Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sebagai dasar dalam perencanaan operasi, dibutuhkan prakiraan yang tepat untuk mengetahui kebutuhan tenaga listrik dalam periode waktu tertentu. Prakiraan biasanya berupa prakiraan beban load forecasting meliputi beban puncak MW, dan prakiraan kebutuhan energi listrik MWh. Dalam melakukan prakiraan telah berkembang berbagai macam metode, salah satunya metode koefisien yang digunakan oleh PT PLN Persero- P2B untuk memprakirakan beban harian dan mingguan dengan data realisasi 3 tahun sebagai pengembangan dari metode autoregresi. Metode prakiraan ini merupakan metode yang relatif akurat dengan tingkat kesalahan terhadap nilai-nilai beban aktual berkisar 5 - 10.

---

A basis for operations planning, precise forecasts are needed to determine the demand for electricity over a period of time. Forecasts usually includes load forecasting including peak load MW, and forecasts for electrical energy MWh. In doing the work has evolved a variety of methods, one of which is the coefficient method used by PT PLN Persero P2B to forecast daily and weekly loads with 3 years realization data as the development of the autoregression method. This forecasting method is a relatively accurate method with an error rate against actual load values ranging from 5 10."

"[ABSTRAKPeramalan beban listrik memegang peranan yang sangat penting bagi efisiensi dankinerja dari PLN. Berbagai jenis metode dipakai untuk mendapatkan hasil peramalan beban yang akurat agar daya yang dikirimkan sesuai dengan kebutuhanlistrik dari konsumen. Skripsi ini membahas peramalan beban jangka pendek satu minggu ke depan dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalanbeban jangka pendek sangat dipengaruhi oleh faktor-faktor cuaca, yang dalam hal ini menjadi masukan JST, yaitu : Suhu, Kelembaban, Tekanan udara, danKecepatan angin. Data yang digunakan untuk pembelajaran adalah data sebenarnya sepanjang tahun 2011. Arsitektur yang digunakan adalah feed-forwarddan algoritma yang dipakai adalah algoritma backpropagation. Berdasarkan hasildidapatkan nilai MAPE terbaik sebesar 1.8 % dan untuk 10 kali running sebesar 2.65 % sehingga berada di bawah ambang kesalahan peramalan.ABSTRAKElectrical load forecasting has an important role for efficiency and performancefrom PLN.Various types of methods have been used to provide an accurate loadforecasting on purpose that the transmitted power appropriates the demand ofconsumers. This research will discuss short term load forecasting using ArtificialNeural Network (ANN). Short term load is influenced by weather factors, thosewill become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed,Data used for study are actual data in 2011. Architecture used for this research isfeed-forward and Algorithm that is used is backpropagation . The final resultshows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which arebelow the forecasting error limit., Electrical load forecasting has an important role for efficiency and performancefrom PLN.Various types of methods have been used to provide an accurate loadforecasting on purpose that the transmitted power appropriates the demand ofconsumers. This research will discuss short term load forecasting using ArtificialNeural Network (ANN). Short term load is influenced by weather factors, thosewill become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed,Data used for study are actual data in 2011. Architecture used for this research isfeed-forward and Algorithm that is used is backpropagation . The final resultshows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which arebelow the forecasting error limit.]"

"Peramalan beban listrik dalam upaya menjaga kestabilan sistem tenaga listrik di Indonesia pada sistem interkoneksi Jawa-Bali sekarang ini hanya menggunakan acuan data historis sebagai masukan metode peramalan beban. Pola konsumsi daya listrik yang berbeda tiap selang waktu tertentu menimbulkan masalah variansi beban listrik tidak homogen (heteroskedastisitas). Metode Generalized Autoregressive Conditional Heteroskedasticity (GARCH) yang digunakan dalam peramalan beban listrik jangka pendek berdasarkan data historis pada penelitian ini memanfaatkan kondisi heteroskedastisitas tersebut untuk membuat model dan menghasilkan peramalan yang akurat dan presisi. Hasil penelitian menunjukkan bahwa peramalan metode GARCH dengan MAPE 2.668676 % lebih baik dibandingkan peramalan metode koefisien yang dilakukan PT PLN (Persero) dengan MAPE 3.739172 %.

---

Electrical load forecasting in an effort to maintain the stability of electric power systems in Indonesia on Java-Bali interconnection system is currently only used the historical data as a reference input to the load forecasting method. The different patterns of electrical power consumption in each time interval caused problems that the electrical load variance is not homogeneous (heteroskedasticity). Generalized Autoregressive Conditional Heteroskedasticity (GARCH) method used in the short term electrical load forecasting based on historical data in this study is taking the advantage of heteroskedasticity to model and generate an accurate and precision forecasting result. The results show that the GARCH forecasting method with 2.668676% of MAPE is better than the coefficient forecasting method by PT PLN (Persero) with 3.739172% of MAPE."

"Penelitian tesis ini mengusulkan metode data mining untuk peramalan beban listrik jangka pendek dengan menggunakan kombinasi wavelet transform dan algoritma group method of data handling (WGMDH). Wavelet transform digunakan untuk mendekomposisi dan menganalisis sinyal beban listrik yang memiliki tren dan berfungsi sebagai proses penyaringan untuk meningkatkan kualitas data sebelum dilakukan peramalan menggunakan GMDH. Metode diuji pada data beban listrik yang terdapat pada sistem ketenagalistrikan Sumatera. Kinerja metode yang diusulkan dibandingkan dengan metode GMDH tanpa kombinasi wavelet dan metode koefisien. Metode yang diusulkan dapat memperbaiki akurasi peramalan beban listrik jangka pendek dibandingkan dengan model GMDH tanpa wavelet dan metode koefisien, yaitu menghasilkan MAPE lebih kecil dari 2%.

---

This thesis proposes a method of data mining for short-term load forecasting using a combination of wavelet transform and group methods of data handling (WGMDH). The wavelet transform is used to decompose, analyze and filter the signals trend of the electrical load to generate electricity load data into a higher quality before forecasting using GMDH. The proposed method is tested on the datasets of the power system of Sumatera. The performance of the proposed method compared with the GMDH method without the combination of wavelet transform and coefficient method. The proposed method can improve the accuracy in short-term load forecasting rather than GMDH without wavelet and coefficient method, the MAPE result is less than 2%."

"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."

"Dalam perencanaan operasi harian, diperlukan perkiraan beban beberapa waktu kedepan sebagai dasar penentuan strategi pembangkit. Saat ini belum dibentuk suatu model matematis yang dapat digunakan untuk melakukan perkiraan beban listrik secara akurat. Untuk itu pada penelitian kali ini akan disusun model matematis yang dapat melakukan peramalan beban secara akurat. Metode yang digunakan pada penelitian ini untuk melakukan peramalan beban listrik di Jawa-Bali adalah dengan menggunakan Feed Forward Neural Networks dan Bayesian Neural Networks. Hasil dari pengolahan data yang telah dilakukan diperoleh hasil bahwa peramalan dengan Feed Forward Neural Networks memberikan hasil peramalan yang lebih baik untuk rentang waktu 1 minggu kedepan, sedangkan untuk melakukan ramalan 1 ? 2 hari kedepan Bayesian Neural Networks memberikan hasil yang lebih akurat.

---

In the daily operations planning, required load estimates as a basis for determining the generating strategy. Currently a mathematical model that can be used to perform accurately estimate the electric load has not been established. Therefore in the present study will be developed a mathematical model that can perform load forecasting accurately. The method used in this study to to forecast electricity load in Java-Bali is by using Feed Forward Neural Networks and Bayesian Neural Networks. The results shows forecasting with Feed Forward Neural Networks provide better forecasting results for a span of 1 week ahead, while to do a forecast 1-2 days ahead of Bayesian Neural Networks provide more accurate results."

"Listrik merupakan salah satu kebutuhan yang paling penting bagi kehidupan sehari-hari. Mengingat begitu besar kebutuhan beban listrik yang terus meningkat seiring dengan berjalannya waktu, oleh karena itu diperlukan peramalan beban listrik untuk menjaga kestabilan sistem tenaga listrik. Dalam skripsi ini, data historis digunakan sebagai data acuan dan peramalan dilakukan menggunakan metode koefisien beban untuk meramalkan beban puncak mingguan dari tahun 2017 sampai 2020 pada sistem interkoneksi Jawa-Bali. Hasil analisa menunjukan nilai beban puncak untuk empat tahun terakhir tahun terjadi pada pekan ke 42 yaitu pada tahun 2017 sebesar 26.173 MW, tahun 2018 sebesar 25.630 MW, tahun 2019 sebesar 26.219 MW, dan tahun 2020 sebesar 26.822 MW. Di sisi lain persentase kesalahan peramalan beban puncak tertinggi pada tahun 2017 sebesar 12,717 yang terjadi pada hari raya idul fitri. Tingkat akurasi pada metode koefisien beban dapat dikatakan cukup baik karena rata-rata persentase kesalahan pada tahun 2017 bernilai rendah yaitu sebesar 1,66.

---

Electricity is one of the most important needs for everyday life. Given the huge demand for electrical loads that increase continously over time, therefore the electrical load forecasting is required to maintain the stability of the electrical system. In this paper, historical data used as the reference and the load coefficient method is used to forecast weekly peak load from 2017 to 2020 on Jawa Bali system interconnection.

The result of the analysis shows the peak load value for the last four years occurred in the 42nd week. In 2017 the peak load value is 26,173 MW, in 2018 the peak load value is 25,630 MW, the peak load value in 2019 is 26,219 MW, and the peak load value in 2020 is 26,822 MW. On the other hand, the highest error percentage of peak load in the year 2017 amounted to 12.29 which occurred on Idul Fitri holidays. The accuracy of the load coefficient method can be quite good because the average error percentage in 2017 is at the low catagorized on 1.66."

"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."