Prediksi Pembebanan Penyulang Transformator Distribusi Gardu Induk Petrokimia dengan Metode Nonlinear Autoregressive Neural Network (NARNN)

Authors

  • ROSMITA DWIJAYANTI
  • SUBUH ISNUR HARYUDO

DOI:

https://doi.org/10.26740/jte.v8n1.p%25p

Abstract

Pada jaringan sistem distribusi, transformator merupakan komponen yang paling penting dalam penyaluran tenaga listrik dari gardu distribusi ke konsumen. Transformator pada gardu induk 150 kV/20 kV sering mengalami perubahan beban yang diakibatkan oleh perkembangan pemukiman, perkantoran, maupun industri. Agar penyaluran tenaga listrik memiliki keandalan yang tinggi perlu dilakukan prediksi terhadap beban yang akan datang. Penelitian ini bertujuan untuk memprediksi beban rata-rata pada transformator distribusi. Prediksi adalah salah satu solusi untuk dapat memperkirakan pergerakan beban rata-rata. Salah satu metode dalam prediksi adalah dengan menggunakan Nonlinear Autoregressive (NAR) Neural Network. Hasil performa optimum akan didapatkan dengan mengganti jumlah delay dan hidden neuron dan menghitung Mean Squared Error (MSE) dan Regression (R) pada masing-masing eksperimen. Hasil penelitian menunjukkan beban prediksi pembebanan harian siang dan malam Januari 2018 untuk setiap penyulang pada Gardu Induk Petrokimia. Besar perbedaan Mean Square Error (MSE) terbesar perbandingan antara hasil peramalan dengan data aktual terletak pada penyulang Panca Putra pada malam hari sebesar 0.3653 dan terkecil pada penyulang PON 1 malam hari sebesar 0.0350.

Kata Kunci: Transformator Distribusi, Prediksi, Nonlinear Autoregressive, Neural Network, Time Series.

Downloads

Download data is not yet available.

Downloads

Published

2018-09-21

How to Cite

DWIJAYANTI, R., & ISNUR HARYUDO, S. (2018). Prediksi Pembebanan Penyulang Transformator Distribusi Gardu Induk Petrokimia dengan Metode Nonlinear Autoregressive Neural Network (NARNN). JURNAL TEKNIK ELEKTRO, 8(1). https://doi.org/10.26740/jte.v8n1.p%p
Abstract views: 142 , PDF Downloads: 293

Most read articles by the same author(s)

1 2 > >>