BAB I PENDAHULUAN 1 BAB I. PENDAHULUAN

Transkripsi

1 1.1 Latar Belakang BAB I PENDAHULUAN 1 BAB I. PENDAHULUAN Listrik merupakan komoditi vital dan infrastruktur penunjang segala aspek kehidupan masyarakat. Listrik juga merupakan produk unik karena tidak dapat disimpan dalam jumlah yang besar dan hanya diproduksi bilamana dibutuhkan. Memproduksi listrik yang padat teknologi menjadi produk yang memiliki nilai manfaat tinggi, harus diproduksi secara efisien untuk menghasilkan harga pokok produksi murah, serta memerlukan teknik pengoperasian yang tepat yang akan melibatkan banyak disiplin ilmu. Dalam praktek pengoperasian di hampir semua negara tidak terkecuali di PLN, teknik pengaturan dan penyaluran beban pada sebuah sistem kelistrikan, harus dikelola khusus oleh sebuah unit organisasi menggunakan aplikasi dan teknik yang sudah menjadi best practice di bidang penyediaan energi listrik. Istilah Sistem Kelistrikan adalah merupakan istilah baku, yaitu sebuah sistem jaringan listrik tegangan ekstra tinggi (>150 kv) yang terintegrasi dalam sebuah sistem interkoneksi dan dikelola secara khusus oleh sebuah unit pengelola. Prosedur dalam pengoperasian memegang peranan penting baik dalam menentukan biaya produksi maupun dalam menentukan kehandalan sistem, karena kesalahan dalam pola pengoperasian akan mengakibatkan kerugian yang besar, terutama terkait dengan penggunaan sumber energi primer. Para perencana dalam menentukan pola pengoperasian menggunakan peramalan beban sebagai dasar analisis. Peramalan beban jangka pendek yang lebih dikenal dengan Short-Term Load Forecast (STLF) adalah salah satu peramalan dalam load forecasting, yaitu peramalan dengan kurun waktu beberapa jam sampai beberapa minggu kedepan yang sering disebut sebagai kurva beban. Nilai dari kurva beban diperoleh dari data beban pelanggan yaitu perilaku pelanggan berdasarkan data historis pelanggan yang diamati terus menerus selama dua puluh empat jam sehari. STLF diperlukan untuk keperluan penjadwalan kapasitas pembangkit yang ekonomis, 1

2 2 penjadwalan pembelian bahan bakar dan analisis keamanan serta penjadwalan pemeliharaan jangka pendek. Gambar 1.1 adalah contoh kurva beban harian yang menggambarkan beban rencana dan beban realisasi pada sistem kelistrikan PT PLN (Persero) Wilayah Sulawesi Selatan, Sulawesi Tenggara, dan Sulawesi Barat. Gambar 1.1. Contoh kurva beban harian sistem kelistrikan PLN Sulselrabar STLF menjadi sangat penting untuk diteliti karena menentukan pola pengoperasian. Haida dan Muto (1994) dalam (Alfares dan Nazeeruddin, 2002) mengamati bahwa kesalahan peramalan baik positif maupun negatif mengakibatkan peningkatan biaya operasional. Rata-rata penurunan 1% kesalahan peramalan STLF dalam sehari dapat menghemat ratusan, ribuan, bahkan mencapai jutaan dolar (Hobbs dkk., 1999) dalam (Alfares dan Nazeeruddin, 2002), tergantung sistem kelistrikan itu sendiri. Selain untuk pengoperasian sistem, STLF juga penting karena diperlukan untuk efisiensi biaya operasi dalam penjadwalan kapasitas pembangkit, penjadwalan pembelian bahan bakar, analisis keamanan dan penjadwalan pemeliharaan jangka pendek. Penelitian load forecasting menggunakan berbagai macam metode telah dilakukan secara luas di banyak negara, contohnya di Yunani (Mastorocostas dkk.,

3 3 2000), Kuwait (Almeshaiei dan Soltan, 2011), Spanyol (Marin dkk., 2002), Irlandia (Fay dkk., 2003), Slovakia dan Amerika Utara (Reis dkk., 2005), Jepang (Mandal dkk., 2006), Amerika Serikat (Deoras, 2010), Cina (Meng dkk., 2011), Malaysia ((Ismail dan Mansor, 2011) dan (Jyothi dkk., 2015)), India ((Nataraja dkk., 2012) dan (Patel dkk., 2013)), Finlandia (Sheikh dan Unde, 2012), dan Nigeria (Buhari dan Adamu, 2012). Akan tetapi menurut Almeshaiei dan Soltan (2011), setiap negara berbeda dalam faktor-faktor yang mempengaruhi permintaan listrik, apalagi di negara berkembang seperti Indonesia, peramalan listrik tumbuh dengan tingkat pertumbuhan yang dinamis dan tinggi, oleh sebab itu maka setiap jaringan listrik perlu metode peramalan khusus. Meskipun penelitian peramalan beban menggunakan berbagai macam metode telah banyak dilakukan dan digunakan secara luas di banyak negara, namun pada prakteknya di Indonesia khususnya di PLN untuk STLF belum banyak digunakan. Metode manual dan konvensional lebih disukai dan dianggap cukup memadai, pengaturan pengoperasian dikendalikan oleh dispatcher (petugas pengendali operasi sistem kelistrikan) yang mengamati beban selama 24 jam penuh menggunakan Supervisory Control and Data Acquisition (SCADA). Terganggunya pelayanan penyediaan listrik ke pelanggan atau penggunaan energi primer yang berlebih sering diakibatkan oleh kesalahan peramalan beban akibat faktor-faktor yang tidak diprediksi sebelumnya. Hasil ekplorasi awal yang dilakukan menemukan beberapa fenomena yang terjadi, yang diduga akibat pengaruh cuaca pada suatu lokasi pusat beban. Sebagai contoh akibat tidak digunakannya peralatan listrik seperti pendingin udara, berpengaruh pada peramalan beban. Selain itu juga perbedaan konsumsi energi listrik cukup signifikan untuk ditelaah antara hari kerja dan hari libur, atau peringatan hari-hari besar seperti lebaran, natal, tahun baru, dan data musiman (seasonal data) yang lain. Permasalahan lain adalah terbatasnya stasiun pengamatan cuaca khususnya di Indonesia dengan sistem kelistrikan yang luas dan belum bisa menjangkau keseluruhan area sistem kelistrikan. Biasanya untuk setiap provinsi hanya mempunyai beberapa stasiun pengamatan dan terutama pada tempat-tempat yang membutuhkan prakiraan cuaca yang khusus seperti bandara dan pelabuhan laut.

4 4 Jika pada peramalan listrik hanya menggunakan data cuaca yang belum mewakili sistem kelistrikan, maka hasil yang diharapkan tidak optimal karena data cuaca tersebut belum mewakili keseluruhan daerah sistem kelistrikan. Mapping stasiun pengamatan cuaca dan cakupan area sistem kelistrikan disajikan dalam Gambar 1.2. Sistem kelistrikan PLN Sulselrabar pada Gambar 1.2 terdapat 4 titik pengamatan cuaca yang ditandai dengan bulatan warna merah, yaitu: stasiun pengamatan Bandara Internasional Sultan Hasanuddin Makassar, Maros, Majene, dan Paotere. Akan tetapi data pengamatan cuaca yang lengkap hanya bisa diperoleh pada satu stasiun pengamatan cuaca, yaitu pada Bandara Internasional Sultan Hasanuddin Makassar. Gambar 1.2. Mapping stasiun pengamatan cuaca dan cakupan area sistem kelistrikan Pemilihan model peramalan runtun waktu didasarkan pada pemahaman bahwa STLF adalah representasi dari kurva beban yang merupakan data runtun waktu yang diprediksi untuk kurun waktu singkat (harian atau mingguan), dan

5 5 merupakan bentuk pengembangan dan pengujian, sehingga data tersebut dapat digunakan untuk memprediksi suatu nilai yang akan datang dalam jangka waktu tertentu (Nataraja dkk., 2012). Berdasarkan metode yang digunakan, peramalan beban dapat dibagi menjadi dua kategori utama, yaitu berdasarkan metode statistik dan metode artificial intelegence (AI). Penelitian tentang peramalan beban khususnya STLF dan melibatkan variabel lain seperti cuaca, sudah banyak dilakukan dengan berbagai macam metode. Penelitan STLF untuk kategori metode statistika dilakukan oleh beberapa peneliti, yaitu: (Fay dkk., 2003), (Santos dkk., 2004), (Al-Hamadi dan Soliman, 2004), (Razak dkk., 2008), (Rothe, 2009), (Almeshaiei dan Soltan, 2011), dan (Yang dkk., 2011). Sedangkan kategori AI dilakukan oleh beberapa peneliti, yaitu: (Rui dan El-Keib, 1995), (Srinivasan dan Lee, 1995), (Buhari dan Adamu, 2012), (Ge dkk., 2013), (Ismail dan Mansor, 2011), dan (Ceperic dkk., 2013). Othman dan Musirin (2012) mengatakan bahwa pada dekade terakhir dua teknik AI yaitu logika fuzzy dan neural network telah digunakan secara luas dalam peramalan STLF karena beberapa keunggulan dibandingkan dengan teknik statistika. Kekuatan utama neural network adalah karena kemampuannya untuk memodelkan hubungan yang kompleks dan non linear ((Rui dan El-Keib, 1995), (Othman dan Musirin, 2012), dan (Annamareddi dkk., 2013)). Sedangkan menurut Rawat dan Massiha (2015), kemampuan neural network lebih baik dari pendekatan statistik untuk prediksi data runtun waktu pada sains dan rekayasa teknik. Beberapa penelitian metode peramalan STLF dengan menggunakan neural network sudah dilakukan antara lain oleh: (Canizares dan Singh, 2001), (Marin dkk., 2002), (Feinberg dan Genethliou, 2005), (Reis dkk., 2005), (Mandal dkk., 2006), (Rothe, 2009), (Jain dan Satish, 2009), (Deoras, 2010), (Meng dkk., 2011), (Buhari dan Adamu, 2012), (Sheikh dan Unde, 2012), (Othman dan Musirin, 2012), dan (Kanth dan Marutheswar, 2013). Metode penelitian yang sudah pernah dilakukan sebelumnya yang melibatkan cuaca belum tentu bisa diterapkan di Indonesia karena kondisi yang berbeda, baik kondisi geografis, kondisi musim maupun kelengkapan data cuaca. Untuk mengatasi hal tersebut, perlu dicari suatu

6 6 metode yang bisa mewakili kondisi geografis, kondisi musim dan juga bisa mendapatkan nilai cuaca yang dapat mewakili area sistem kelistrikan. Metode yang diharapkan adalah bagaimana memperbaiki nilai data cuaca yang berasal dari hanya satu stasiun cuaca sehingga menjadi data cuaca dalam cakupan wilayah sistem kelistrikan, sehingga bisa mewakili area sistem kelistrikan. Pada dasarnya nilai akurasi model peramalan juga tergantung pada variabel atau fitur yang disesuaikan dimana sistem kelistrikan itu berada. Penelitian ini berusaha mengembangkan metode untuk memperbaiki nilai data cuaca yang semula hanya berasal dari satu stasiun pengamatan, menjadi data cuaca yang bisa mewakili area sistem kelistrikan dan model peramalan menggunakan variabel yang sesuai dengan kondisi geografis Indonesia. Akurasi model dihitung berdasarkan Mean Absolute Error (MAE), Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE). Penelitian Deoras (2010) pada sistem kelistrikan di wilayah Nepool, Amerika Serikat, menghasilkan galat sebesar 1-2 %, ternyata uji coba menggunakan data Log Sistem Kelistrikan dan data cuaca di Indonesia (Sistem Kelistrikan Sulselrabar) menghasilkan galat yang lebih besar (~3,33%). Kemungkinan salah satu faktor yang menyebabkan galat tersebut lebih besar adalah kondisi cuaca yang digunakan untuk peramalan hanya berasal dari satu stasiun cuaca, karena menurut Chen dkk. (2004), melibatkan parameter cuaca dengan data cuaca yang tidak akurat akan menyebabkan hasil peramalan yang tidak akurat pula. Berdasarkan penjelasan tersebut, maka perlu dilakukan kajian tentang metode untuk short-term load forecast yang cocok untuk kondisi di Indonesia, dan untuk melakukan kajian tersebut diusulkan model Peramalan Runtun Waktu untuk Peramalan Beban Jangka Pendek. 1.2 Rumusan Masalah Peramalan beban jangka pendek atau STLF di Indonesia masih manual dan belum melibatkan data cuaca serta seasonal data. Keterbatasan stasiun pengamatan cuaca pada objek penelitian hanya bisa diperoleh dari stasiun

7 7 pengamatan cuaca yaitu Bandara Internasional Sultan Hasanuddin Makassar, dan belum mewakili sistem kelistrikan pada objek penelitian ini, yaitu sistem kelistrikan PLN Sulselrabar. 1.3 Masalah Penelitian Bagaimana membangun model peramalan untuk STLF yang sesuai dengan kondisi geografis di Indonesia, yang melibatkan variabel cuaca yang mewakili area sistem kelistrikan dan data musiman (seasonal data) 1.4 Batasan Masalah Dalam rangka mencapai tujuan yang telah ditetapkan, maka penelitian ini fokus pada pemodelan peramalan untuk peramalan beban jangka pendek (shortterm load forecast (STLF)). Variabel yang digunakan terdiri dari variabel data histori beban (Log SCADA), data cuaca, data pelanggan, data geospatial pelanggan dan data musiman (seasonal data). Batasan masalah dan definisi istilah dijelaskan sebagai berikut: Semua data yang digunakan dan diolah, dibatasi hanya pada data atau obyek-obyek yang berada pada ruang lingkup sistem kelistrikan PLN Sulselrabar. Data histori beban (Log SCADA) hanya dibatasi pada data beban dari sistem kelistrikan. Yang terdiri dari data rencana dan data realisasi. Data cuaca yang digunakan adalah data cuaca real yang bersumber dari weatherspark, yaitu data dew point (titik embun), humidity (kelembaban) dan dry bulb (temperatur). Data pelanggan adalah data pelanggan listrik pada area sistem kelistrikan PLN Sulselrabar. Data geospatial pelanggan adalah data lokasi pelanggan yang ada pada data identitas pelanggan. Data musiman (seasonal data) untuk hari libur, menggunakan kalender resmi Indonesia yang dikeluarkan oleh pemerintah Republik Indonesia yaitu libur resmi termasuk cuti bersama.

8 8 Data yang digunakan untuk perlatihan adalah data histori beban dan data cuaca periode 1 Januari 2007 sampai dengan 31 desember 2012, sedangkan data yang digunakan untuk pengujian adalah data histori beban dan data cuaca periode 1 Januari 2013 sampai dengan 31 Desember Tahap peramalan dan pengujian awal dilakukan pada model STLF mengunakan data cuaca hanya dari satu stasiun pengamatan cuaca (model yang diacu, yaitu model Deoras). Tahap pengujian data pengusahaan yaitu analisis selisih antara data rencana dan data realisasi (Data peramalan tempat penelitian). Tahap peramalan dan pengujian kedua dilakukan pada proses peramalan beban jangka pendek menggunakan data cuaca hanya dari satu stasiun pengamatan (model yang diacu, yaitu metode Deoras), dan Tahap peramalan pengujian berikutnya dilakukan pada proses peramalan menggunakan data cuaca hasil clustering dengan pembobotan data pelanggan (model yang diusulkan) Dengan adanya pembentukan cluster pada model yang diusulkan, maka kebutuhan data untuk menentukan banyaknya cluster dan kebutuhan data histori pada setiap cluster perlu asumsi-asumsi sebagai batasan, yaitu: Data cuaca masih valid sampai dengan radius 40 km. Kecenderungan pemakaian energi oleh pelanggan proporsional terhadap daya terpasang pada pelanggan tersebut. Kondisi cuaca pada seluruh area sistem kelistrikan dianggap berawan, sehingga dapat diformulasikan terjadinya penurunan temperatur sebesar 6 C setiap kenaikan 1000 m. Kelembaban pada setiap cluster hanya dipengaruhi oleh elevasi dan kondisi pada seluruh area pada cluster adalah homogen. 1.5 Tujuan Penelitian Penelitian ini bertujuan untuk:

9 9 Mengembangkan metode untuk mendapatkan data cuaca melalui beberapa titik pengamatan yang mewakili pusat-pusat beban pada cakupan area sistem kelistrikan, yang digunakan sebagai masukan peramalan STLF. Menerapkan model peramalan menggunakan ANN dengan variabel yang sesuai dengan kondisi geografis khususnya di Indonesia. Menghasilkan model peramalan ANN untuk STLF menggunakan data cuaca yang mewakili cakupan area sistem kelistrikan dan seasonal data yang sesuai dengan kondisi geografis khususnya di Indonesia. 1.6 Manfaat Penelitian Dengan model peramalan untuk STLF yang melibatkan variabel cuaca dan data musiman yang sesuai dengan kondisi geografis Indonesia, diharapkan dapat memberikan kontribusi untuk perencanaan STLF di Indonesia. 1.7 Sistematika Penulisan Penulisan disertasi ini dibagi menjadi 8 (delapan) bab dan lampiran. Masing-masing bab diuraikan sebagai berikut: Bab I adalah pendahuluan, yang menggambarkan tentang pentingnya penelitian Short-term Load Forecast (STLF), metode yang telah diteliti untuk peramalan STLF dan peneltian STLF di berbagai negara, serta permasalahan untuk mendapatkan data cuaca yang mewakili sistem kelistrikan. Bab II adalah tinjauan pustaka, dimana pustaka berupa artikel-artikel penelitian tentang peramalan STLF, metode-metode yang digunakan untuk peramalan STLF dan kelebihan serta kekurangan masing-masing metode. Bab III adalah landasan teori, membahas penjelasan tentang load forecasting, sistem kelistrikan, pendekatan pencarian data yang hilang, k-means clustering, clustering dengan pembobotan data pelanggan, sistem koordinat geografis, formulasi pendekatan untuk data cuaca, menentukan banyaknya cluster pada area sistem kelistrikan, peramalan runtun waktu, artificial neural network untuk peramalan runtun waktu, galat peramalan dan model Deoras (model yang diacu).

10 10 Bab IV adalah metode penelitian. Bab ini membahas variabel penelitian dan definisi operasional variabel, menggambarkan bagaimana prosedur pengumpulan data, kerangka pemikiran, desain dan arsitektur prototype model yang diusulkan, metode pengujian model dan gambaran operasional pada model yang diusulkan. Bab V adalah model peramalan beban jangka pendek dengan pembobotan data pelanggan, menjelaskan tentang algoritma model STLF yang diusulkan dan proses-proses spesifik yang dilakukan. Bab VI adalah pengujian model peramalan beban jangka pendek, dimana dijabarkan semua model peramalan dan model ANN yang telah diujicoba. Pada bab ini juga dijelaskan tentang tahapan pengujian yang dilakukan dan nilai kinerja peramalan yang dihasilkan. Bab VII adalah pembahasan, yang membahas tentang model yang diacu (model Deoras) dan hasil ujicoba model Deoras dengan menggunakan data penelitian ini. Pada bab ini juga dibahas tentang pengembangan model peramalan, fokus pengembangan dan potensi efisiensi dari model yang diusulkan; kelebihan dan kekurangan dari model STLF dengan metode yang diusulkan, serta segala yang menunjang dalam penerapannya. Bab VIII adalah kesimpulan dan saran, yang merangkum semua hasil penelitian dan memastikan tercapainya tujuan dari penelitian, serta saran-saran yang merupakan kunci keberhasilan dalam penerapannya.