Peramalan Beban …

I Made Mataram

PERAMALAN BEBAN HARI LIBUR

MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

I Made Mataram

Staff Pengajar Teknik Elektro, Fakultas Teknik, Universitas Udayana

Kampus Bukit Jimbaran, Bali, 80361 mataram@ee.unud.ac.id

Abstrak

Karakteristik beban harian saat hari libur berbeda dengan hari biasa, serba tidak pasti dan cenderung mengalami penurunan. Ketidakpastian beban ini, jika tidak diperkirakan, akan sangat mempengaruhi operasi unitunit pembangkit yang ada. Penjadwalan operasi dan alokasi pembangkit cadangan dapat mengganggu keandalan sistem tenaga listrik. Pada peramalan beban harian untuk hari-hari libur umat hindu di Bali yang kondisinya tidak tentu, sulit dilakukan oleh metode peramalan konvensional. Pada penelitian ini diusulkan peramalan dengan metode artificial neural network. Kelebihan metode ini dapat dengan mudah memformulasikan pengalaman dan pengetahuan peramal dan sangat fleksibel dalam perubahan aturan peramalan. Hasil peramalan memperlihatkan error rata-rata sangat kecil, yaitu dibawah 1 %

Kata Kunci: Peramalan beban jangka pendek, artificial neural network

  • 1.    PENDAHULUAN

Variasi beban tergantung pada kebutuhan setiap konsumen. Permintaan konsumen di Bali terhadap energi listrik dari tahun ke tahun cukup besar. Tiga pembangkit yang mensuplai tersebar di tiga kabupaten/kota yaitu PLTG dan PLTGU Pesanggaran (Denpasar), PLTG Gilimanuk (Jembrana), dan PLTG Pemaron (Singaraja). Kapasitas total ketiga pembangkit tersebut adalah 380 MW. Suplai berkapasitas 200 MW berasal dari interkoneksi Jawa-Bali. Berdasarkan data beban harian sampai bulan Desember 2006, kebutuhan beban sekitar 426 MW(beban puncak). Beban harian hari raya Galungan, rata-rata 280 MW dengan beban puncak rata-rata 335 MW. Pada hari-hari biasa penggunaan energi listrik relatif sama (stabil), tetapi hal ini berbeda pada saat hari Nyepi.

Permasalahan di atas akan membuat suatu keadaan beban yang tidak tentu dan cenderung mengalami penurunan sehingga operasi unit-unit pembangkit, seperti penjadwalan dan alokasi pembangkit cadangan menjadi kurang ekonomis.

Artificial Neural Network (ANN) mampu melakukan komputasi dengan cara belajar dari pola-pola yang diajarkan dan menghasilkan peramalan relatif yang lebih akurat, yang pada akhirnya bermanfaat sebagai acuan dalam operasi sistem pembangkitan di Bali.

  • 2.    ARSITEKTUR ANN

Arsitektur ANN yang digunakan adalah feedforward dengan algoritma backpropagation. ANN banyak lapisan (multilayer) dengan fungsi aktivasi sigmoid, satu lapisan masukan (input layer) 24 sel (24 jam), satu lapisan dalam (hidden layer)

ditentukan secara acak yaitu 140 sel dan satu lapisan keluaran (output layer) 24 sel (24 jam). Untuk membangun suatu jaringan feedforward digunakan intruksi newff.

Jumlah sampel yang digunakan pada mode ini adalah satu hari setiap tahunnya. Sistem peramalan beban terdiri dua mode yaitu mode pelatihan Resilent Backpropagation (trainrp) dan mode pengujian.

Nilai Input

24

Input Layer 24 sel (Neuron)

Hidden Layer 140 sel (Neuron)

Output Layer          Nilai Output

24 sel (Neuron)              24

Gambar 1. Arsitektur Neural Network

  • 3.    METODOLOGI

Data diambil dari PT. PLN (Persero) Area Pengatur Distribusi Bali bagian dispatcher Denpasar (Maret 2007 - Mei 2007). Hari libur sesuai Surat Keputusan Bersama 3 Menteri disesuaikan dengan kalender Bali periode 2002-2006 terdapat 6 (enam)

item hari libur khusus bagi umat Hindu antara lain Hari Penampahan Galungan, hari Galungan, hari Manis Galungan, hari Kuningan, hari Nyepi, hari Saraswati, hari Pagerwesi.

Analisis data menggunakan program MATLAB 7.04. Metode Meramalkan beban harian untuk hari libur dengan metode ANN dengan menghitung error hasil peramalan (Ismayani, 2005):

IError(%) = F ^ ~ f^ x IOO

dengan,

P’(t) = nilai peramalan

P(t) = nilai riil

4.    HASIL DAN PEMBAHASAN

Data-data historis beban harian diambil selama 5(lima) tahun, yaitu hari-hari libur Hindu periode 2002-2006 dari sistem tenaga listrik di Bali sesuai pustaka (Eka Wahyu, 2008). Epochs yang digunakan adalah 75000 dengan goal 0,00001 atau10-5 dan learning rate 0,01.

Hasil peramalan untuk hari-hari libur Hindu selengkapnya adalah sebagai berikut.

Tabel 1. Perbandingan Hasil Peramalan Beban hari Penampahan Galungan Tahun 2006

PERAMALAN BEBAN LISTRIK PENAMPAHAN GALUNGAN (MW)

PERSENTASE ERROR

PERAMALAN BEBAN PENAMPAHAN GALUNGAN (%)

JAM

BEBAN REAL

PERAMALAN ANN

1

246.5

247.09

0.238779392

2

237.5

237.97

0.197503887

3

231.5

231.8

0.129421915

4

231.5

231.63

0.056123991

5

237.5

238.47

0.40675976

6

248.5

249.94

0.576138273

7

223.5

224.16

0.294432548

8

227.5

227.28

0.096796902

9

252.3

251.77

0.210509592

10

273.9

272.87

0.377469124

11

276.9

276.27

0.228037789

12

276.9

277.04

0.050534219

13

272.9

273.27

0.135397226

14

272.9

273.52

0.226674466

15

267.7

268.45

0.279381635

16

264.7

264.91

0.079272206

17

272.8

272.44

0.132139187

IS

324.3

322.02

0.708030557

19

3S1.2

371.86

2.511697951

20

381.5

374.32

1.918144903

21

355.4

357.41

0.56237934

22

317.6

318.12

0.163460329

23

282.5

282.61

0.038922897

24

261.5

262.07

0.217499141

MIN

223.5

224.16

0.038922897

MAX

381.5

374.32

2.511697951

RATA

275.7916667

275.30375

0.409812801

Tabel 2. Perbandingan Hasil Peramalan Beban Hari Penampahan Galungan 2006

PERAMALAN BEBAN LISTRIK GALUNGAN

PERSENTASE ERROR

(MW

PERAMALAN BEBAN

JAM

BEBAN REAL

PERAMALAN .4 W

GALUNGAN (H)

1

244.5

244.78

0.11438843

2

235.5

236.02

0.220320312

3

231.5

230.95

0.238146785

4

233.5

233.97

0.200880455

5

237.5

237.79

0.121956348

6

257.5

257.89

0.151227267

7

218.5

219.12

0.282949982

8

223.5

223.78

0.125122889

9

230.1

229.6

0.217770035

IO

233.3

233.2

0 042881647

I!

236.5

236.26

O.1O1583∞2

12

239.9

239.89

0.004168577

13

246.7

246.44

0.105502354

14

246.6

246.91

0.125551821

15

243

243.26

0.106881526

16

250

250.13

0.051972974

17

232.8

232.96

0.068681319

18

293.6

292.91

0.235567239

19

364.1

368.28

1.135005974

20

363.2

365.07

0.512230531

21

344.4

345.49

0.315493936

22

327.4

327.78

0.115931417

23

270.8

271.14

0.125396474

24

248

248.05

0.020157226

MIN

218.5

219.12

0.004168577

MAX

364.1

368.28

1.135005974

RATA

260.5166667

260.9029167

0.197490355

Tabel 3. Perbandingan Hasil Peramalan Beban Hari Manis Galungan Tahun 2006

PERAMALAN BEBAN LISTRIK MANIS GALUNGAN (MW)

PERSENTASE ERROR

PERAMALAN BEBAN

MANIS GALUNGAN

JAM

BEBAN REAL

PERAMALAN ANN

1

231

230.98

0.008658758

227

226.71

0.127916722

3

218

217.9

0.045892611

4

218

217.64

0.16541077

$

220

220.02

0.009090083

6

227

226.73

0.119084373

7

214

213.88

0.056106228

8

223

222.75

0.112233446

9

245.6

245.52

0.032583904

IO

261.4

261.43

0.011475347

I I

265.3

263.52

0.082856282

12

263

263.05

0.019007793

13

265

265.13

0.04903255

14

265

264.99

0.003773727

15

261.3

261.56

0.099403579

16

261.4

261.21

0.07273841

17

247.7

247.57

0.052510401

18

294.7

294.41

0.098502089

19

380.8

370.81

2.694102101

20

371.4

368.03

0.915686221

21

354.3

354.4

0.028216704

22

310.3

310.39

0.02899578

23

276.2

276.63

0.155442288

24

252.5

252.54

0.015839075

MIN

214

213.88

0.003773727

MAX

380.8

370.81

2.694102101

RATA

264.7458333

264.1583333

0.208523302

Tabel 4. Perbandingan Hasil Peramalan Beban Hari Kuningan 2006

PERAMALAN' BEBAN LISTRIK KUNINGAN (MW)

PERSENTASE ERROR

PERAMALAN BEBAN

KUNINGAN (%)

JAM

BEBAN RLAL

PERAMALAN ANN

1

241.1

240.99

0.045645048

2

228.1

227.96

0.061414283

3

228.1

228.14

0.017533094

4

224.1

223.93

0.075916581

3

237.1

236.88

0.092874029

6

24S.1

244.74

0.147094876

7

213.1

212.89

0.098642491

8

215.1

215.11

0.004648784

$

221.1

221.29

0.085860183

IO

239.1

239.17

0.029267885

) I

247.1

247.24

0.056625142

12

245.2

245.15

0.020395676

13

245.2

245.19

0.00407847

14

245.2

245.11

0.036718208

IS

245.2

244.95

0.102061645

16

244.2

244.13

0.028673248

17

241.7

241.79

0.037222383

18

271.4

271.88

0.176548477

19

360.3

362.31

0.554773536

20

351.4

352.58

0.334675818

21

331.7

331.61

0.027140315

22

305.7

305.56

0.045817515

23

272.4

272.32

0.029377203

24

251.6

251.51

0.035783865

MIN

213.1

212.89

0.00407847

MAX

360.3

362.31

0.554773536

RATA

256.2625

256.35125

0.089532865

Tabel 6. Perbandingan Hasil Peramalan Beban Hari Saraswati 2006

PERAMALAN BEBAN LISTRIK SARASWATI (MW)

PERSENTASE ERROR

PERAMALAN BEBAN

SARASWATI (%)

JAM

BEBAN REAL

PERAMALAN XW

1

249.2

248.03

0.471717131

2

238.3

237.55

0.315723006

3

231.3

231.51

0.090708825

4

229.3

229.04

0.11351729

5

234.3

232.98

0.566572238

6

246.3

245.37

0.37901944

7

223.3

223.9

0.267976775

8

225.2

227

0.792951542

9

258.8

259.36

0.215916101

10

275.8

276.43

0.227905799

11

282.8

282.88

0.028280543

12

282.8

281.6

0.426136364

13

282.8

282.04

0.269465324

14

282.8

280.77

0.723011718

15

279.8

277.91

0.680076284

16

271.8

272.7

0.330033003

17

265.4

267.56

0.807295 56

18

288.2

293.43

1.782367174

19

366.3

371.68

1.447481705

20

375.7

373.62

0.556715379

21

358

356.16

0.516621743

22

323.5

322.97

0.164101929

23

287.5

285.31

0.767586134

24

263.5

261.91

0.607078768

MIN

223.3

223.9

0.028280543

NLAX

375.7

373.62

1.782367174

RATA

275.9458333

275.9045833

0.522844157

Tabel 5. Perbandingan Hasil Peramalan Beban Hari Nyepi Tahun 2006

PERAMALAN BEBAN LISTRIK NYEPI (MW)

PERSENTASE ERROR

PERAMALAN BEBAN NYEPI (%)

JAM

BEBAN REAL

PERAMALAN ANN

1

221.9

221.92

0.009012257

2

214

214

0

3

205

205.02

0.009755146

4

203

203.02

0.009851246

5

205.6

205.57

0.014593569

6

2∞.6

200.64

0.019936204

7

179.6

179.58

0.011137098

8

179.6

179.61

0.005567619

9

188.6

188.59

0.005302508

10

188.6

188.59

0.005302508

11

183.6

183.59

0.00544692

12

183.6

183.57

0.01634254

13

181.6

181.6

0

14

179.6

179.6

0

IS

179.6

179.58

0.011137098

16

178.5

178.51

0.005601927

17

176.3

176.27

0.017019345

18

191.4

191.44

0.020894275

19

203.3

203.32

0.009836711

20

194.5

194.47

0.015426544

21

181.2

181.15

0.027601435

22

167.6

167.61

0.005966231

23

156.9

156.86

0.025500446

24

150.9

150.91

0.006626466

MIN

150.9

150.91

0

MAX

221.9

221.92

0.027601435

RATA

187.2958333

187.2925

0.010744087

Tabel 7. Perbandingan Hasil Peramalan Beban Hari Pagerwesi 2006

PERAMALAN BEBAN LISTRIK PAGERWESI (MW)

PERSENTASE ERROR

PERAMALAN BEBAN

PAGERWESI (%)

JAM

BEBAN REAL

PERAMALAN .4W

1

231.4

231.78

0.163948572

2

223.4

223.73

0.14 7499218

3

218.4

218.26

0.064143682

4

218.4

218.66

0.118906064

5

223.4

223.93

0.236681106

6

235.4

235.65

0.10608954

7

218.4

217.7

0.321543408

8

234.3

232.85

0.622718488

9

258.2

258.17

0.01162025

10

267.7

267.85

0.056001493

11

276.3

276.47

0.061489493

12

276

276.85

0.307025465

13

272.1

272.57

0.17243277

14

269.8

270.72

0.339834515

IS

266.5

267.52

0.381279904

16

271.3

270.52

0.28833358

17

274.2

272.53

0.612776575

18

289.4

286.61

0.97344824

19

362.9

361.48

0.392829479

20

370.1

368.74

0.368823561

21

337.4

337.19

0.062279427

22

304.3

304.32

0.006572029

23

266.6

267.75

0.42950513 5

24

238.7

239.61

0.379783815

MIN

218.4

217.7

0.006572029

MAX

370.1

368.74

0.97344824

RATA

266.8583333

266.7275

0.270065242

Sedangkan grafik untuk tiap-tiap hari libur Hindu adalah sebagai berikut.


=Beban Hasil Ramalan


=Beban Real


=Beban Hasil Kamalan


=Rehan Real


Gambar 2. Grafik peramalan Pembebanan hari hari\ libur


Peramalan

= Beban Hasil Ramalan

= Rehan Real

=Beban Hasil Ramalan

=Rehan Real

=Beban Real


Peramalan Beban Hanan Manis Galungan Tahun 2006


=Beban Hasil Ramalan


=Rehan Real


=Beban Hasil Ramalan


  • 5.    SIMPULAN

Berdasarkan hasil pembahasan di atas maka dapat disimpulkan peramalan beban untuk hari libur Hindu di Bali menggunakan metode Artificial Neural Network menghasilkan peramalan beban harian selama 24 jam dengan error rata-rata yang sangat kecil. Pada peramalan tahun 2006 didapatkan error rata-rata di bawah 1%.

  • 6.    DAFTAR PUSTAKA

  • [1] . Gooi, H.B. 1995. ANN-Based Electric Load Forecasting. Singapore :International Power Engineering Conference.

  • [2] . Kim, Kwang-Ho. 1995. Implementation of Hibrid Short Term Load Forecasting System Using Neural Network and Fuzzy Expert Systems. IEEE Transactions On Power Systems, Vol. 10, No. 3, pp. 1534-1539.

  • [3] . Kim, Kwang-Ho. 2000. Short Term Load Forecasting for Special Days in Anomalous Load Conditions Using Neural Networks and Fuzzy Inference Method. IEEE Transactions On Power Systems, Vol. 15, No. 2, pp. 559-565.

  • [4] . Kosko, Bart. 1997. Fuzzy Engineering. New Jersey: Prentice-Hall Inc Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & EXCEL LINK. Yogyakarta: Graha Ilmu.

  • [5] . Kusumadewi, Sri. 2004. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu

  • [6] . Mori, Hiroyuki. 1996. Optimal Fuzzy Inference for Short Term Load Forecasting. IEEE Transactions On Power Systems, Vol. 11, No. 1, pp.390-396.

  • [7] . Purwiyanti, Sri. 2000. Algoritma Genetik

Untuk Mengoptimalkan Proses Belajar Jaringan Syaraf Tiruan. Yogyakarta: Universitas Gadjah Mada.

Teknologi Elektro

56

Vol. 7 No. 2 Juli - Desember 2008