Metode Hibrid PSO-JST untuk Peningkatan Akurasi Prediksi Beban Listrik Jangka Pendek A. G. Abdullah, G. M. Suranegara, D.L. Hakim Program Studi Teknik Elektro, Universitas Pendidikan Indonesia
Abstract— Prediksi beban listrik jangka pendek merupakan prosedur operasi sistem tenaga listrik yang memilki peranan penting dalam hal mewujudkan operasi yang ekonomis. Penelitian ini bertujuan untuk melakukan studi penggunaan algoritma hibrid PSO-JST dalam melakukan prediksi beban listrik jangka pendek dengan membuat kluster data berdasarkan tipe hari dalam satu minggu dan hari libur. Data historis menggunakan data pengeluaran beban listrik dari PT. PLN (Persero) Area III Jawa Barat. Perhitungan dilakukan dengan menggunakan perangkat lunak MATLAB. Tingkat akurasi prediksi algoritma PSO- JST dibandingkan dengan data Rencana Beban Sistem (RBS) PT.PLN. Hasil simulasi membuktikan bahwa hasil prediksi beban berbasis algoritma PSO-JST memberikan tingkat akurasi yang baik jika dibandingkan dengan prediksi RBS-PLN. Hasil prediksi beban yang akurat akan menekan tingkat rugi-rugi energi dan biaya pembangkitan. Keywords— Algoritma PSO-JST, MAPE, prediksi beban listrik jangka pendek, tipe hari.
I. PENDAHULUAN Operasi sistem tenaga listrik modern biasanya berhubungan dengan berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi dan proses pengambilan keputusan dimana suatu sistem tenaga listrik disusun untuk memenuhi beban listrik dalam jaringan yang telah ditetapkan kriteria kinerja teknis serta kriteria kinerja ekonomisnya. Proses perencanaan operasi harus dimulai dengan proyeksi penyaluran beban listrik masa depan pada interval waktu tertentu, yaitu dengan melakukan peramalan beban. Peramalan beban listrik diklasifikasikan menjadi tiga bagian yaitu peramalan beban jangka pendek (short term load forecasting), jangka menengah (medium term load forecasting) dan jangka panjang (long term load forecasting). Setiap model peramalan beban menggunakan metode yang berbeda untuk memenuhi tujuan spesifiknya. Prediksi beban listrik jangka pendek merupakan masalah prediksi berbasis deret waktu yang menganalisis pola beban listrik jangka pendek. Berfungsi sebagai masukan utama dalam unit commitment, economic dispath, penjadwalan bahan bakar, studi aliran daya serta maintenance. Oleh karena itu membangun model prediksi beban yang memiliki akurasi yang sangat tinggi sangat diperlukan dan menjadi masalah utama perusahaan listrik
dikarenakan sangat sulit implementasinya. Kesulitan tersebut disebabkan karena karakteristik beban listrik yang dikeluarkan memiliki pola yang kompleks [1]. Pola beban listrik memilki perilaku non linier dan bersifat random, misalnya karena faktor cuaca, sosial dan ekonomi [2]. Prediksi beban yang akurat memerlukan pertimbangan-pertimbangan faktor waktu, data cuaca, dan kegiatan lokal [3]. Faktor waktu meliputi tipe hari dalam satu minggu dan tipikal jam dalam satu hari. Penggunaan energi listrik oleh konsumen tentunya berbeda untuk hari kerja biasa, pada saat akhir pekan dan pada saat hari libur. Begitupun dalam satu hari penggunaan listrik akan sangat berbeda pada saat beban dasar dan beban puncak. Karakteristik pengguna listrik di Indonesia sangat unik dan berbeda dengan prilaku pengguna listrik di negara maju. Faktor cuaca tidak begitu mempengaruhi prilaku penggunaan listrik bagi Indonesia sedangkan bagi negara maju perbedaannya sangat mencolok. Kegiatan lokal seperti siaran televisi yang memikat sangat mempengaruhi prilaku penggunaan energi listrik di Indonesia, sehingga berdasarkan pertimbangan tersebut diperlukan model prediksi khusus untuk sistem kelistrikan di Indonesia. Beberapa pengembangan model prediksi beban telah dilakukan peneliti bidang sistem tenaga listrik. Model konvensional prediksi beban listrik jangka pendek pertama dilakukan dengan menggunakan teknik eksponensial smoothing [4], metode regresi , dan analisis statistik. Metode regresi ini terus dikembangkan dengan menghubungkan konsumsi listrik dengan beberapa faktor misalnya cuaca, tipe hari dan kelas konsumen [5]. Metode ARIMA dan sejenisnya dengan beban listrik dimodelkan dengan persamaan difference autoregressive moving average sangat populer digunakan pada tahun 1987. Model ini dikembangkan berdasarkan asumsi bahwa data yang digunakan memiliki struktur internal auto korelasi, trend dan variasi keadaan [6] Seiring dengan perkembangan teknologi komputasi cerdas, maka perhitungan prediksi beban sudah berkembang menuju era metode kecerdasan buatan. Metode prediksi beban dengan metode ini memiliki kinerja yang sangat baik untuk mengatasi masalahmasalah yang bersifat non linier yang selama ini sulit diselesaikan dengan metode deret waktu. Metode kecerdasan buatan tidak menggunakan formulasi matematika yang kompleks dan hanya menggunakan
Forum Pendidikan Tinggi Teknik Elektro Indonesia (FORTEI) 2013 http://fortei2013.com
korelasi kualitatif antara input dan output. Beberapa turunan kecerdasan buatan yang digunakan dalam prediksi beban diantaranya : jaringan syaraf tiruan dengan algoritma multi layer perceptron, radial basis function, kohonen, counterpropagation, recurrent dan lain-lain [7][9], sistem fuzzy [10]-[12] dan penggunaan metode sistem pakar [13]. II. METODE Data historis menggunakan data pengeluaran beban listrik dari PT. PLN (Persero) Area III Jawa Barat tahun 2011 sampai dengan tahun 2012 meliputi area Karawang, Purwakarta, Bandung Barat, Bandung Timur, Garut, Cirebon dan Bekasi. Data dikelompokkan berdasarkan 3 kluster hari yaitu data hari kerja (hari Senin sd. Jumat), data libur akhir pekan (hari Sabtu sd. Minggu) serta data libur nasional dan cuti bersama, secara lengkap terlihat pada tabel 1. Data tersebut dijadikan input pelatihan dan pengujian pada algoritma PSO-JST dengan menggunakan perangkat lunak MATLAB. Algoritma JST yang digunakan adalah algoritma backpropagasi (BP). TABEL 1. DATA INPUT PELATIHAN DAN DATA INPUT TARGET Libur Hari Akhir Libur Nasional dan Cuti Input Kerja Pekan Bersama Tahun Baru t-10 9/04/12 18/03/12 01/02/11 Masehi t-9
10/04/12
24/03/12
22/04/11
Wafat Yesus Kristus
t-8
11/04/12
25/03/12
16/05/11
Cuti Bersama Hari Raya Waisak
t-7
12/04/12
31/03/12
02/06/11
Kenaikan Yesus Kristus
03/06/11
Cuti Bersama Kenaikan Yesus Kristus
t-6
13/04/12
01/04/12
t-5
16/04/12
07/04/12
17/08/11
Hari Kemerdekaan RI
t-4
17/04/12
08/04/12
25/12/11
Hari Raya Natal
t-3
18/04/12
14/04/12
01/01/12
Tahun Baru Masehi
t-2
19/04/12
15/04/12
23/01/12
Tahun Baru Imlek
t-1
20/04/12
21/04/12
23/03/12
Hari Raya Nyepi
t-0
23/04/12
22/04/12
06/04/12
Wafat Yesus Kristus
Implementasi algoritma hibrid PSO-JST pada kasus STLF sebagai berikut : 1. Mengklaster data berdasarkan tipe hari, kemudian data-data beban tersebut dinormalisasi.
2. Menentukan jenis arsitektur BP dan menentukan jumlah neuron pada hidden layer. 3. Inisialiasi bobot dan bias awal secara random antara 0 sampai dengan 1. 4. Menyebarkan data pada input layer menuju hidden layer dengan mengalikan setiap data pada unit neuron input layer dengan bobot yang menghubungkan antar neuron, hasil perkalian tersebut dijumlahkan lalu ditambahkan dengan biasnya. (1) 5. Masing-masing sinyal diaktifkan dengan fungsi aktifasi sigmoid. (2) 6. Sinyal yang telah diaktifkan dikirim menuju output layer dengan cara mengalikan sinyal pada hidden layer dengan bobot yang menghubungkan antar neuron ke output layer. Hasil perkalian tersebut dijumlahkan lalu ditambahkan dengan biasnya. (3) 7. Neuron pada ouput layer diaktifkan agar mendapatkan hasil keluaran pada tahap ini. (4) 8. Inisialisasi posisi dan kecepatan awal partikel, jumlah partikel, batas atas dan batas bawah ruang pencarian dan jumlah iterasi yang digunakan. 9. Posisi dan kecepatan awal partikel ditentukan secara random dengan range antara 0 sampai dengan 1. Posisi adalah bobot dan biasnya, sementara kecepatan adalah nilai yang mempengaruhi perubahan posisi pada setiap iterasi. 10. Jumlah partikel yang disebar adalah 50 partikel. 11. Batas atas dan batas bawah posisi dan kecepatan partikel berada pada range -100 sampai dengan 100. 12. Jumlah iterasi yang digunakan pada PSO adalah 1000 iterasi. 13. Melakukan feedforward ANN dengan optimasi PSO kemudian membandingkannya dengan data target untuk memperoleh fitness (fungsi pembangkit) dari fungsi objektifnya. Nilai fitness diperoleh dari MAPEnya. 14. Evaluasi nilai fitness pada setiap partikel dengan menentukan Pbest dan Gbest pada awal iterasi. 15. Perbaharui posisi dan kecepatan partikel dengan tetap mempertimbangkan batas atas dan batas bawah. Pembaruan dimodifikasi dengan random time varying inertia bobot aceleration coeficient 16. Hitung kembali nilai fitness untuk mencari partikel terbaik berdasarkan Pbest dan Gbest setelah diperbaharui posisi dan kecepatannya. 17. Menentukan Pbest dan Gbest setelah pembaharuan posisi dan kecepatan. 18. Simpan bobot dan bias dari hasil Pbest dan Gbest. 19. Optimasi PSO hingga nilai Gbest tidak berubah pada iterasi yang ditentukan. Kemudian algoritma dialihkan ke BP.
20. Lakukan langkah 15-17 hingga maksimum iterasi tercapai atau Gbest tidak berubah. 21. Inisialisasi parameter pada algoritma BP dengan menggunakan bobot dan bias yang diperoleh dari PSO. Parameter learning rate (α) adalah 0,6. Nilai maksimum epoch adalah 10000. 22. Hitung nilai fungsi objektif pada setiap epoch hingga akhir iterasi untuk mengetahui error rata-rata. 23. Perbaiki nilai bobot dan bias. 24. Ulangi langkah 22-23 hingga nilai maksimum iterasi tercapai. 25. Denormalisasi hasil keluaran 26. Hitung MAPE dari hasil keluaran yang telah didenormalisasi. III. HASIL DAN DISKUSI Penggolongan prediksi beban listrik harian berdasarkan tiga tipe hari berlandaskan pada hasil analisis awal terhadap pola beban pada hari kerja, libur akhir pekan dan hari libur nasional seperti terlihat pada gambar 1. Pola beban pada ketiga kategori tersebut memiliki selisih yang cukup besar, terutama pada pukul 06.00 sampai dengan pukul 22.00. Beban rata-rata hari kerja, hari libur akhir pekan dan hari libur nasional berturutturut sebesar 3518,10 MW, 3130,83 MW dan 2885,03 MW. Terjadi penurunan penggunaan listrik pada hari libur akhir pekan dan hari libur nasional sebesar 11% hingga 17,99% dari beban listrik hari kerja. Pola beban listrik pada hari libur akhir pekan mengalami penurunan tetapi tidak begitu tajam jika dibandingkan pada hari libur nasional, dikarenakan tidak semua konsumen industri menghentikan kegiatannya sehingga penurunan penggunaan listriknya tidak begitu besar. Oleh sebab itu sangat penting sekali perusahaan listrik melakukan prediksi beban listrik dengan membagi atas tiga kategori hari tersebut.
Untuk mengevaluasi kinerja algoritma PSO-JST, pengujian dilakukan pada data riil pengeluaran beban listrik region III Jawa Barat. Sepuluh data historis untuk masing-masing kategori hari dibelajarkan pada algoritma BP- JST dengan optimasi bobot menggunakan algoritma PSO. Karena profil penggunaan beban listrik di Indonesia tidak dipengaruhi cuaca, maka aspek pengaruh cuaca diabaikan. Akurasi prediksi menggunakan formula MAPE: N
Aktuali -Prediksii 1 (5) x100 N 1 Aktuali Dimana N adalah total jumlah jam. Error rata-rata kuadrat digunakan sebagai fungsi pembangkit pada algoritma PSO dan JST. Gambar 2 memperlihatkan hasil simulasi prediksi beban pada hari kerja. Input pembelajaran menggunakan beban listrik harian untuk hari Senin sampai dengan Jumat sebanyak 10 data. Arsitektur JST menggunakan pola 10-5-1 dengan learning rate 0,2. Hasil prediksi beban listrik hari kerja memperlihatkan bahwa algoritma PSOJST memberikan akurasi yang lebih baik daripada hasil prediksi RBS-PLN. Nilai absolut MAPE yang diperoleh PSO-JST adalah 1,261 dan RBS-PLN adalah 3,81. Perbandingan error prediksi PSO-JSTdan RBS-PLN untuk tiap jam terlihat pada Gambar 3. MAPE=
Gambar 2. Prediksi beban listrik pada hari kerja.
Gambar 1. Perbandingan pola beban listrik harian pada hari kerja, hari libur akhir pekan dan hari libur nasional
Gambar 3. Perbandingan MAPE antara PSO-JST dengan RBS-PLN untuk prediksi beban listrik hari kerja.
Gambar 4 dan gambar 5 secara berturut-turut memperlihatkan hasil simulasi prediksi beban pada hari libur akhir pekan dan perbandingan MAPE antara PSOJST dan RBS-PLN. Eksperimen dilakukan dengan menggunakan pola arsitektur JST 10-5-1, dengan melakukan ujicoba variasi learning rate mulai 0,1 sampai dengan 0,9. Hasil MAPE optimal didapatkan pada nilai error prediksi sebesar 1,295 lebih akurat dibandingkan dengan prediksi RBS-PLN sebesar 1,89. Dalam memprediksi beban harian pada libur akhir pekan, PLN telah memberikan prediksi yang cukup akurat, karena terlihat MAPE yang dihasilkan berdasarkan fakta beban aktual tidak melebihi 2% meskipun jika dibandingkan dengan hasil PSO-JST, hasilnya masih lebih akurat algoritma PSO-JST, tetapi selisihnya tidak begitu jauh.
variasi learning rate antara 0,1 sampai dengan 0,9. Hasil simulasi secara berturut-turut terlihat pada gambar 6 dan gambar 7.
Gambar 6. Prediksi beban listrik pada hari libur nasional dan cuti bersama
Gambar 4. Prediksi beban listrik pada hari libur akhir pekan.
Gambar 7. Perbandingan MAPE antara PSO-JST dengan RBS-PLN untuk prediksi beban listrik hari libur akhir nasional dan cuti bersama
IV. KESIMPULAN
Gambar 5. Perbandingan MAPE antara PSO-JST dengan RBS-PLN untuk prediksi beban listrik hari libur akhir pekan.
Temuan yang sangat menarik terlihat dari hasil prediksi hari libur nasional dan cuti bersama. Hasil prediksi RBS-PLN memberikan error yang sangat besar yaitu 6,71%, artinya bahwa terjadi kerugian operasional pembangkitan yang cukup besar terutama kerugian energi dan kerugian biaya pembangkitan, yang seharusnya tidak perlu terjadi jika menggunakan model prediksi yang lebih baik. Algoritma PSO-JST memberikan tingkat akurasi yang stabil, dengan nilai rata-rata absolut MAPE sebesar 1,248%, dengan menggunakan arsitektur JST 10-5-1 dan
Akurasi prediksi beban listrik harian yang baik harus mempertimbangkan tipe hari dalam satu minggu dan tipe hari libur. Eksperimen yang dilakukan memperlihatkan bahwa pembuatan kluster hari dapat memberikan tingkat akurasi yang sangat baik. Prediksi beban yang akurat tentunya akan menghasilkan efesiensi kepada perusahaan listrik sehingga menekan biaya operasional pembangkitan dan tentunya secara tidak langsung akan berdampak kepada murahnya biaya produksi tenaga listrik. Data hasil prediksi beban listrik yang sangat akurat akan berdampak pula terhadap operasi ekonomis sistem tenaga terutama terkait dengan pengambilan keputusan dalam hal produksi listrik dan perencanaan pembebanan transmisi, unit commitment, penjadwalan unit pembangkit, dan koordinasi hidro-termal. Memahami perilaku beban listrik melalui prediksi beban listrik jangka pendek sangatlah penting untuk penentuan harga dasar listrik dan restrukturisasi industri tenaga listrik.
UCAPAN TERIMA KASIH Terima kasih kepada Universitas Pendidikan Indonesia dan Direktorat Pendidikan Tinggi yang telah mendukung pembiayaan penelitian melalui skim hibah penguatan kompetensi dan hibah bersaing. DAFTAR PUSTAKA [1] Jain, A., Jain M., B, 2013, Fuzzy Modeling and Similarity based Short Term Load Forecasting using Swarm Intelligence-A step towards Smart Grid, Proceedings of Seventh International Conference on Bio-Inspired Computing: Theories and Applications (BIC-TA 2012), Advances in Intelligent Systems and Computing 202, p15-27, DOI: 10.1007/978-81-322-1041-2_2,Springer India. [2] Behera, R., Panigrahi B., P., Pati, B., B., 2011, A Hybrid Short Term Load Forecasting Model of an Indian Grid, Energy and Power Engineering, p190-193, doi:10.4236/epe.2011.32024. [3] Kashani, Z., S., A Multi Adaptive Neuro Fuzzy Inference System for Short Term Load Forecasting by Using Previous Day Features, Fuzzy Inference System - Theory and Applications, InTech Publisher, Croatia. [4] Christiaanse, W., R., 1971, Short-Term Load Forecasting Using General Exponential Smoothing, IEEE Transactions on Power Apparatus and Systems 04/1971, pp.900 – 911, DOI:10.1109/TPAS.1971.293123 [5] Engle, R.F., Mustafa, C., Rice, J., 1992, Modelling Peak Electricity Demand, Journal of Forecasting, Volume 11, p241-251 [6] Gross, G., Galiana, F.D., 1987, Short Term Load Forecasting, Proceeding of the IEEE, Volume 75, No 12, p1558-1573 [7] Peng, M., Hubele, N.F., Karady, G.G., 1992, Advancement in the Application of Neural Networks for Short Term Load Forecasting, IEEE Transaction on Power System, Volume 7, 250-257 [8] Khotanzad, A., Afkhami-Rohani, R., Lu, T.L., Davis, M.H., Abaye, A., Maratukulam, D, 1997, ANNSTLF- A Neural Network Based Electric Load Forecasting System, IEEE Transactions on Neural Network, Volume 8, No 4, p835-846 [9] Osowski, S., Siwek, K., Kadzielawa, A., 1996, Neural Network Approach to Load Forecasting, 2nd Conference on Neural Network and Their Application, 355-360, Czestochowa, Poland [10] Miranda, V., Monteiro, C., 2000, Fuzzy Inference in Spatial Load Forecasting Power Engineering Society Winter Meeting, IEEE, Vol.2, p 1063-1068 [11] Dudek, G., 2007, The Analysis of the Short Term Power System Load Forecasting based on the Fuzzy Clustering, Badania Operacyjne, no 2, 15-34. [12] Kiartzis, S.J., Bakirtzis, A.G., 2000, Fuzzy Expert System for Peak Load Forecasting Application to the Greek Power System, 10th Mediterraneam Electrotechnical Conference MELECON 2000, 1097-1100. [13] Rahman, S., Bhatnager, R., 1988, An Expert System Base Algorithm for Short-Term Load Forecast, IEEE Transactions on Power Systems, vol.3, 392-399.
