PERBANDINGAN PERAMALAN BEBAN PUNCAK BERBASIS ALGORITMA FUZZY C-MEANS DAN FUZZY SUBTRACTIVE CLUSTERING DENGAN OPTIMASI CLUSTER HARI DAN JUMLAH INPUT
Peramalan beban listrik merupakan hal yang sangat penting dalam perencanaan dan oprerasi sistem tenaga yang efektif. Berbagai metode digunakan dalam peramalan beban listrik, terutama metode berbasis kecerdasan buatan yang sekarang banyak dikembangkan dengan berbagai model perhitungan sistem maupun p...
Saved in:
| Main Author: | |
|---|---|
| Format: | Academic Paper |
| Published: |
2017-08-31.
|
| Subjects: | |
| Online Access: | http://repository.upi.edu/32241/ |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Peramalan beban listrik merupakan hal yang sangat penting dalam perencanaan dan oprerasi sistem tenaga yang efektif. Berbagai metode digunakan dalam peramalan beban listrik, terutama metode berbasis kecerdasan buatan yang sekarang banyak dikembangkan dengan berbagai model perhitungan sistem maupun penentuan model input. Penelitian ini mengkaji tentang peramalan beban listrik jangka pendek dengan metode berbasis algoritma Fuzzy C-Means (FCM) dan Fuzzy Subtractive Clustering (FSC). Hasil peramalan beban listrik kemudian dibandingkan dengan hasil peramalan yang telah dilakukan PT. PLN (Persero) yang digunakan dalam Rencana Beban Sistem PLN (RBS PLN) P3B Jawa Barat. RBS PLN pada data target yang digunakan dalam penelitian ini menunjukan kesalahan sebesar 13,21%, 8,15% dan 10,42% berturut-turut pada klasifikasi hari kerja, akhir pekan dan libur nasional. Nilai tersebut dinilai terlalu tinggi dibandingkan dengan laporan peramalan beban listrik yang sekarang banyak dikembangkan. Tingkat akurasi dengan metode clustering sangat dipengaruhi oleh klasifikasi input. Pada penelitian ini input peramalan merupakan data aktual beban listrik sejak tahun 2006 s.d 2014 dengan optimasi banyaknya input sample dan cluster hari berdasarkan hari kerja, akhir pekan dan hari libur nasional yang dihitung dengan menggunakan user interface. Hasil perhitungan menunjukan peramalan yang lebih akurat daripada RBS PLN. Nilai indeks MAPE hasil peramalan beban listrik dengan metode berbasis algortima FCM adalah 0,02%, 0,13% dan 0,07%. Sedangkan dengan algoritma FSC ada 0,18%, 0,88% dan 0,29% berturut-turut pada cluster hari kerja, akhir pekan dan hari libur nasional.;--- Electricity load forecasting is very important in the planning and operation of an effective power system. Various methods are used in electrical load forecasting, especially artificial intelligent based methods that are now widely developed with various models of system calculation and input model determination. This study examines the short-term load forecasting using Fuzzy C-Means (FCM) and Fuzzy Subtractive Clustering (FSC) -based algorithms. Results of electricity load forecasting then compared with forecasting results that have been done by PT. PLN (Persero) used in PLN Load System Plan (RBS PLN) P3B West Java. RBS PLN on the target data used in this study shows errors of 13.21%, 8.15% and 10.42% respectively on the classification of weekdays, weekends and national holidays. The value is considered too high compared to the report of electricity load forecasting that is now widely developed. The level of accuracy with the clustering method is strongly influenced by the classification of inputs. In this study input sample is the actual data electrical load since 2006 - 2014 with the optimization of the number of input and cluster days based on weekdays, weekends and national holidays that are calculated using a user interface. The calculation results show more accurate forecasting than RBS PLN. The MAPE index value of electricity load forecasting results with FCM algortihm based method is 0.02%, 0.13% and 0.07%. While the FSC algorithm is 0.18%, 0.88% and 0.29% respectively on the cluster of weekdays, weekends and national holidays. |
|---|---|
| Item Description: | http://repository.upi.edu/32241/1/S_TE_1006786_Title.pdf http://repository.upi.edu/32241/2/S_TE_1006786_Abstract.pdf http://repository.upi.edu/32241/3/S_TE_1006786_Table_Of_Content.pdf http://repository.upi.edu/32241/4/S_TE_1006786_Chapter1.pdf http://repository.upi.edu/32241/5/S_TE_1006786_Chapter2.pdf http://repository.upi.edu/32241/6/S_TE_1006786_Chapter3.pdf http://repository.upi.edu/32241/7/S_TE_1006786_Chapter4.pdf http://repository.upi.edu/32241/8/S_TE_1006786_Chapter5.pdf http://repository.upi.edu/32241/9/S_TE_1006786_Bibliography.pdf http://repository.upi.edu/32241/10/S_TE_1006786_Appendix.pdf |