Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"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."

"Pertumbuhan ekonomi dan populasi menyebabkan peningkatan konsumsi energi listrik. Oleh karena itu, konsumsi energi dan penyediaan daya di masa mendatang perlu diprakirakan sejak dini. Terdapat beberapa metode yang telah diterapkan, namun dalam hal ini penulis melakukan peramalan kebutuhan energi menggunakan metode Neural Network (NN) berdasarkan data-data meliputi rasio elektrifikasi, energi terjual pelanggan, PDRB (Produk Domestik Regional Bruto) serta jumlah penduduk pada wilayah Jamali (Jawa Madura Bali). Adapun simulasi NN dilakukan pada software Matlab. Walaupun demikian, peramalan kebutuhan energi kali ini hanya dapat dilakukan pada waktu yang terbatas, karena tingkat kepercayaan ramalan menurun mengikuti kenaikan tahun dimana tingkat kepercayaan maksimum R2 = 0,9852 diperoleh pada peramalan kebutuhan energi selama 6 tahun ke depan.

---

Economic and population growth led to increased consumption of electrical energy. Therefore, energy consumption and power supply in the future need to be predicted early on. There are several methods that can be applied, but this study will use artificial Neural Network (ANN) for demand forecasting based on data that consist of electrification ratio, energy-sold customers, GDP (Gross Domestic Product) and the number of residents in the area of Jamali. The simulation is done by using Matlab. However, the peak demand forecasting can only be done in a limited time, because the confidence level forecast to decline following the year in which the increase in the maximum confidence level R2 = 0.9852 is obtained on demand forecasting for the next 6 years."

"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."

"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."

"Terjadinya gangguan 4 kabel secara bersamaan pada sistem Jawa-Bali dapat menyebabkan turunnya frekuensi dikarenakan hilangnya suplai daya sebesar 339,9 MW. Penurunan ini dapat berakibat buruk pada kinerja sistem sehingga dibutuhkan pengembalian frekuensi ke kondisi normal. Pengembalian frekuensi ke nilai awal dapat dicapai dengan pelepasan beban dengan skema secara bertahap.Dalam studi ini dilakukan simulasi pelepasan beban secara trial and error menggunakan software DIgSILENT PowerFactory sampai tercapai kondisi ideal yaitu frekuensi mendekati 50 Hz. Dari simulasi yang dilakukan didapat bahwa kondisi terbaik dicapai oleh skema pelepasan beban tiga tahap dengan perbandingan beban pertahapnya bernilai seimbang yaitu pada Skema II, dengan maksimum frekuensi tercapai adalah 49,94 Hz dalam waktu 9,068 detik.

---

The breakdown of 4 wires simultaneously in the Java - Bali system can cause a decline in the frequency due to the loss of 339,9 MW energy supply. This decrease can adversely impact the performance of the system thus frequency needed to be returned to normal conditions . Returns of the frequency of the initial value can be achieved by a load shedding scheme with gradual step.In this study, load shedding simulation is done by trial and error using DIgSILENT PowerFactory software to achieve ideal frequency conditions, which is approximately 50 Hz. From the simulation, we found that the best condition is achieved by using Scheme II, a 3 steps load shedding scheme with similar ratio per step, which reach a maximum frequency of 49,94 Hz and is reached within 9,068 seconds."

"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%."

"Peramalan beban listrik memegang peranan yang sangat penting bagi efisiensi dan kinerja dari PLN. Berbagai jenis metode dipakai untuk mendapatkan hasil peramalan beban yang akurat agar daya yang dikirimkan sesuai dengan kebutuhan listrik dari konsumen. Skripsi ini membahas peramalan beban jangka pendek satu minggu ke depan dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalan beban jangka pendek sangat dipengaruhi oleh faktor-faktor cuaca, yang dalam hal ini menjadi masukan JST, yaitu : Suhu, Kelembaban, Tekanan udara, dan Kecepatan angin. Data yang digunakan untuk pembelajaran adalah data sebenarnya sepanjang tahun 2011. Arsitektur yang digunakan adalah feed-forward dan algoritma yang dipakai adalah algoritma backpropagation. Berdasarkan hasil didapatkan nilai MAPE terbaik sebesar 1.8 % dan untuk 10 kali running sebesar 2.65 % sehingga berada di bawah ambang kesalahan peramalan.

---

Electrical load forecasting has an important role for efficiency and performance from PLN.Various types of methods have been used to provide an accurate load forecasting on purpose that the transmitted power appropriates the demand of consumers. This research will discuss short term load forecasting using Artificial Neural Network (ANN). Short term load is influenced by weather factors, those will 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 is feed-forward and Algorithm that is used is backpropagation. The final result shows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which are below 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."