Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Meningkatnya kebutuhan akan energi terbarukan di mana salah satunya adalah tenaga angin, menimbulkan masalah baru, yaitu terjadinya fluktuasi dalam produksi energi angin tersebut. Untuk mengembangkan potensi energi angin, persiapan untuk pembangkitan ke jaringan memerlukan model prediksi potensi daya angin pada PLTBayu yang akan dihasilkan dari ladang angin. Dalam kondisi seperti ini, dibutuhkan model prediksi yang dapat memprediksi pola intermittent pada hasil prediksi daya angin yang dihasilkan. Metode prediksi daya angin yang akan dikembangkan dalam penelitian ini menggunakan metode statistik, metode-metode mesin pembelajaran dan proses pembelajaran lebih lanjut (deep learning). Di dalam penelitian ini dikembangkan model prediksi output daya angin menggunakan metode Triple Exponential Smoothing (TES) dengan mengadaptasi parameter α, β dan γ. Parameter-parameter ini dapat beradaptasi terhadap pola intermittent yang terbaca dengan variasi berbeda untuk setiap set data deret waktu pada tiga lokasi pengamatan. Dalam model prediksi daya angin di PLTBayu ini, metode Adaptive Parameters Triple Exponential Smoothing (APTES) digunakan untuk memproses penghalusan data deret waktu kecepaan angin historis, sementara Multiplicative Long Short Term Memory (MLSTM) digunakan untuk menentukan nilai prediksi tenaga angin dengan mengikuti pola intermittent yang terjadi pada area pengamatan. Setelah dilakukan pengujian dan analisa, model prediksi APTES-MLSTM mampu membaca sangat baik pola intermittent dengan pola yang berubah-ubah dan memiliki banyak variasi. Dengan pola intermittent yang sering terjadi, model ini mampu memprediksi dalam waktu jangka pendek dengan beberapa step ke depan. Hasil analisa menunjukkan MAPE untuk dua lokasi luaran daya angin: Pandansimo dan Ciemas, masing-masing dengan rata-rata sebesar 12,93% dan 7,70%. Dari hasil pengujian model di lahan Harjobinangun tanpa melakukan training pada MLSTM menunjukkan pada tahun 2011 nilai MSE sebesar 0,11453, pada tahun 2012 nilai MSE sebesar 0,10509 dan pada tahun 2013 nilai MSE sebesar 0,0449. Akurasi prediksi yang dihasilkan dengan model ini cenderung memiliki MSE semakin mengecil di setiap term dibandingkan dengan model dengan kombinasi metode-metode konvensional seperti Kalman Filter, Wavelet Decomposition, Bayesian Hierarchy, dikombinasikan dengan pembelajaran Support Vector Machine dan Neural Network. ......The increasing need for renewable energy where one of them is wind power, raises a new problem, namely the occurrence of fluctuations in the production of wind energy. To develop wind energy potential, preparation for generation to the network requires a prediction model of wind power potential on PLTBayu that will be produced from wind farms. Under these conditions, a predictive model is needed that can predict intermittent patterns on the results of the predicted wind power generated. The wind power prediction method that will be developed in this study uses statistical methods, machine learning methods and the process of further learning (deep learning). In this study a wind power output prediction model was developed using the Triple Exponential Smoothing (TES) method by adapting the parameters α, β and γ. These parameters can adapt to intermittent patterns that are read with different variations for each time series data set at the three observation locations. In this wind power prediction model in PLTBayu, the Adaptive Parameters Triple Exponential Smoothing (APTES) method is used to process refinement of historical wind speed data series, while Multiplicative Long Short Term Memory (MLSTM) is used to determine the predicted value of wind power by following intermittent patterns that follow occur in the observation area. After testing and analysis, the APTES-MLSTM prediction model is able to read very well intermittent patterns with changing patterns and has many variations. With intermittent patterns that often occur, this model is able to predict in the short term with several steps ahead (With the intermittent patterns that often occur, this model is able to predict in the short term with several steps ahead). The results of the analysis show MAPE for two locations of wind power output: Pandansimo and Ciemas, respectively with an average of 12.93% and 7.70%. From the results of testing the model in the Harjobinangun field without doing training in MLSTM shows that in 2011 the MSE value was 0.11453, in 2012 the MSE value was 0.10509 and in 2013 the MSE value was 0.0449. The accuracy of the predictions produced by this model tends to have MSE getting smaller in each term compared to the model with a combination of conventional methods such as Kalman Filter, Wavelet Decomposition, Bayesian Hierarchy, combined with learning Support Vector Machine and Neural Network.

Abstrak :
Penggunaan pompa air listrik satu fasa sebagai turbin-generator pembangkit listrik pikohidro menguntungkan untuk digunakan karena murah, sederhana, kokoh, mudah dipasang dan mudah dibeli di mana-mana. Sesuai standard yang berlaku pembangkit listrik harus memiliki luaran tegangan dan frekuensi dengan rentang kesalahan tunak yang aman dalam mensuplai peralatan. Untuk memenuhi kriteria ini terdapat beberapa masalah, antara lain; pompa air yang digunakan sebagai turbin tidak dilengkapi dengan pengendali putaran, pabrikan pompa tidak menyediakan data model dinamik dari pompa air untuk mode operasi turbin, serta efek cross-coupling antara loop pengendali tegangan dan loop pengendali frekuensi. Dalam penelitian ini permasalahan pengendalian frekuensi diselesaikan dengan menerapkan metode Electric Balanced Load, masalah penentuan model dinamik diselesaikan dengan metode estimasi data-driven, dan masalah efek cross-coupling diselesaikan dengan menambahkan blok decoupling pada model sistem pengendali. Ketiga solusi ini diimplementasikan dalam bentuk desain pengendali frekuensi dan tegangan menggunakan pengendali PID ganda. Pemilihan nilai parameter PID yang tepat, menghasilkan respons tegangan dan frekuensi luaran pembangkit yang dapat memenuhi persyaratan yang berlaku. Dari beberapa skenario simulasi menggunakan Matlab Simulink menghasilkan nilai kesalahan tunak tertinggi pada luaran frekuensi dan tegangan masing-masing 0,0008 pu dan 0,0015 pu serta settling time masing-masing 15 detik dan 11 detik. Dengan menambahkan modul pengendali tegangan dan frequensi seperti yang diterapkan pada penelitian ini dapat disimpulkan bahwa pompa air listrik kapasitas 250-watt secara teknis layak untuk dikembangkan sebagai turbin-generator pembangkit listrik pikohidro dengan nilai toleransi tegangan dan frekuensi luaran generator yang aman untuk konsumsi peralatan listrik rumah tangga.

---

The use of a single-phase electric water pump as a picohydro turbine-generator is advantageous tobe use because it is cheap, simple, sturdy, easy to install and easy to purchase. The Electric Power Generation which supplying the electric power to the consumer must have the quality of Voltage and Frequency comply to a specific standard code. The standard code mentioned that the power generation must have an output voltage within tolerance +/-10% and the frequency tolerance within -5% and +10%. To meet these criteria, this system has several problems such as; the water pump which used as the turbine do not equipped with mechanical governor, the pump manufacturer does not provide dynamic model data for the turbine operating mode, and the effect of cross-coupling between the voltage control loop and the frequency control loop. In this research, frequency control problems are solved by applying the Electric Balanced Load method, the problem of determining the dynamic model is solved by the Data-Driven Estimation method, and the problem of Cross-coupling effects solved by adding the Decoupling Blocks Compensator in the Dynamic Model Block of the Controller. These three solutions are implemented in the form of a Frequency and Voltage Controller design by using a dual PID controller. The selection of the right PID parameter values resulting a voltage and frequency output response of the generator which meet the requirements of the applicable standard code. From the simulation scenarios by using Matlab Simulink resulting a highest Steady State Error value of generator voltage and frequency 0,0008 pu and 0,0015 pu respectively as well as settling time 15 second and 11 second. Based on the results of the simulation study it can be concluded by added such frequency and voltage controller the single phase 250-watt electric water pump used in this study technically feasible to be developed as a turbinegenerator in a picohydro power plant.

Abstrak :
Modul Photovoltaic (PV) pada sistem Pembangkit Listrik Tenaga Surya (PLTS) sering mengalami gangguan berupa titik panas saat beroperasi di lapangan. Metode deteksi yang digunakan saat ini membutuhkan waktu yang lama dan sulit untuk menemukan koordinat titik panas, terutama di area PLTS yang besar. Hal ini dapat mengakibatkan gangguan meluas, seperti memicu kebakaran pada PLTS dan menyebabkan degradasi pada modul. Penelitian ini menjelaskan mengenai pemodelan matematis metode pemantauan dan deteksi titik panas pada PLTS dengan menggunakan perangkat katadioptrik (CD) yang berpotensi melakukan deteksi cepat dan berkelanjutan. Model matematis yang dibuat memanfaatkan dua citra objek dari posisi CD yang berbeda untuk memperkirakan koordinat titik panas. Kemudian, eksperimen dilakukan untuk validasi akurasi model dan melihat pengaruh variasi parameter. Selain itu, simulasi studi kasus pada pemantauan sistem PLTS dengan area luas juga dilakukan untuk menggambarkan pemantauan titik panas pada PLTS dengan tata letak menyerupai kondisi riil. Simulasi projeksi menunjukkan bahwa model matematis yang dibangun dapat digunakan untuk menentukan koordinat titik panas dengan kesalahan pengukuran yang kecil. Dari hasil studi kasus, ditemukan sembilan kombinasi parameter yang menghasilkan citra PLTS yang simetris dan tidak tumpang tindih dimana rasio citra lebih dipengaruhi oleh posisi kamera daripada panjang fokus. Selain itu, persyaratan minimum sensor ditentukan oleh panjang pusat citra PLTS terjauh untuk memantau semua baris PLTS. Simulasi penentuan koordinat titik panas menemukan bahwa parameter xk berpengaruh pada kesalahan pengukuran rata-rata prediksi koordinat dan gradien kesalahan setiap pasangan sumbu. Hasil studi kasus menunjukkan bahwa posisi titik panas dapat diperkirakan dengan persentase kesalahan terburuk (PE) kurang dari 10%, dengan kesalahan persentase absolut rata-rata (MAPE), kesalahan absolut rata-rata (MAE), dan root mean square error (RMSE) dalam nilai yang dapat diterima. Selain itu, pola sensitivitas dapat digunakan untuk memantau kondisi CD. ......

Abstrak :
Pembangkit Listrik Tenaga Bayu (PLTB) merupakan salah satu energi terbarukan yang cukup populer dan sudah banyak dikembangkan karena kelebihannya sebagai energi bersih, berbahan bakar murah, serta biaya investasinya yang cenderung semakin ekonomis. Tetapi di sisi lain PLTB termasuk pembangkit bersifat intermiten yang disebabkan adanya fluktuasi alami (variability) dan kesalahan prediksi (uncertainty) dari daya keluaran PLTB tersebut. Kondisi ini berpotensi menyebabkan gangguan sistem serta pemadaman listrik konsumen yang cukup besar, bahkan sampai terjadi blackout. Untuk itu diperlukan model integrasi PLTB yang tepat dalam menentukan kebutuhan tambahan cadangan operasi yang optimal sebagai antisipasi sifat intermiten PLTB tersebut, sehingga sistem tenaga listrik dapat tetap beroperasi secara andal dan ekonomis. Penelitian ini bertujuan menentukan model algoritma untuk menghitung kebutuhan tambahan cadangan operasi harian yang dinamis dan optimal pada integrasi PLTB di sistem Sulawesi bagian Selatan (Sulbagsel). Dengan menggunakan usulan algoritma Multi-Stage Statistical Approach (MSSA) maka dapat diketahui karakteristik daya keluaran PLTB pada sistem Sulbagsel. Kemudian hasil analisa tersebut diolah dengan menggunakan usulan algoritma Seasonal Daily Variability and Uncertainty (SDVU) berbasis Hybrid Artificial Intelligence (Hybrid AI) untuk memprediksi pola variability dan uncertainty dari data yang ada untuk menghitung parameter Dynamic Confidence Level (DCL). Hasil DCL tersebut kemudian digunakan untuk menghitung kebutuhan optimal tambahan cadangan operasi harian yang dibutuhkan. Dari beberapa alternatif Hybrid AI yang digunakan, diketahui bahwa kombinasi Seasonal Auto Regressive Moving Average (SARIMA) dan Long Short-Term Memory (LSTM) menghasilkan prediksi yang paling akurat dan konsisten, baik untuk data variability maupun uncertainty. Dampak signifikan dari penelitian ini ditunjukkan dengan adanya potensi penghematan biaya bahan bakar pembangkit rata-rata sekitar 250 milyar rupiah per tahun untuk kebutuhan tambahan cadangan operasi saat dibandingkan dengan metoda eksisting yang menggunakan parameter Static Confidence Level (SCL) dengan tingkat keandalan yang sama. ......Wind Power Plant (WPP) is part of renewable energy which is quite popular and has been widely developed due to its advantages as clean energy, cheap fuel, and decreasing trend of its investment cost. But on the other hand, WPP is part of Variable Renewable Energy (VRE) due to natural fluctuation (variability) and forecast errors (uncertainty) of the wind power output. This situation has the potential to cause significant system disturbance and costumer power outages, even blackouts. For this reason, a WPP integration model is needed in determining the optimum operational operating reserve to anticipate of the intermittent nature of the WPP, so that the electric power system can be operated reliably and economically. This study aims to determine the algorithm model to calculate the need for additional dynamic and optimal daily operational reserves for the integration of WPP in the Southern Sulawesi power system. By using the first proposed method, Multi-Stage Statistical Approach (MSSA) algorithm, the characteristics of the wind power output can be discovered. Then the results of the analysis are processed using the second proposed method, Seasonal Daily Variability and Uncertainty (SDVU) algorithm based on Hybrid Artificial Intelligence (Hybrid AI) to forecast variability and uncertainty patterns of the observed data in calculating Dynamic Confidence Level (DCL) parameters. The DCL results are then used to determine the optimal daily additional operating reserve. Among the Hybrid AI variants, it is concluded that the combination of Seasonal Auto Regressive Moving Average (SARIMA) and Long Short-Term Memory (LSTM) produces the most accurate and consistent forecast, both for variability and uncertainty data. The significant impact of this research is indicated by the potential cost savings of around 250 billion rupiah per year on average for additional operational reserves when compared to the existing method using Static Confidence Level (SCL) parameters with the same level of reliability.