Abstrak
Artikel ini menelusuri pustaka tentang metode DGA menggunakan artificial intelligence (AI) untuk
memnentukan jenis kegagalan pada minyak transformator. Metode DGA konvensional memiliki beberapa
permasalahan, yaitu tidak dapat digunakan untuk menganalisa transformator yang mengalami kegagalan
lebih dari satu pada waktu yang bersamaan [1], tidak memiliki formulasi matematis, metodenya bersifat
heuristis (membutuhkan pengalaman analis dan hasil analisa tidak bisa diandalkan) [5]. Penggabungan
ANN dan ANFIS (Fuzzy Logic & A- Self-Adaptive Neuro-Fuzzy Inference System) disimpulkan bahwa
ANN dapat dikombinasikan dengan logika fuzzy untuk mengimplementasikan metode diagnosis yang
komplek, namun tetap menggunakan metode konvensional (Three Ratio Codes of IEC) sebagai variabel
input logika fuzzy [6]. Seluruh artikel dirangkum jenis/spesifikasi penggunaan metode yang tepat dalam
menghadapi kendala. ANN, logika fuzzy dan ANFIS Sistem yang dipilih pada pengembangan teknik
interpretasi DGA harus dihasilkan rekomendasi yang lebih baik dari metode yang sebelumnya. Metode
konvensional IEC dapat dikombinasikan dengan metode fuzzy, ANN dan ANFIS dapat digunakan untuk
metode DGA dan dihasilkan analisis yang lebih baik.
Keywords: Transformator Daya, Dissolved Gas Analysis, Artificial Neural Network, Back Propagation,
Fuzzy Logic
II. Metodologi
Menyimpulkan seluruh hasil artikel yang telah Duval triangle menyediakan metode grafik
dirangkum dan menerapkan Artificial untuk mengidentifikasi kegagalan. Terdapat
Intelligence untuk metode DGA, yaitu ANN, 3 axis pada sistem koordinat dengan jumlah
logika fuzzy dan ANFIS. konsentrasi gas CH4, C2H4 dan C2H2 pada
tiap axis. [8]
III. Pembahasan dan Hasil
Metode key memprediksi beberapa permasalahan Kode kegagalan (fault codes) :
sebagai berikut: PD: Partial Discharge
Panas berlebih pada minyak : terdapat T1: Low-range thermal fault (dibawah 300oC)
C2H4 (ethylene) dan CH4 (methane) T2: High-range thermal fault (diatas 300-700oC)
yang dikombinasikan dengan jumlah D1: Low-energy electrical discharge (Sparking)
D2: High-energy electrical discharge (Arcing)
86
DT: Mix of thermal and electrical fault
87
unit ditunnjukan pada persamaan berikut [10] : dengan mengubah semua weight pada jaringan
(1) dengan jumlah yang kecil [10].
(2)
Wij merupakan kekuatan koneksi dari kabel (4)
antara titik I dan j. Fungsi transfer yang biasa = fungsi galat
digunakan adalh persamaan berikut [10]: α = learning rate
(3)
(5)
Langkah selanjutnya bias mundur yang (6)
mempropagasikan sinyal galat (error) dari layer
output. = jangka waktu training
Perbaruan weight dilakukan setelah sinyal galat = momentum urutan
(error) dihasilkan dan menggunakan hasil dari
bias umpan maju dan bias umpan mundur. Proses ANFIS mengimplementasikan teknik inferensi
ini mengkomputasikan vektor gradien pada fuzzy ke dalam model data. Parameter fungsi
leraning rate dan memperbarui weight dan bias keanggotaan dapat dipilih otomatis
(maju dan mundur). Training dapat dilakukan menggunakan ANFIS [6].
IV. Simpulan
Metode konvensional IEC dapat
dikombinasikan dengan metode fuzzy, ANN
dan ANFIS dapat digunakan untuk metode
DGA dan dihasilkan analisis yang lebih baik.
Gambar. 4 Arsitektur ANFIS
88
V. Daftar Pustaka [33] Ahuja Hemant, G Bhuvaneswari dan R
Balasubramanian. 2012. Soft Computing –
[28] Ahmed M.R, M. A Geliel dan A Kahlil. Applied to Transformer Incipient Fault
2013. Power Transformer Fault Diagnosis Diagnosis. IEEE Fourth International
using Fuzzy Logic Technique Based on Conference on Computational Intelligence
Dissolved Gas Analysis. Mediterranean and Communication Networks, ISBN: 978-
Conference on Control & Automation 0-7695-4850-0, 2012.
(MED) Patanias – Chania, Crete, Greece, [34] Lee G.E, S.N Hettiwatte dan H.A Fonseka.
ISBN: 978-1-4799-0997-1, 25 - 28 Juni 2013. A Novel Visualisation Technique for
2013. Dissolved Gas Analysis Datasets.
[29] Rahul Pandey, M.T.Deshpande. 2012. Australian Universities Power Engineering
Dissolved Gas Analysis of Mineral Oil Conference, AUPEC 2013, Hobart, TAS,
Used in Transformer. International of Australia 29 September – 3 Oktober 2013.
Application or Innovation in Engineering & [35] Haema Juthathip dan Rattanakorn
Management (IJAIEM), ISSN: 2319-4847, Padhungthin. 2012. Power Transformer
Vol. 1, Issue 2, Oktober 2012. Condition Evaluation by the Analysis of
[30] Daniel R. Malabanan, Allan C. Nerves. DGA methods. Power and Energy
2014. Power Transformer Condition Engineering Conference (APPEEC), 2012
Assessment Using an Immune Neural Asia-Pacific , ISSN: 2157-4839, 27 - 29
Network Approach to Dissolved Gas Maret 2012.
Analysis. TENCON 2014 – 2014 IEEE [36] Zakaria Fathiah, Dalina Johari, dan Ismail
Region 10 Conference, ISSN: 2159-3442, Musirin. 2014. Optimized Artificial Neural
22-25 Oktober 2014. Network for the Detection of Incipient
[31] Phadungthin. R, E. Chaidee, J. Haema, dan Faults in Power Transformer. IEEE 8th
T. Suwanasri. 2010. Analysis of Insulating International Power Engineering and
Oil to Evaluate the Condition of Power Optimazion Conference (PEOCO2014),
Transformer. ECTICON, Pattaya, Thailand, Langkawi, the Jewel of Kedah, Malaysia,
Mei 2009. 978-1-4799-2421-9, 24 – 25 2014.
[32] Zakaria Fathiah, Dalina Johari dan Ismail [37] Kaensar, C, Ubon Ratchathani. 2013.
Musirin. 2012. Artificial Neural Network Analysis on the Parameter of Back
(ANN) Application in Dissolved Gas Propagation Algorithm with Three Weight
Analysis (DGA) Methods for the Detection Adjustment Structure for Hand Written
of Incipient Faults in Oil-Filled Power Digit Recognition. Service Systems and
Transformer. IEEE International on Service Management (ICSSSM), 2013 10th
Control System, Computing and International Conference on, ISBN: 978-1-
Engineering (ICCSCE), ISBN: 978-1-4673- [38] 4673-4434-0, 17 - 19 Juli 2013.
3142-5, 23-25 November 2012.
89