Penelitian PREDIKSI KEBUTUHAN DAYA LISTRIK MENGGUNAKAN JARINGAN SARAF TIRUAN DENGAN MENGGUNAKAN METODE RECCURENT
Oleh : Baginda Oloan Siregar (132308915)
Dosen Fakultas Teknik Elektro Universitas Sriwijaya
Abstraksi Tenaga Listrik tidak dapat disimpan dalam skala besar, karenanya tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya timbul persoalan dalam menghadapi kebutuhan daya listrik yang tidak tetap dari waktu ke waktu, bagaimana mengoperasikan suatu sistem tenaga listrik yang selalu dapat memenuhi permintaan daya pada setiap saat, dengan kualitas baik dan harga yang murah. Apabila daya yang dikirim dari bus-bus pembangkit jauh lebih besar daripada permintaan daya pada bus-bus beban, maka akan timbul persoalan pemborosan energi pada perusahaan listrik, terutama untuk pembangkit termal. Sedangkan apabila daya yang dibangkitkan dan dikirimkan lebih rendah atau tidak memenuhi kebutuhan beban konsumen maka akan terjadi pemadaman lokal pada busbus beban, yang akibatnya merugikan pihak komsumen. Oleh karena itu diperlukan penyesuaian antara pembangkitan dengan permintaan daya. Syarat mutlak yang pertama harus dilaksanakan untuk mencapai tujuan itu adalah pihak perusahaan listrik mengetahui beban atau permintaan daya listrik dimasa depan. Karena itu prakiraan beban jangka pendek, menengah dan panjang merupakan tugas yang penting dalam perencanaan dan pengoperasian sistem daya. Dengan adanya persoalan diatas maka diperlukan suatu metoda penelitian dengan menggunakan Jaringan Syaraf Tiruan dimana kemampuan komputasi yang pararel dengan cara belajar dari pola-pola yang diajarkan. Dalam proses belajarnya JST dapat melakukan regresi nonlinier pola-pola beban listrik tiap jam dalam satu hari. Sehingga JST mampu memprakirakan beban listrik pada hari yang akan datang
2. Latar belakang Dalam sistem daya listrik , sangat dibutuhkan untuk memperkirakan dengan tepat beban dan kebutuhan energi karena dalam distribusi listrik dibutuhkan banyak uang. Prediksi dengan waktu yang nyata untuk jarak waktu yang pendek dan berubah-ubah dalam beberapa menit .Bila perkiraan energi terlalu kuno, akan terjadi bahwa kapasitas daya yang dibangkitkan oleh generator tidak cukup untuk memenuhi kebutuhan daya listrik, mengakibatkan keterbatasan dukungan catu daya yang akan merugikan kesejahteraan ekonomi negara. Bila perkiraan terlalu optimis mungkin akan menjurus pada kelebihan kapasitas pembangkitan, akibatnya sebagian modal yang ditanam tidak segera kembali. Kebutuhan beban dari suatu daerah tergantung dari daerah, penduduk dan standar kehidupannya , rencana pengembangan sekarang dan masa datang.
Kebutuhan tersebut dapat dilihat berdasarkan tipe-tipe beban misalnya 1. Perumahan (domestic) terdiri dari penerangan, alat-alat rumah tangga misalnya pemanas, alat pendingin udara dll. (Comercial) misalnya 2. Komersil penerangan untuk toko-toko dan reklame , air conditioner , alat alat listrik lainnya yang dipakai pada bangunan perdagangan seperti toko-toko,restoran dan pasar. 3. Industri (Industrial) misalnya industri rumah tangga, industri skala kecil , industri dengan skala menengah, industri besar, industri berat yang dilihat dari tipikal bebannya. 4. Kota (Municipal) beban ini adalah untuk penerangan jalan dan selalu tetap sepanjang malam, penyediaan air minum dan pengairan.
5.
Pertanian (Agriculture) beban ini dibutuhkan untuk penyediaan air irigrasi dengan menggunaan pompa air yang digerakan oleh motor listrik 6. Beban-beban lain : diluar beban yang telah disebutkan tersebut masih ada beban-beban lain misalnya penyediaan yang besar , Industri khusus seperti kertas, tekstil, dan sebagainya . 3. Tujuan Penelitian Berangkat dari pemikiran pemikiran di atas, maka penelitian ini bertujuan untuk mendapatkan metoda prediksi kebutuhan daya listrik yang lebih mendekati pemakaian nyata dengan memanfaatkan Artificial Neural Network (Jaringan Saraf Tiruan) sehingga hasil penelitian ini dapat memberikan kontribusi bagi Perusahaan Listrik Negara dalam memenuhi kebutuhan daya listrik ke konsumen.
Secara umum saraf otak manusia terdiri dari tiga komponen utama yaitu : cell body atau soma, dendrite, dan axon (11). Neuron menerima rangsangan / masukan melalui dendrite. Sinapsis adalah struktur dasar dan unit fungsional yang menghubungkan antar neuron. Rangsangan yang diterima oleh dendrite diteruskan ke soma lalu ke nucleus. Hasil pemrosesan oleh nucleus dikeluarkan melalui axon dan dihubungkan dengan kurang Gambar 1. Skematik Diagram Saraf Manusia
4. Metodalogi Penelitian Prediksi merupakan suatu aplikasi yang sangat noisy, sebab biasanya berhubungan dengan sesuatu yang menerima ribuan bahkan mungkin jutaan masukan yang berinteraksi dalam bentuk hubungan non linier yang sangat kompleks. Metoda tradisional kebanyakan dilakukan dengan pendekatan linier, sementara ruang lingkup prediksi merupakan hal yang bersifat non linier. Sehingga untuk menyelesaikan permasalahan tersebut biasanya ruang lingkup permasalahan yang non linier tadi dibawa ke ruang lingkup yang linier, sering disebut sebagai linierisasi. Karena ada pendekatan linierisasi maka hasil yang diperoleh seringkali tidak seperti yang diharapkan. Pada penelitian prediksi ini akan digunakan Jaringan Saraf Tiruan yang mampu menyelesaikan masalah-masalah non linier dengan lebih baik. Sekumpulan informasi pemakaian daya listrik oleh konsumen dalam suatu rangkaian urutan waktu di masa lampau dapat dipergunakan untuk memprediksi kebutuhan daya listrik di masa datang. Artinya informasi masa lalu tadi mempunyai keterkaitan (pola hubungan) dengan masa datang, yaitu dengan cara mengekstrak sifat– sifat / pola masa lalu dan menyimpannya dalam suatu memory. 5. Teori Dasar
manusia ditunjukkan pada Gambar 1 Jaringan Saraf Tiruan adalah sistem komputasi yang dibangun dengan menggunakan konsep dasar sistem saraf manusia. Aleksander dan Morton (1990) (5) menyatakan : A neural network is a massively parallel distributed processor that has a natural propensity for storing experiential knowledge and making it available for use. It resembles the brain in two respects : 1. Knowledge is acquired by the network through a learning process 2. Interneuron connection strengths known as synaptic weights are used to store the knowledge
lebih 1000 neuron lainnya. Struktur saraf
5.1. Model Neuron
i n p u t
x1
w1
x2
w2
xn
wn
∑
v
ϕ(.)
θ, threshold
Gambar 2 Model Neuron
Komponen dasar pembentuk Jaringan Saraf Tiruan adalah Neuron seperti ditunjukkan pada Gambar 2. Sebuah neuron terdiri dari : •
bobot sinapsis,
y
• •
adder atau penjumlah, Fungsi Aktivasi. n
v = ∑ wi x i + θ i =1
y = ϕ (.)v
Model neuron diperkenalkan pertama kali oleh McCulloch dan Pitts (1943) dan dikembangkan lagi oleh Frank Rosenblatt (1958) dalam model Perceptron . Tahun 1986 Rumelhart mengembangkan algoritma Backpropagation sebagai algoritma untuk proses belajar (learning process). Walaupun sebenarnya algoritma tersebut ditemukan pertama kalinya oleh Werbos tahun 1974, namun hampir tidak dikenal. Dari hal di atas terbukti bahwa Jaringan Saraf Tiruan memiliki kemampuan komputasinya melalui struktur paralel terdistribusi yang kokoh dan kemampuan belajar serta generalisasi. Dengan kemampuan tersebut memungkinkan Jaringan Saraf Tiruan untuk menyelesaikan masalah–masalah dengan tingkat kompleksitas yang tinggi. Fakta bahwa empat dikalikan dengan enam sama dengan dua puluh empat disimpan di ingatan manusia seumur hidup. Kalkulator harus menghitung hasil tersebut setiap kali operasi perkalian. Jaringan Saraf Tiruan menggunakan ingatan sebagai basis informasi yang berbeda dan lebih fleksibel dibandingkan dengan pemakaian tabel. Pada Jaringan Saraf Tiruan, seperti halnya pada otak manusia, informasi disimpan tersebar pada jaringan. Hal inilah yang membuat Jaringan Saraf Tiruan mempunyai sifat Fault Tolerance. Seperti halnya seorang bayi memerlukan waktu untuk belajar supaya dapat mengenali sebuah kursi, demikian juga Jaringan Saraf Tiruan memerlukan waktu untuk melalui fase belajar sebelum dapat digunakan untuk operasi sesungguhnya. Waktu yang dibutuhkan dalam proses belajar sangat bervariasi, berbeda untuk setiap arsitektur dan lingkup permasalahannya. 5.2. Arsitektur Jaringan Saraf Tiruan Secara umum arsitektur Jaringan Saraf Tiruan dibagi 2, yaitu Jaringan Saraf Tiruan yang tidak memiliki umpan balik dan yang memiliki umpan balik. Haykin mengelompokkan Jaringan saraf Tiruan dalam 4 kelas, yaitu : 1. Single-layer Feedforward 2. Multilayer Feedforward
3. Recurrent Network 1. Single–layer Feedforward Arsitektur Jaringan Saraf Tiruan ini terdiri (2.1)layer dan output layer, seperti dari input ditunjukkan pada Gambar 3. Jenis jaringan ini (2.2)dipergunakan untuk memecahkan hanya dapat masalah-masalah linier (linearly separable problem). Pada jaringan Single-layer Feedforward, data yang diterima oleh input layer diproyeksikan ke output layer melalui bobot sinapsisnya. Dengan kata lain, pada jaringan ini komputasi hanya dilakukan pada bagian output layer.
Input layer
Output layer
Gambar..3. Single -Layer Feedforward 2. Multilayer Feedforward Pada arsitektur ini antara input layer dan output layer ditambahkan hidden layer. Penambahan hidden layer ini meningkatkan kemampuan Jaringan Saraf Tiruan dalam menangani masalah bukan saja linearly separable problem tapi juga non-linearly separable problem dan problem yang memiliki discontinuity. Bentuk Jaringan Saraf Tiruan dengan arsitektur Multilayer Feedforward adalah sebagai berikut :
Input layer
Hidden layer Output layer
Gambar 4. Multilayer Feedforward Komputasi pada Multilayer Feedforward dilakukan oleh hidden layer dan output layer. Jumlah hidden layer ditentukan oleh kompleksitas permasalahan. Kendati demikian, penggunaan empat buah hidden layer menyebabkan proses belajar terjebak pada minimum lokal, seperti dinyatakan oleh Villiers dan Barnard (15).
sinapsisnya. Haykin(5) mengelompokkan proses belajar seperti pada Gambar 2.8. Selanjutnya yang akan dibahas adalah bagian error correction learning dan supervised paradigm.
3.Recurrent Network output
z –1 z –1 z
input
–1
contextual input
Gambar 5. Recurrent Network Pada arsitektur feedforward, baik single maupun multilayer, hubungan antara satu layer dengan layer di depannya merupakan suatu hubungan satu arah. Jika pada arsitektur Multilayer Feedforward (Gambar 2.4) ditambahkan sedikitnya satu hubungan menuju neuron pada layer sebelumnya, maka arsitektur Jaringan Saraf Tiruan tersebut menjadi Recurrent Network. Lihat Gambar 2.5. Recurrent Network memiliki dua buah input, yaitu input sesungguhnya dan contextual input. Contextual input adalah input dari Recurrent Network yang berasal dari hasil komputasi sebelumnya. Jenis jaringan tersebut digunakan oleh Jordan (1986) untuk mengendalikan pergerakan robot dan digunakan oleh Elman (1990) untuk proses belajar dalam linguistik (4). Jordan memakai umpan balik dari output layer ke hidden layer, sedang Elman memberikan umpan balik dari output hidden layer ke inputnya sendiri. 5.3 Learning Process (Proses Belajar) Mendel dan McLaren (1970) (5) menyatakan Learning is a process by which the free parameter of a neural network are adapted through a continuing process of stimulation by the environment in which the network is embedded. The type of learning is determined by the manner in which the parameter changes take place. Bobot sinapsis pada Jaringan Saraf Tiruan memegang peranan sebagai ‘memori’. Agar Jaringan Saraf Tiruan dapat mengenali pola lingkungan yang diberikan kepadanya, maka proses belajar merupakan fase yang harus dijalani yaitu dengan mengubah bobot
Learning process
- Error Correction - Boltzman Learning - Thorndike' s algorithms (rules) - Hebbian - Competitiv e
Learning paradigms
- Supervised - Reinforcement - Unsupervised
5.4 Prediksi Kebutuhan Beban menggunakan Jaringan saraf tiruan Pola kegiatan konsumen pada hari kerja yaitu hari Senin sampai hari Jumat dan hari akhir pekan, pada setiap minggunya tidak akan banyak berubah. Pola kegiatan konsumen akan berulang pada setiap minggunya. Pengulangan ini juga akan terjadi pada pola kurva beban dari minggu ke minggu, dimana hari yang sama pada suatu minggu mempunyai pola kurva beban yang mirip. Misalnya pola kurva beban hari Kamis dalam minggu ini akan mirip dengan pola kurva beban pada hari Kamis dalam minggu yang akan datang. Hal yang sama juga terjadi pada hari-hari lain. 6. Hasil Penelitian
Dari hasil training tersebut didapat epoch sebesar 4000 dan RMSE yang diacapai sebesar 0.005 mendekati 0.001 dari toleransi errornya sedangkan distribusi MAPE nya dpat dilihat pada tabel dibawah ini
Arsitektur
Reccurent
MAPE <= 1% 1%<.<=2% 2%<.<=3% 3%<.<=4% 4%<.<=5% 5%<.<=6% 6%<.<=7% 7%<.<=8% 8%<.<=10% 10%<.<=20% 20%<.<=25%
Populasi Frekuensi % 12 12.50% 13 13.54% 20 20.83% 5 5.21% 10 10.42% 8 8.33% 6 6.25% 8 8.33% 9 9.38% 2 2.08% 3 3.13%
7. Kesimpulan Dari hasil penelitian ini dapat diambil beberapa kesimpulan sebagai berikut : 1.
Tabel 4.4 Perbandingan Beban Akual dan Beban Hasil Training Pada Bulan April
Dari data tersebut didapat rata-rata errornnya adalah sebesar 11 %. Pelatihan ini menggunakana konfigurasi sebabagai berikut; 2. learning rate = 0.8, momentum = 0.1, Epoch = 5000 , Error Toleransi = 0.001 , Hiden Nodes = 10. Bila dibandingkan hasil dari rata-rata error dengan error pada multilayer FeedForward memang tidak begitu jauh akan tetapi bila dilihat dari grafik pembelajaran dibawah ini menunjukan keadaan error yang stabil. Hal ini dapat dilihat ketika epcoh telah mencapai 1000 error yang terjadi rata-rata dibawah 0.01 dan tidak mengalami fluktuasi sehingga dapat menghasilkan MAPE yang lebih baik bila dibandingkan dengan Multilayer FeedForward. 0.07 0.06
Error
0.05 0.04 0.03 0.02 0.01 0 1
181 361 541 721 901 1081 1261 1441 1621 1801 Epoch
Gambar 4.29 Grafik Error Pembelajaran ReccurentTerhadap Epoch
Kelebihan JST terletak pada kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau fungsinya.
Dari hasil pengujian JST untuk memprakirakan beban pada tanggal 22 April 1998 dengan data lampau yaitu data pada tanggal 16 sampai dengan 21 April 1998 (hari biasa) didapatkan rata-rata error prakiraan beban menggunakan JST adalah 11,8 %., dan error ini masih dapat diminimumkan lagi 6. Daftar Pustaka 1. O. Mohammed, D. Park, R. Merchant, T. Dihn, C. Tong, A. Azeem, "Practical Experiences With An Adaptive Neural Network Short Term Load Forecasting System, IEEE Transaction On Power System, Vol. 10, No. 1, pp 254-265, February 1995. 2. Kun-Long Ho, Yuan-Yih Hsu and Chen Chuen Yang, "Short Term Load Forecasting Using A Multi Layer Neural Network With An Adaptive Learning Algorithm", IEEE Tr. On Power Sys, Vol. 7, No. 1, Feb. 1992. 3. K. y. Lee, J. H. Park "Short Term Load Forecasting Using An Artificial Neural Network", IEEE Tr. On power Sys, Vol. 7, No. 1, Feb. 1992. 4. Shin-Tzo Chen, David C. Yu and A. R. Moghaddamlo, "Weather Sensitive Short Term Load Forecasting Using Non Fully Connected Artificial Neural Network", , IEEE Tr., On Power Sys. Vol. 7, No. 5, Feb. 1992. 5. Kun Long Ho, Yuan-Yih Hsu, Chuan-Fu chen, Tzong-En Lee, Chih-Chien Liang, Tsan-Shin Lai And Kung-keng chen, Short Term Load Forecasting Of Taiwan Power System Using A. Knowledge Base Expert System, IEEE Tr. On Power Systems, Vol 5, No. 4, November 1990. 6. IEEE Committed Report, " Load Forecasting Bibliography Phase I", IEEE Transaction On Power Apparatus and System, Vol. Pas-99, pp 53-58, 1980. 7. Laurence Fausett, Fundamental
Of Neural Network Architectures, Algorithms And Application, Prentice Hal, Englewood Cliffs, New Jersey, 1994. 8. Janes A. Freeman and David M. Skapura, Neural Network Algorithms, Application and Programming Techniques, AddisonWesley Publishing Company, California, 1992. 9. Valluru B. Rao and Hayagriva V. Rao, C++ Neural Network And Fuzzy Logic, Miss: Press, New York, 1993.
