Peramalan Beban Listrik Jangka Pendek Melalui Pendekatan Statistik dan Soft Computing

Transkripsi

1 KNIA 20 A Peramalan Beban Lstrk Jangka Pendek Melalu Pendekatan Statstk dan Soft Computng Ade Gafar Abdullah, Yad Mulyad, Program Stud eknk Elektro FPK Unverstas Penddkan Indonesa Abstrak Makalah n memaparkan hasl peneltan tentang estmas beban lstrk haran melalu dua pendekatan yatu pendekatan statstk dan pendekatan softcomputng. Pendekatan statstk menggunakan metode movng average dan exponental smoothng, sedangkan pendekatan softcomputng menggunakan algortma feed forward backpropagaton dar arngan syaraf truan. Hasl perhtungan dengan kedua pendekatan tersebut kemudan dbandngkan dengan metode koefsen beban yang selama n dgunakan PLN. Hasl smulas dperoleh bahwa estmas lebh akurat dengan menggunakan pendekatan soft computng. Index erms Estmas beban lstrk haran; statstk; soft computng. I. PENDAHULUAN Operas sstem tenaga lstrk yang modern basanya berhubungan dengan berbaga varas prosedur perencanaan. Perencanaan operas melput metodolog dan proses pengamblan keputusan d mana suatu sstem tenaga lstrk dsusun untuk memenuh beban lstrk dalam arngan yang telah dtetapkan krtera knera tekns serta krtera knera ekonomsnya. Proses perencanaan operas harus dmula dengan proyeks penyaluran beban lstrk masa depan pada nterval waktu tertentu, yatu dengan melakukan peramalan beban (load forecastng). Peramalan beban lstrk dklasfkaskan menad tga bagan yatu peramalan beban angka pendek (short term load forecastng), angka menengah dan angka panang. Setap model peramalan beban menggunakan metode yang berbeda untuk memenuh tuuan spesfknya. Masalah utama dalam perencanaan adalah penentuan kebutuhan beban lstrk dmasa depan, karena energ lstrk tdak dapat dsmpan. Peramalan beban yang benar akan sangat pentng untuk kebutuhan nvestas. Peramalan beban angka pendek menghtung estmas beban lstrk haran untuk setap am (bahkan per setengah am) dan menghtung beban puncak haran. Banyak metode yang dkembangkan untuk melakukan peramalan beban, tetap umumnya menggunakan pendekatan berbaga metode statstk msalnya regres lner, model Bob Jenkns, eksponensal smootng dan Kalman Flter. Metode-metode datas tdak dapat mewakl masalah non-lner yang kompleks. Bahkan P. PLN mash mengadops metode peramalan beban konvensonal yatu dengan pendekatan deret waktu yang dkenal dengan metode koefsen beban. Metode tersebut mash memberkan error predks yang sangat besar ( rentang 8-0%) sehngga dperlukan metode lan untuk memperkecl tngkat error predks tersebut. A. Metode Koefsen Beban II. MEODE PERAMALAN Untuk membuat prakraan beban lstrk angka pendek (beban haran), PLN menggunakan suatu metode yang sudah lama dgunakan yatu metode koefsen beban. Metoda n dgunakan untuk mempredks beban haran dar suatu sstem tenaga lstrk. Beban untuk setap am dber koefsen yang menggambarkan besarnya beban pada am tersebut dalam perbandngannya terhadap beban puncak. Algortma untuk koefsen beban dsusun sebaga berkut :. Menyusun data-data beban masa lalu pada am ke-t pada har ke-, yang selanutnya dsmbolkan. Dmana t adalah waktu per setengah am, maka dan h adalah har Senn sampa dengan Mnggu. 2. Menentukan beban puncak untuk setap beban pada har, untuk har Senn sampa Mnggu. 3. Menentukan koefsen untuk setap am dengan cara membandngkan besarnya beban pada am t, har h dengan beban puncak pada har tersebut. () Dmana : : koefsen beban. : beban pada am t har h, n mnggu sebelumnya, ( n =,2,...) : beban maksmum har h, n mnggu sebelumnya, ( n =,2,...) 4. Menentukan pertumbuhan (β), yang dhtung dengan membandngkan beban pada am t har h dengan beban pada t yang sama dan har yang sama sebelumnya. Dmana : = pertumbuhan beban. 5. Menghtung prakraan beban pada am t har h dengan rumus : (3) Y th = Prakraan beban pada am t har h. Selanutnya dar algortma d atas, karena data beban masa lalu pada stud n dambl 5 mnggu sebelumnya maka model prakraan beban PLN dperoleh sebaga berkut: (2)

2 A2 KNIA 20 (4) B. Movng Average Movng Averages tdak hanya berguna untuk melakukan penghalusan sebuah data deret berkala, metode n merupakan metode dasar yang dgunakan dalam mengukur fluktuas musman (Mason, 999:328). Movng Averages semata-mata hanya memperhalus fluktuas dalam data. Cara n dlakukan dengan menggerakkan nla rata-rata artmetk melalu data deret berkala. Data hstors masa lalu dapat dratakan dalam berbaga cara, antara lan rata-rata bergerak tunggal (sngle movng average) dan rata-rata bergerak ganda (double movng averages). Salah satu cara untuk mengubah pengaruh data masa lalu terhadap nla tengah sebaga ramalan adalah dengan menentukan seak awal berapa umlah nla observas masa lalu yang akan dmasukkan untuk menghtung nla tengah. Setap muncul nla observas baru, nla rata-rata baru dapat dhtung dengan membuang nla observas yang palng tua dan memasukkan nla observas yang terbaru. Secara alabar, rata-rata bergerak dapat dtulskan sebaga berkut. F F (6) Keterangan : : Peramalan untuk perode : Data pada perode ke : Jangka waktu perataan : Peramalan untuk perode Metode sngle movng average n basanya lebh cocok dgunakan untuk melakukan forecast hal-hal yang bersfat random, artnya tdak ada geala trend nak maupun turun, musman, dan sebaganya, melankan sult dketahu polanya. Metode sngle movng average n mempunya 2 sfat khusus yatu. ) Untuk membuat forecast memerlukan data hstors selama angka waktu tertentu. 2) Semakn panang angka waktu movng average akan menghaslkan movng average yang semakn halus. (5) dalam Peramalan (forecastng) karena sederhana, efsen d dalam perhtungan dan perubahan ramalan, mudah dsesuakan dengan perubahan data, dan keteltan metode n cukup besar. Kesalahan ramalan pada perode adalah (7) Jka α adalah kecl tertentu yang dmaksud maka taksran yang baru adalah : (8) Jka =, maka : (9) (0) Model (7) dsebut penghalusan eksponensal sederhana (basc eksponental smoothng) atau penghalusan eksponensal orde pertama (sngle exponental smoothng). S adalah rata-rata tertmbang dar semua pengamatan yang lampau. Hal n dapat dperlhatkan sebaga berkut: () Jka substtus untuk k = 2,3,..., dlanutkan maka akan dperoleh: (2) Dmana S 0 adalah penaksr awal dar a, yang dpaka pada awal proses. S dpaka sebaga penaksr parameter a yang tdak dketahu pada waktu.. Nla predks beban lstrk untuk t waktu atau perode ke depan akan menad: D. ALGORIMA FEED FORWARD BACK PROPAGAION Algortma feed forward backpropagaton merupakan algortma pembelaaran yang terawas dan basanya dgunakan oleh perceptron dengan banyak lapsan untuk mengubah bobot- bobot yang terhubung dengan neuron neuron yang ada pada lapsan tersembunynya. Feed forward backpropagaton menggunakan error output untuk mengubah nla bobot bobotnya dalam arah mundur (backward). Untuk mendapatkan error n, tahap perambatan mau (forward propagaton) harus dkerakan terlebh dahulu. Pada saat perambatan mau, neuron neuron daktfkan dengan menggunakan fungs aktvas yang dapat ddeferensas. Feed forward backpropagaton memlk beberapa unt yang ada dalam satu atau lebh layer tersembuny. Gambar adalah arstektur back propagaton berbass arngan syaraf truan dengan n buah masukan (dtambah sebuah bas), sebuah layar tersembuny yang terdr dar p unt (dtambah sebuah bas), serta m buah unt keluaran. C. Exponental Smoothng Penghalusan eksponensal (exponental smoothng) adalah suatu tpe teknk peramalan rata-rata bergerak yang melakukan penmbangan terhadap data masa lalu dengan cara eksponensal sehngga data palng akhr mempunya bobot atau tmbangan lebh besar dalam rata-rata bergerak. Metode penghalusan eksponensal orde satu (sngle exponental smoothng) sebenarnya merupakan perkembangan dar metode rata-rata bergerak (movng average) sederhana. Metode n dpergunakan secara luas d

3 KNIA 20 A3 Gambar. Arstektur Feed Forward Back Propagaton v merupakan bobot gars dar unt masukan x ke unt layar tersembuny z ( v merupakan bobot gars yang o menghubungkan bas d unt masukan ke unt layer tersembuny z ). w merupakan bobot dar unt layar tersembuny k z ke unt keluaran y ( w merupakan bobot dar bas d layar tersembuny ke unt keluaran z k ) (Jek, 2005:98). Algortma backpropagaton dkerakan dengan langkah-langkah sebaga berkut :. Insalsas bobot (ambl bobot awal dengan nla random yang cukup kecl). 2. etapkan: Maksmum epoh, target error, dan learnng rate (). 3. Insalsas : Epoh = 0, MSE =. 4. Kerakan langkah-langkah berkut selama (Epoh < maksmum Epoh) dan MSE > target error) : Feedforward Backpropagaton 5. Htung MSE (Mean Squared Error). k ko III. HASIL DAN PEMBAHASAN Peramalan beban hanya dbatas untuk mempredks beban lstrk haran mula har senn sampa har mnggu. Selanutnya beban dalam satu har dbag menad 48 yang dsebut beban tap setengah am mula dar tanggal Me 2009 sampa dengan Jun Data beban lstrk yang akan danalss adalah data beban aktual lma mnggu sebelumnya dengan menambah satu mnggu berkutnya sebaga target pembandng. Selanutnya hasl data tersebut akan d predks dengan model koefsen beban, movng average, exponental smoothng dan feed forward backpropagaton dan hasl predks yang dperoleh dar rumusan model tad, akan dbandngkan dengan data beban aktualnya. Pola kegatan konsumen pada setap mnggunya tdak banyak berubah, pola kegatan konsumen akan berulang pada setap mnggunya. Pengulangan n uga akan terad pada pola kurva beban dar mnggu ke mnggu, dmana har yang sama pada suatu mnggu mempunya pola kurva beban yang mrp. Gambar 2. Pola Beban Haran Analss terhadap pola beban haran : Beban puncak selalu terad dsektar am 9.00 yatu pada malam har. In berart bahwa pemakaan tenaga lstrk untuk keperluan penerangan mash lebh banyak dbandngkan pemakaan tenaga lstrk untuk keperluan ndustr. Pada pag har sektar am pag selalu ada kenakan beban sebentar yang kemudan dkut dengan penurunan beban pada sektar am pag. Hal n dsebabkan karena am pag para pemaka tenaga lstrk telah bangun, menyalakan lampu untuk sholat dan melakukan persapan-persapan untuk kera. Setelah matahar terbt kra-kra am lampu-lampu dmatkan dan beban turun. Pada sang har antara am 2.00 dan am 2.30 ada penurunan beban untuk setap harnya, karena pada waktu tersebut perusahaan-perusahaan sedang strahat. Untuk har Mnggu dan har lbur saat teradnya beban terendah n lebh sang, dsebabkan karena kegatan masyarakat yang memerlukan tambahan tenaga lstrk terad lebh sang pada har Mnggu dan lbur dbandngkan pada har-har kera. Untuk har Senn dar gambar 2.2 tampak bahwa nla beban terendah n adalah palng rendah dbandngkan har-har kera lannya, hal n mungkn dsebabkan karena mash adanya pengaruh week end terhadap kegatan pemakaan tenaga lstrk. Beban har Sabtu untuk setap am yang sama adalah lebh rendah darpada untuk har kera lannya. Hal n dsebabkan karena adanya perusahaan yang tdak bekera pada har Sabtu. Beban har Mnggu untuk setap am yang sama adalah lebh rendah darpada beban har kera (termasuk har Sabtu), hal n dsebabkan karena sebagan besar perusahaan tdak bekera untuk har Mnggu. Perbandngan akuras peramalan dengan metode koefsen beban dan eksponental smoothng Hasl peramalan beban lstrk dengan menggunakan metode penghalusan eksponensal (exponental smoothng) telah dhaslkan dmana estmas metode penghalusan eksponensal dengan alpha 0.5 lebh mendekat data aktualnya dbandngkan dengan alpha 0. dan 0.9, namun mash d bawah hasl estmas dengan metode koefsen beban.

4 A4 KNIA 20 Hasl smulas menympulkan bahwa estmas beban lstrk menggunakan metode penghalusan eksponensal dengan alpha 0., 0.5 dan 0.9 memberkan hasl estmas yang kurang akurat dbandngkan dengan metode koefsen beban yang selama n dgunakan PLN. Hal n dapat dsebabkan karena fluktuas data aktualnya tdak relatf stabl sehngga mempengaruh forecast error-nya. Metode n tdak cocok untuk data yang sfatnya fluktuatf. Gambar 3. Grafk Perbandngan Error PLN dan Exponental Smoothng Har Senn 8 Jun 2009 Optmas metode peramalan beban menggunakan algortma feed forward backpropagaton Untuk mendapatkan hasl peramalan beban dengan arngan syaraf truan, maka perlu dlakukan berbaga varabel antara : ens arstektur arngan terutama umlah hdden layer, varas fungs aktvas dan settng learnng rate. abel memperlhatkan hasl optmas varas hdden layer dan fungs aktvas. abel. Varas Hdden Layer dan Fungs Aktfas Jumlah Hdde n Layer Fungs Aktfas Epoc h Rata- Rata Error (MW) 2 Sgmod bner sgmod 307,5237 bner Sgmod bner sgmod 344,522 bpolar Sgmod bpolar sgmod 2302,670 bner Sgmod bpolar sgmod ,7460 bpolar 3 Sgmod bner sgmod 664,5002 bner - sgmod bner Sgmod bner sgmod 5663,4539 bner - sgmod bpolar Sgmod bner sgmod 344,3733 bpolar - sgmod bpolar Sgmod bner sgmod 40,688 bpolar - sgmod bner Sgmod bpolar sgmod 386,5408 bpolar - sgmod bpolar Sgmod bpolar sgmod 439,5547 bpolar - sgmod bner Sgmod bpolar sgmod 503,5447 bner - sgmod bner Sgmod bpolar sgmod bner - sgmod bpolar 3008,5275 Dar hasl optmas maka untuk smulas dgunakan konfguras arstektur dengan 3 hdden layer dengan varas fungs aktvas Sgmod bner sgmod bpolar - sgmod bpolar. Untuk menentukan parameter tranng agar mendekat error palng kecl, dlakukan dengan beberapa percobaan nla learnngrate, yatu antara 0,-2,. Berkut adalah tabel hasl percobaan parameter tranng learnngrate: abel 2. Hasl Percobaan Varas Learnng Rate No Learnng Epoch mse Rata2error Rate (MW) 0, ~ ,3 2 0,2 ~ ,6 3 0,3 ~ ,3 4 0,4 ~ ,88 5 0,5 ~ ,33 6 0,6 ~ ,06 7 0,7 ~ ,63 8 0,8 ~ ,2 9 0,9 ~ ,6 0 ~ ,0, 524 0,9995 2, , ,80,77 3,3 ~ ,0 4,4 ~ ,0 5, ,9995 9,80 Dar tabel d atas, terlhat pada parameter tranng learnng rate,2 menghaslkan rata-rata error palng kecl yatu,77. Berart parameter tranng learnng rate,2 dgunakan seterusnya untuk peramalan beban lstrk haran. Setelah dlakukan optmas varas hdden layer dan parameter learnngrate d atas, maka arstektur arngan backpropagaton yang dbangun adalah sebaga berkut : Input layer terdr dar 6 nputan (sesua dmens nputan yatu 6 x ). Menggunakan 3 unt hdden layer. Hdden layer pertama bers 2 neuron dengan fungs aktfas sgmod bner. Hdden layer kedua bers 0 neuron dengan fungs aktfas sgmod bpolar. Hdden layer ketga bers 5 neuron dengan fungs aktfas sgmod bpolar. Output layer terdr dar neuron dengan fungs aktfas adalah pureln. Parameter tranng yang dngnkan adalah sebaga berkut :

5 KNIA 20 A5 Epoch maksmum adalah 5000 mse yang dharapkan adalah 0,000 Learnng rate yang dgunakan adalah,2 Perbandngan akuras peramalan beban dengan metode koefsen beban, movng average dan algortma feed forward backpropagaton Gambar 4 dan gambar 5 masng-masng memperlhatkan perbandngan pola peramalan beban dan pola perbandngan error untuk masng-masng metode yang dkembangkan. Gambar 4. Perbandngan Peramalan Beban Har Jum at Gambar 5. Contoh perbandngan error peramalan antara koefsen beban, movng average, dan backpropagaton pada Har Jum at Dar smulas dan perhtungan yang telah dlakukan, maka dperoleh beberapa nformas sebaga berkut: Prakraan beban haran dengan metoda koefsen beban menghaslkan rata-rata error secara keseluruhan sebesar 5,96%, prosentase rata-rata error terbesar pada har mnggu yatu 8,29%, sedangkan rata-rata error terkecl pada har um at yatu 4,94%. Prakraan beban haran dengan metoda movng average menghaslkan rata-rata error secara keseluruhan sebesar 0,62%, prosentase rata-rata error terbesar pada har um at yatu,6%, sedangkan rata-rata error terkecl pada har selasa yatu 0,2%. Prakraan beban haran dengan metoda backpropagaton menghaslkan rata-rata error secara keseluruhan sebesar 0,5%, prosentase rata-rata error terbesar pada har selasa yatu 0,67%, sedangkan rata-rata error terkecl pada har um at dan sabtu yatu masng-masng 0,05%. Dengan perbandngan rata-rata error dar Har Senn sampa Mnggu adalah 0,5% untuk backpropagaton dan 0,62%, 5,96% masng-masng untuk movng average dan koefsen beban, maka tampak elas bahwa algortma backpropagaton mempunya kemampuan yang lebh bak dalam mempredkskan beban lstrk haran. IV. KESIMPULAN Hasl smulas peramalan beban membuktkan bahwa pendekatan soft computng memberkan hasl predks yang lebh bak darpada pendekatan statstk. Berbaga optmas pada arstektur arngan syaraf truan memberkan dampak yang sgnfkan terhadap hasl predks. V. DAFAR PUSAKA Ade Gafar Abdullah, Selly Ferane 2005, Aplkas Jarngan Syaraf ruan Untuk Pengembangan Model Predks (Proceedng), Semnar Nasonal Penddkan Matematka, FPMIPA, UPI, Bandung. Ade Gafar Abdullah, 2008, Short erm Load Forecastng (SLF) Melalu Pendekatan Logka Fuzzy (Journal), ELECRANS Vol VII Nomor 4 September G.J. sekouras, P.B.Kotoulas, and C.D. sreks (2008), A pattern regognton methodology for evaluaton of load profles and typcal days of large electrcty customers, Electrc Power System Research 78, pp James W. aylor (2008), An Evaluaton of Methods for Very Short-erm Load Forecastng Usng Mnute-by-Mnute Brtsh Data, Internatonal Journal of Forecastng. Kun-Long Ho, Yuan-Yh Hsu, Chen Cluen Yang (992), Short term load forecastng usng multplayer neural network wth an adaptve learnng algorthm., IEEE rans. On power systems, Vol.7,No.. Kwang Ho Km, Hyoung Sun Youn and Yong Cheol kang (2000), SLF for Specal Days n Anomalous Load Condtons Usng Neural Networks and Fuzzy Inference Method. IEEE ransactons on Power Systems, vol. 5, pp Muhammad Raz Khan dan Ath Abraham (2002) Short erm Load Forecastng Models n Czech Republc Usng Soft Computng Paradgms,Department of Computer Scence, Oklahoma State Unversty, ulsa. Rafal Weron and Adam Msorek (2008), Forecastng Spot Electrcty Prces : A Comparson of Parametrc and Semparametrc me Seres Models, Internatonal Journal of Forecastng. Yad Mulyad, Ade Gafar Abdullah, Dadang Lukman Hakm, 2006, Perbandngan Model Prakraan Beban Lstrk Jangka Pendek Menggunakan Jarngan Syaraf ruan dan Logka Fuzzy (Proceedng), SNPE 2006 UNY Yogyakarta. Yad Mulyad, Ade Gafar Abdullah, Rsman Nuraman, Estmas Beban Puncak Haran Berbass Algortma Self Organzng Map (SOM), Semnar Nasonal Electcal, Informatcs, and It s Educatons 2009, Unverstas Neger Malang, Malang