KESIMPULAN DAN SARAN

Ukuran: px

Mulai penontonan dengan halaman:

Download "KESIMPULAN DAN SARAN"

Ade Kusumo
6 tahun lalu
Tontonan:

1 DB-3 L-3

2 KESIMPULAN DAN SARAN KESIMPULAN: Perangkat keras dan perangkat lunak yang digunakan dalam penelitian ini mampu mensimulasikan sinyal Partial Discharge dan Noise-nya hingga kisaran frekuensi 1700 KHz. Simulasi sinyal PD dan Noise menggunakan frekuensi yang lebih tinggi menyebabkan perangkat keras penelitian menjadi sangat lambat, dan ukuran data yang dihasilkan untuk satu Spektrum RTD menjadi besar sekali. Transformasi Wavelet Daubechies-3 level-3 (d3) menghasilkan dekomposisi spectrum RTD yang paling bagus dibandingkan metode transformasi wavelet yang lain dan level yang lain. Normalisasi data meningkatkan kemampuan JST dalam mengidentifikasi lokasi partial Discharge pada motor tegangan tinggi. Algoritma Backpropagation sesuai untuk digunakan sebagai metode identifikasi, karena dengan jumlah Neuron, jumlah Iterasi, dan waktu pelatihan yang relatif kecil berhasil mengidentifikasi 97,14 % data.

3 KESIMPULAN DAN SARAN SARAN: Meningkatkan kemampuan identifikasi PD yang berada pada range frekuensi yang lebih tinggi menggunakan perangkat keras yang memiliki kemampuan pemrosesan data yang lebih cepat. Menambah fungsi penyimpanan data, sehingga dapat dibuat trend aktifitas partial discharge untuk meningkatkan akurasi identifikasi dan prediksi kondisi motor. Pengembangan program lebih lanjut untuk dapat mengenali aktifitas partial discharge pada Generator, dan peralatan listrik tegangan tinggi lainnya.

4 TERIMA KASIH Surabaya, 15 Juli 2010

5 DAFTAR PUSTAKA [1] IEEE Std , IEEE Trial-Use Guide to the Measurement of Partial Discharges in Rotating Machinery. [2] F.H.Krueger, Discharge Detection in High Voltage Equipment, American Elsevier Publishing Company, Inc. New York [3] C.Kane, A. Golubev, Cristian Bouwmeester, Further Experience in the use of existing RTD in winding of Motors and Generators for the measurement of Partial Discharge, IEEE International Symposium on Electrical Insulation, Indianapolis, IN USA, [4] Z. Berler, I. Blokhintsev, A. Golubev, G. Paoletti, A. Romashkov, RTD as the Valuable Tool in Partial Discharge Measurement on Rotating Machines, IEEE Electrical Insulation Conference and Electrical Manufacturing & Coil Winding Conference,1999 [5] I.Blokhintsev, M.Golovkov, A.Golubev, C.Kane, Field Experience With the Measurement of Partial Discharge on Rotating Equipment, IEEE trans. On Energy Conversion, Vol. 14, pp ,1999. [6] IRIS Power LP, PD Investigaton Winding Design & Failure Mechanism, PD Theory & Detection, PD Investigation,, IRIS Seminar October 2005 [7] V.Nagesh, B.I.Gururaj, Automatic Detection and Elimination of Periodic Pulse Shaped Interference in Partial Discharge Measuremant, Science, Measurement and Technology, IEE Proceeding, vol 141, issue 5, Sept. 1994, page(s)

6 DAFTAR PUSTAKA [8] L.Hao, P.L. Lewin and S.J. Dodd, Comparison of Support Vector Machine Based Partial Discharge Identification Parameters, Conference Record of the 2006 IEEE Int. Symposium on Electrical Insulation,2006. [9] B. Kartikeyan, S.Gopal, S. Venkatesh, ART 2-an unsupervised neural network for PD pattern recognition and classification, ELSEVIER Expert System with Applications,2006. [10] K.Itoh, Y.Kaneda, S.Kitamura, K.Kimura, A.Nishimura, T.Tanaka, H.Tokura, I.Okada, New Noise rejection on Pulse-by pulse Basis for On-line Partial Discharge Measurement of Turbine Generators, IEEE transaction on Energy Conversions, Vol. 11, No. 3, September [11] S. Sriram, S. Nitin, K. M. M. Prabu, M. J. Bastiaans. Signal Denoising Techniques for Partial Discharge Measurement, /05/$ IEEE [12] L.Satish, B. Nazneen, Wavelet-based Denoising of Partial Discharge Signals Burried in Excessive Noise and Interference, /1/$ IEEE. [13] Gabe Paoletti, Alex Golubev, Partial Discharge Theory and Technologies Related to Medium Voltage Electrical Equipment, Power Perspectives-Application Engineers edition, Eaton Cutler-Hammer, July [14] Paoletti., G.J., Partial Discharge Theory and technologies related to traditional testing methods of large rotating apparatus, AISE Steel technology, 2000.

7 DAFTAR PUSTAKA [15] Ingrid Daubechies, "Ten Lecture on wavelet", Society For Idustrial and Applied Mathematics Philadelphia, Pennsylvania [16] C. Sidney Burrus, Ramesh A. Gopinath, Haito Guo, "Introduction wavelet and wavelet ransform" Upper Saddle River, New Jersey 1998 [17] Mauridhi Hery Purnomo, Agus Kurniawan, Supervised Neural Networks dan aplikasinya, Penerbit GRAHA ILMU, 2006 [18] Howard Demuth, Mark Beale, Martin Hagan, Neural Network Toolbox TM 6 User Guide, the Math Works, Inc. [19] Ingrid Daubechies, "Ten Lecture on wavelet", Society For Idustrial and Applied Mathematics Philadelphia, Pennsylvania [20] C. Sidney Burrus, Ramesh A. Gopinath, Haito Guo, "Introduction wavelet and wavelet transform" Upper Saddle River, New Jersey 1998 [21] Yves Misit, Michel Misiti, George Oppenheim, Jean-Michel Poggi, Wavelet Toolbox, For use with MATLAB. 2002

8 WAVELET DMEYER

9 WAVELET HAAR

10 WAVELET DB-1

dokumen-dokumen yang mirip

Aplikasi Transformasi Wavelet Untuk Menghilangkan Derau Pada Sinyal Peluahan Sebagian

Aplikasi Transformasi Wavelet Untuk Menghilangkan Derau Pada Sinyal Peluahan Sebagian Swastiti Vinana Sari 1, Achmad Hidayatno 2, Abdul Syakur 2 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro,