Desain Smart Meter Untuk Memantau Dan Identifikasi Pemakaian Energi Listrik Pada Sektor Rumah Tangga Menggunakan Backpropagation Neural Network

Transkripsi

1 Desain Smart Meter Untuk Memantau Dan Identifikasi Pemakaian Energi Listrik Pada Sektor Rumah Tangga Menggunakan Backpropagation Neural Network Dosen Pembimbing Prof. Dr. Ir. Adi Soeprijanto, MT Prof. Ir. Ontoseno Penangsang, M.Sc, Ph.D Dipresentasikan Oleh Koko Hutoro PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM TENAGA JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2015

2 CONTENTS 1. Pendahuluan 2. Struktur Identifikasi Beban 3. Backpropagation Neural Network 4. Rancangan Penelitian 5. Hasil Eksperimen & Simulasi 6. Penutup

3 LATAR BELAKANG Perekonomian, perubahan iklim dan krisis energi pada suatu negara secara langsung dipengaruhi oleh pertumbuhan konsumsi energi. Kebutuhan energi global akan meningkat dua kali lipat pada akhir tahun Solusi Teknologi Mekanisme umpan balik langsung User/Konsumen

4 LATAR BELAKANG Menggunakan banyak perangkat instrumentasi Identifikasi Beban Menggunakan transformasi fourier Multilayer perceptron, RBF, & SVM Konsep & tujuan NILM

5 PERUMUSAN MASALAH Gambar 1. Petugas Cater

6 PERUMUSAN MASALAH Gambar 2. kwh meter analog & digital

7 PERUMUSAN MASALAH Gambar 3. Struk pembayaran tagihan listrik

8 PERUMUSAN MASALAH KenaikanTDL Tahun 2014 (%) Awal Tahun 2014 Juli September Nopember Sumber :

9 BATASAN MASALAH 1 Implementasi Pada sektor konsumen rumah tangga. Peralatan Elektronika Setrika, kompor listrik, pemanas air minum (dispenser), blender, mixer, dan lampu penerangan. Smart Meter 2 3 Sensor Sensor arus ACS712.

10 TUJUAN PENELITIAN 1 2 Mengidentifikasi peralatan-peralatan elektronika dengan menggunakan parameter arus dan metode backpropagation neural network secara real time. Mendesain smart meter menggunakan perangkat lunak labview. Creativity Title in Smart here Meter Title in here BPNN Title in Identifikasi here

11 KONTRIBUSI PENELITIAN 1. Perkembangan sistem NILM pada sektor rumah tangga, khusus pada permasalahan yang berkaitan dengan memantau dan identifikasi pemakaian energi listrik secara real time. 2. Memberikan umpan balik terhadap konsumen agar mampu mengelola energi listrik secara efisien sehingga dapat menjadi sebuah sistem manajemen energi yang handal. Smart Meter 3. Menjadi referensi untuk pengembangan kwh meter analog maupun kwh meter digital. 4. Menerapkan metode backpropagation neural network sebagai metode identifikasi beban secara real time.

12 STRUKTUR IDENTIFIKASI BEBAN Menurut Yi Du dkk, 2012 : Tegangan Sistem kelistrikan rumah Modul deteksi Arus Akuisisi data Identifikasi beban Manajemen energi Database beban 1. Mengukur arus pada masingmasing beban tunggal secara terpisah. 2. Mengukur arus semua beban pada satu titik sumber listrik. Evaluasi tingkat pemborosan energi listrik Gambar 3. Struktur identifikasi beban

13 PARAMETER IDENTIFIKASI BEBAN Berdasarkan eigenvalue & singular value decomposition 2 1 Berdasarkan daya aktif & daya reaktif Berdasarkan harmonik 3 Parameter 5 Berdasarkan arus puncak, arus rata-rata, arus root mean square & trakjektori VI. Berdasarkan admitansi 4 Menurut Jian Liang dkk, 2010

14 BACKPROPAGATION NEURAL NETWORK N1 Status Setrika Status Dispenser Arus B1 N5 B2 Status Kompor Listrik Lapis Masukan Lapis Tersembunyi Gambar 4. Arsitektur BPNN Lapis Keluaran Metode pelatihan BPNN menggunakan metode Lavenberg-Marquardt

15 RANCANGAN PENELITIAN Sumber Listrik Laptop Transformator Step Up & Step Down Arduino Uno Penkondisian Sinyal Sensor Arus Catu Daya 5 V Dispenser 350 W Setrika 320 W Kompor Listrik 400 W Mixer 200 W Blender 200 W Lampu Philips 8 W, 14 W, 24 W

16 RANCANGAN PENELITIAN 1 2 Gambar 6. Sensor arus Gambar 5. Transformator Gambar 7. Arduino uno Gambar 8. Catu daya 5 V

17 RANCANGAN PENELITIAN Gambar 9. Proses pengujian

18 LANGKAH PENGERJAAN Menintegrasikan sensor arus, arduino & peralatan elektronika pada IDE arduino Menintegrasikan arduino dengan perangkat lunak labview/matlab Simulasi penkondisian sinyal arus listrik Memperoleh sampel data arus rms pada level tegangan yang bervariasi dengan menggunakan transformator step up & step down Mengolah sampel data arus rms sebagai data pelatihan dan pengujian BPNN Melakukan pelatihan & pengujian pada BPNN di matlab Membuat graphical user interface (GUI) smart meter di labview Mengunggah bobot & bias untuk FNN pada smart meter di labview Pengujian fitur-fitur smart meter

19 HASIL EKSPERIMEN & SIMULASI No Kombinasi peralatan elektronika Akurasi pelatihan (%) Akurasi pengujian (%) 1 Setrika Dispenser Kompor Listrik Dispenser + Kompor Listrik Kompor Listrik + Setrika Setrika + Dispenser Setrika + Dispenser + Kompor Listrik Jumlah sampel (data) 77 Lama pelatihan (detik) Lama pengujian (detik) Jumlah epoh (iterasi) 256 Diperoleh akurasi rata-rata pelatihan sebesar 99.13% dan akurasi rata-rata pengujian sebesar 99.89%

20 No HASIL EKSPERIMEN & SIMULASI Kombinasi peralatan elektronika Akurasi pelatihan (%) Akurasi pengujian (%) 1 Blender Mixer Blender + Mixer Jumlah sampel (data) 33 Lama pelatihan (detik) 5.9 Lama Pengujian (detik) Jumlah epoh (iterasi) 8 Diperoleh akurasi rata-rata pelatihan sebesar 99.95% dan akurasi rata-rata pengujian sebesar 99.87%.

21 HASIL EKSPERIMEN & SIMULASI No Kombinasi peralatan Akurasi pelatihan Akurasi pengujian elektronika (%) (%) 1 Lampu 8 watt Lampu 14 watt Lampu 24 watt Lampu 8 watt + Lampu 14 watt Lampu 14 watt + Lampu 24 watt Lampu 8 watt + Lampu 24 watt Lampu 8 watt + Lampu watt + Lampu 24 watt Jumlah sampel (data) 77 Lama pelatihan (detik) 22.6 Lama pengujian (detik) Jumlah epoh (iterasi) 229 Diperoleh akurasi rata-rata pelatihan sebesar 98.84% dan akurasi rata-rata pengujian sebesar 97.79%.

22 TAMPILAN GUI SMART METER Gambar 10. Indikator smart meter

23 TAMPILAN GUI SMART METER Gambar 11. Pengukuran arus dari smart meter secara real time

24 TAMPILAN GUI SMART METER Gambar 12. Sistem informasi beban

25 TAMPILAN GUI SMART METER Gambar 13. Pengukuran penggunaan energi listrik dan billing secara aktual

26 Kesimpulan PENUTUP Dari hasil eksperimen dan simulasi diperoleh kesimpulan bahwa : 1. Penelitian ini menerapkan metode backpropagation neural network dengan metode pelatihan Lavenberg-Marquardt untuk identifikasi beban secara real time. Dari hasil eksperimen menyatakan bahwa metode yang diusulkan memiliki waktu komputasi pelatihan dan pengujian yang cepat apabila dibandingkan dengan backpropagation neural network dengan metode pelatihan gradient descent. 2. Dari sisi akurasi pelatihan dan pengujian menyatakan bahwa metode yang diusulkan menunjukkan hasil yang baik dalam mengidentifikasi beban secara real time yaitu 99.3% untuk akurasi rata-rata pelatihan dan 99.18% untuk akurasi rata-rata pengujian apabila dibandingkan dengan backpropagation neural network dengan metode pelatihan gradient descent.

27 PENUTUP 3. Dengan memanfaatkan data magnitude arus root mean square dari masingmasing peralatan elektronika sebagai data masukan backpropagation neural network menunjukkan kehandalan yang baik. Hal ini dapat ditinjau dari pengujian terhadap variasi tegangan yang berbeda, perubahan konsumsi daya beban, dan mode operasional beban yang berbeda-beda secara simultan. Saran 1. Untuk meningkatkan kinerja komputasi dari backpropagation neural network dibutuhkan metode optimasi berbasis artificial intelegence yakni firefly, particle swarm optimization, genetic algorithm dan sebagainya untuk mencari nilai bobot (w) dan bias (b) yang optimal.

28 TERIMA KASIH