandingkan dengan metode Random Forest dan Extra Trees Classifier, Selisih yang dihasilkan mencapai 15%.

---

The NILM (Non-Intrusive Load Monitoring) technique is used in monitoring energy consumption. NILM applications include energy efficiency, energy management, and appliance diagnostics in households, industries, or energy providers. Measurement variables used are Real Power and Reactive Power. However, measurement data are often affected by noise. Appliance diagnosis uses various machine learning methods. The K-NN method is one of the widely used machine learning methods for classifying electrical loads with good performance, competing even with more complex methods. Python has become a mainstay in data science. This programming language enables data analysis to perform machine learning algorithms. This study aims to analyze the impact of noise on the performance of the k-Nearest Neighbors (K-NN) algorithm in classifying electrical loads. Various noise levels, ranging from 1% to 20%, were randomly added to the measurement data obtained. Subsequently, the K-NN model was trained and evaluated with k values ranging from 1 to 25, using 15 distance variations. Experimental results showed that the addition of noise to the measurement data significantly affected the performance of the K-NN algorithm in classifying electrical loads. This impact is reflected in the values of accuracy, precision, and recall. K-NN performance decreased by up to 15%, as indicated by the accuracy comparison for data with 20% noise. The k value providing maximum accuracy was k = 25 for both low and high noise data. The k value providing maximum precision and recall was k = 3 for both low and high noise data. Among the 15 types of distances used in the K-NN method in this study, Clark and Divergence distances had above-average accuracy values, Camberra distance had above-average precision values, and Neyman Chi-Squared distance had above-average recall values. Testing and research results showed that the K-NN method performs well in disaggregating data with high noise compared to the Random Forest and Extra Trees Classifier methods."

"It has been studied the forecasting of electric power peak load in the Indonesian electric system byusing Artificial Neural Network (ANAU) Back Propagation method with the study period is 2000 - 2025.The long-range forecasting of electric peak load is influenced by economic factors. in this study, it?sselected the economic data which is estimated very influence to forecasting, which in this case becomeinput ofAN1\L i. e.: Gross of Domestic Product (GDP) per-capita, Population, Amount of Households,Electrification Ratio, Amount of CO, Pollution, Crude Oil Price, Coal Price, Usage of Final Energy,Usage Qf Final Energy on Industrial Sector; and Average Electric Charges. Data used for study areactual data, start year 1990 up to 2000. Result of the peak load forecasting in the end of study (2025) byusing ANN is 85,504 MHC meanwhile the load forecasting in the National Electricity General lan(NEGP) is 79,920 MW (the difference of both is about 6. 6%). Based on ANN approach is obtained resultsthat the peak load forecasting in Indonesia in the year 2005, 2010, 2015, 2020 and 2025 are 16,516 MHC24,402 MHC 36, 15 7 MIK 56,060 MW and85,584 MW respectively."

"ABSTRAKSistem pembangkitan pada Region Bali diharapkan mampu untuk memenuhi permintaan beban listrik setelah dilakukan pengembangan sistem pembangkitan dengan penambahan kapasitas pada periode 2017-2021. Dengan demikian perlu dianalisis bahwa dengan penambahan kapasitas pembangkit pada sistem pembangkitan Region Bali dapat meningkatkan keandalan sistem dalam memenuhi kebutuhan beban yang pada penelitian ini diukur dari nilai indeks probabilitas kehilangan beban Loss of Load Probability dan besar energi tidak terlayani Energy Not Served . Analisis terbagi dalam 3 skenario, skenario pertama adalah ketika pengembangan sistem pembangkitan sesuai dengan perencanaan pada RUPTL 2017-2026, skenario kedua adalah ketika proyek pembangkitan mengalami keterlambatan, dan skenario ketiga adalah ketika jaringan kabel bawah laut mengalami gangguan. Nilai indeks LOLP dihitung menggunakan perangkat lunak WASP-IV kemudian akan dievaluasi dengan membandingkan nilai nya pada standar nilai indeks keandalan yang telah ditetapkan oleh PT PLN Persero , yaitu indeks LOLP lebih kecil dari 0,274 , atau ekuivalen dengan lebih kecil dari 1 hari/tahun. Pada skenario pertama, nilai LOLP yang memenuhi standar hanya terjadi pada tahun 2017 0,8 hari/ tahun . Pada skenario kedua dengan empat variasi keterlambatan masuknya pembangkit, nilai LOLP yang memenuhi standar hanya terjadi pada tahun 2017 0,8 hari/ tahun dan nilai LOLP terburuk terjadi pada saat keterlambatan PLTM 42,8 hari/ tahun . Pada skenario ketiga dengan empat variasi gangguan jaringan kabel bawah laut, nilai LOLP terburuk terjadi saat Region Bali tidak mendapatkan daya sama sekali akibat gangguan 257,6 hari/ tahun

---

ABSTRACTGeneration system in Bali is expected to be able to meet the demand of electricity load after the expansion of the generation system with the addition of capacity. Thus it needs to be analyzed that with the addition of generating capacity in the Bali rsquo s generation system can improve the reliability of the system in meeting the load demands which in this study is measured from the value of the Loss of Load Probability LOLP index and total Energy Not Served ENS . The analysis is divided into 3 scenarios, the first scenario is when the expansion of the generating system in accordance with the planning in RUPTL 2017 2026, the second scenario is when the generation project is delayed, and the third scenario is when the submarine cable network is interrupted. The LOLP index value calculated using WASP IV software, then be evaluated by comparing its value to the standard value of reliability index determined by PT PLN Persero , LOLP index smaller than 0,274 , or equivalent to less than 1 day year. For the first scenario, the index value that meets the standard only occurs in 2017 0,8 days year . For the second scenario with four variations of delayed of the plant, the index value that meets the standard only occurs in 2017 0,8 days year and the worst index value occurs during the delay of the PLTM project 42,8 days year . For the third scenario with four variations of submarine cable network disturbance, the worst index value occurs when Bali does not get any power at all due to interference 257,6 days year ."

"Daerah Khusus Ibukota Jakarta adalah kota terbesar jumlah penduduknya demikian juga dengan beban listriknya merupakan beban terbesar di Indonesia. Pada momen-momen tertentu yang bersifat monumental atau historikal beban biasanya naik secara signifikan. Akan tetapi pada momen Idul Fitri yang merupakan hari raya keagamaan umat Islam, beban listrik di Area Pengaturan Beban (APB) 1 yang notabene mayoritas penduduk Ibukota Jakarta beban justru turun. Pada tahun 2013, 2014 dan 2015 beban menurun berturut-turut sebesar 69,174%, 87,549% dan 70,195% dari rata-rata normalnya. Perubahan beban tahun 2016 dapat diprakirakan berdasarkan data historis tahun-tahun sebelumnya. Metode prakiraan yang digunakan adalah metode koefisien daya. Hasil perhitungan diprakirakan beban pada Idul Fitri turun sebesar 75,679% dari rata-rata prakiraan beban mingguan secara normal. Hal itu terjadi pada minggu ke-27 tahun 2016.

---

Special Capital Region of Jakarta (Indonesian: Daerah Khusus Ibu Kota Jakarta) is the largest city with a population as well as electrical load is the biggest load in Indonesia. At certain moments that are monumental or historical event usually increases significantly. However, at the moment of Idul Fitri as a Muslim religious holiday, the electrical load in Area Pengatur Beban (APB) 1 is decreases, not like the other special event. In 2013, 2014 and 2015 respectively decreased load of 69.174%, 87.549% and 70.195% of the normal days average. The Load in Idul Fitri 2016 can be predicted based on historical data of previous years. The Forecasting method used is the power coefficient. The results of calculations predicted in Idul Fitri load decreased by 75.679% of the average normal weekly load. Actually, it happened on the 27th week of 2016."

"ABSTRAKPada kondisi saat ini, jika beban puncak dibandingkan dengan daya mampupembangkit pada sistem kelistrikan wilayah Sumatera dengan menerapkan kriteriacadangan 35%, maka diperkirakan terjadi kekurangan sekitar 2.000 MW. Sumbergas bumi di wilayah Jambi dapat dipertimbangkan karena tersedia cadangan gasdan dapat digunakan sebagai energi untuk memenuhi kebutuhan listrik. Gas tidakmudah untuk disimpan dibandingkan dengan Bahan Bakar Minyak (BBM) yangbanyak digunakan sebagai bahan bakar pemenuhan beban puncak saat ini.Compressed Natural Gas (CNG) dapat menjadi salah satu alternatif metodepenyimpanan gas. Kajian CNG Plant meliputi kajian keekonomian berupa NPV,IRR dan Payback Period serta analisis sensitivitas yang menggambarkansensitivitas proyek terhadap faktor-faktor yang berpengaruh. Analisis teknik dariCNG Plant juga dikaji untuk mendapatkan tekanan optimum pada CNG Plantserta analisis perbandingan keekonomian antara CNG dan BBM jenis HSD. Darihasil perhitungan keekonomian didapatkan harga jual gas dari CNG Plant sebesarUS$ 10,4/MMBTU dengan tekanan optimum CNG sebesar 3215 psia.Berdasarkan perhitungan didapatkan biaya pembangkit listrik tenaga gas dariCNG plant yaitu sebesar Rp. 1.735,34/kWh, sedangkan biaya pembangkit listriktenaga diesel sebesar Rp. 2.765,55/kWh sehingga ada penghematan sebesar Rp.1.030/kWh apabila digunakan gas CNG pada beban puncak. Potensi penghematandari sisi PLN apabila menggunakan gas CNG pada saat beban puncak adalahsebesar Rp. 530 Juta/hari

---

ABSTRACTIn the current conditions, when compared the peak load with capable powergenerator in Sumatera area electricity system, when applying the 35% reservedcriteria, it is predicted that there is a shortage of around 2,000 MW. Sources ofnatural gas in Jambi region can be considered as available gas reserves and can beutilized as energy to meet the electricity needs. Gas is not easy to be storedcompared with fuel oil which is widely used as fuel for the fulfillment of the peakload now. Compressed Natural Gas (CNG) can be an alternative method of gasstorage. Study of CNG Plant was included the study of economics in the form ofNPV, IRR and Payback Period as well as a sensitivity analysis that illustrates thesensitivity of the project on the factors that influence. Technical Analysis of CNGalso examined to obtain optimum pressure on the CNG Plant as well as theeconomics of comparative analysis between CNG and fuel oil types HSD. Fromthe calculation results obtained economical gas price of CNG Plant amounted toUS $ 10.4/MMBTU with CNG optimum pressure of 3215 psia. Based on thecalculation, the cost of gas power plant of CNG plant is Rp. 1735.34/kWh, whilethe cost of diesel power plant is Rp. 2765.55/kWh so that there is a savings of Rp.1.030/kWh when used CNG gas at peak loads. Potential savings of PLN sidewhen using CNG gas during peak load is Rp. 530 Million/day"

"Pengoperasian beban yang tidak serempak pada satu waktu menyebabkan kurva beban tidak rata dalam satu hari. Perbedaan waktu operasi ini menyebabkan perlunya suatu studi untuk membahas prioritas beban berdasarkan waktu operasi masing-masing beban. Sehingga ketika suatu sistem mengalami gangguan beban lebih yang diakibatkan terputusnya sebagian suplai, maka dapat segera ditentukan beban yang memungkinkan untuk dilepaskan berdasarkan waktu terjadinya gangguan, dengan tidak mengganggu beban yang sedang beroperasi penuh. Berdasarkan kurva beban Subsistem Kembangan kemudian dibagi menjadi 4 segmen waktu operasi beban. Gangguan yang terjadi pada segmen 1 diantisipasi dengan pemisahan sebesar 65,19 MVA atau 13,31% dari total beban keseluruhan, segmen 2 sebesar 156,57 MVA atau 28 % dari total beban keseluruhan, segmen 3 sebesar 175,8 MVA atau 32,6 % dari total beban keseluruhan, dan segmen 4 sebesar 160,86 MVA atau 30,4 % dari total beban keseluruhan.

---

Load operating time which not simultaneous at one time is led to not flat load curve in a single day. The time difference of this operation is causing the need for a study to examine the load priority based on time operation of each load. So when a system is experiencing overload caused partial interruption of supply, it can be readily determined which load to be shedded by the time of disturbance, with not disturbing load fully operational.

Based on Kembangan subsystem load curve then load operating time are divided into 4 segments. Disturbance on segment 1 is anticipated by shedding the load by 65,19 MVA or 13,31 % of total load, segment 2 by 156,57 MVA or 28% of total load, segment 3 by 175,8 MVA or 32,6% of total load, and segment 4 by 160,86 MVA of total load."