Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
abstrak
Konsumsi energi listrik nasional mengalami pertumbuhan rata-rata sekitar 4,8 per tahun selama 5 tahun terakhir, salah satunya adalah sektor rumah tangga. Salah satu solusi untuk mengurangi konsumsi energi listrik pada sektor ini adalah dengan memonitor konsumsi beban listrik peralatan rumah tangga dan memberikan informasi ini kembali kepada pelanggan. Salah satu teknik memonitor konsumsi beban peralatan listrik paling efisien dan murah adalah teknik Non-Intrusive Load Monitoring (NILM). Berbeda dengan teknik konvensional, NILM menjanjikan pengurangan penggunaan sensor secara signifikan. NILM umumnya menggunakan kondisi daya listrik saat transien atau tunak. Pada penelitian ini, metode Back- Propagation Artificial Neural Network (BP-ANN) akan dikembangkan untuk dapat mengidentifikasi penggunaan peralatan rumah tangga pada sinyal daya listrik dalam kondisi tunak dengan fitur ekstraksi perubahan daya. Fitur ekstraksi tersebut memiliki keunggulan yaitu pada akusisi data menggunakan tingkat sampling yang rendah. Dalam penelitian ini telah dikembangkan arsitektur jaringan syaraf tiruan dengan tipe dual input. Tipe dual input pada jaringan syaraf tiruan tersebut terdiri dari daya aggregate dan daya maksimum peralatan rumah tangga. Penggunaan arsitektur jaringan syaraf tiruan dengan tipe dual input ini unggul dalam mengidentifikasi penggunaan peralatan rumah tangga yang memiliki karakteristik nilai daya hampir mirip atau sama dan karakteristik daya dengan kondisi multi daya. Untuk memverifikasi efektivitas metode yang dikembangkan, maka data beban peralatan rumah tangga yang digunakan adalah tracebase dataset dan penyusunan datanya menggunakan model synthetic aggregate. Dari hasil pengujian tipe dual input pada arsitektur jaringan syaraf tiruan ini dapat mengidentifikasi penggunaan peralatan rumah tangga yang memiliki nilai daya hampir mirip atau sama dan karakteristik daya dengan kondisi multi daya, sehingga dapat meningkatkan nilai Recognition Rate (RR) sampai 94.2.

---

abstract
National electric energy consumption experienced average growth about 4.8 per annum over the past 5 years, one of them is household sector. One of the solutions to reduce electrical energy consumption in this sector is to monitor electric power consumption of household appliances and to give this information back to consumers. One of the most efficient and the cheapest techniques to monitor the electric power consumption appliances is Non-Intrusive Load Monitoring (NILM). This is different with conventional techniques where NILM promises the reduction of sensor deployment significantly. NILM commonly uses either transient or steady state signal. In this research, the method of Back-Propagation Artificial Neural Network (BP-ANN) will be developed to identify the utilization of household appliances using power change features extraction in the steady state signals. The feature extraction has an advantage on data acquisition by applying a low sampling rate. This research has developed neural network architecture with dual input type. Dual input types of the neural network consist of aggregate power and maximum power of the household appliances. Applying of neural network architecture with dual input types outperforms in identifying of the household appliances load where the power is almost similar and it has a multi states power characteristics. To verify the effectiveness of the method, the data of the load is provided by tracebase dataset and the forming of the data uses a synthetic aggregate model. From the experiment result of the dual input type in the neural network architecture, it can identify the load which has power almost similar and it has a multi states power characteristics. Finally, it can increase the value of Recognition Rate (RR) to 94.2

Abstrak :
Non-Intrusive Load Monitoring (NILM) memungkinkan pendeteksian peralatan yang aktif atau tidak aktif bahkan karakteristik untuk setiap peralatan yang dipasang di rumah, industri, laboratorium, dll, dengan mendisagregasi total konsumsi listrik yang diukur di panel daya pusat. Penerapan NILM untuk energi efisiensi, manajemen energi, dan diagnosa peralatan di rumah tangga, industri atau penyedia energi telah menunjukkan peningkatan yang menjanjikan. Metode K-NN adalah salah satu metode machine learning yang paling sederhana dan umum digunakan untuk klasifikasi dengan kinerja yang baik dan bersaing dengan metode yang bahkan lebih kompleks. KNN memiliki 3 karakteristik yang dapat diubah dan dioptimalkan untuk memberikan hasil akurasi yang lebih baik, yaitu dari sisi data, algoritma jarak, dan nilai k. Dalam makalah ini metode K nearest neighbor (KNN) dilakukan pada data NILM AMPds2 yang memiliki load karakteristik yang mirip antar peralatan yang berbeda, dengan 9 algoritma jarak yang berbeda, 7 jumlah data training (10% -70%) dan dilakukan untuk variasi k ( 1-25) pada input daya Aktif serta input daya Aktif dan Reaktif untuk didapatkan hasil terbaik, Selain itu dilakukan juga metode Backpropagation Neural Network (BPNN) dengan variasi data training sebesar 25%, 50%, 75% dan 100%, jumlah hidden 10, 20 dan 30, dan jumlah iterasi 50000 dan 150000 dengan input daya aktif dan reaktif data dan 2 metode input yaitu input statis dan dinamis, dan pada akhirnya perbandingan kinerja antara metode KNN dan backpropagation untuk memisahkan data NILM AMPds2 telah dilakukan. Dari hasil pengujian dan penelitian didapatkan bahwa dengan menambahkan data daya reaktif sebagai input, hasil disagregasi pada data NILM yang mempunyai load karakteristik yang sama antara peralatan yang berbeda dengan metode KNN diperoleh akurasi lebih dari 20% lebih akurat sampai dengan 95% akurasi, dan memiliki nilai precision dan recall mencapai 0.9565, dan perbandingan performansi antara metode KNN input daya aktif dan reaktif dan metode backpropagation input daya aktif dan reaktif untuk memisahkan data NILM AMPds2 ke dalam kluster didapatkan hasil bahwa metode KNN input daya aktif dan reaktif memiliki akurasi yang bersaing dengan akurasi 95% sedangkan akurasi hasil backpropagation input dinamis 99.85%. ......Non-Intrusive Load Monitoring (NILM) enables detection of appliances that are active or non-active even characteristics for each equipment installed in homes, industries, laboratories, etc by disaggregating total electrical consumption at the Central Power panel. The application of NILM for energy efficiency, energy management, and diagnostic equipment in households, industries or energy providers has shown promising improvement. The K-NN method is one of the most simple and commonly used machine learning methods for classifying with good performance and competing with even complex methods. K-NN has 3 characteristics that can be changed and optimized to provide better accuracy results, namely in terms of data, distance algorithm, and k value. In this paper the K nearest neighbor (KNN) method is performed on NILM AMPds2 data which having distinctive similar load characteristic between different appliances, with 9 different distances, 7 types of total training data (10% -70%) and performed for k (1-25) in single input (Active Power) and double input (Active and Reactive Power) for best result, In addition, the Backpropagation Neural Network (BPNN) methode was also carried out with variations in the training data amount of 25%, 50%, 75% and 100%, hidden number of 10, 20 and 30, and iterations number of 50000 and 150000 in double input data and 2 input methodes which are static input and dynamic input, and in the end performance comparison between KNN and backpropagation methods to disaggregate NILM AMPds2 data had done. From test and research results it was found that by adding reactive power data as input, the disaggregation results on NILM data which having distinctive similar load characteristic between different appliances with KNN methode were more than 20% accurate up to 95% accuracy and had higher precision and recall value also up to 0.9565, and also performance comparison between KNN double input and backpropagation double input methode to disaggregate NILM AMPds2 data into clusters result was found that KNN methode has shown good competitive result up to 95% accuracy while backpropagation with dynamic input accuracy result is 99.85 %.