1.

Data yang dikumpulkan mencakup tidak hanya konsumsi energi (misalnya, penagihan atau
prediksi beban) tetapi juga peringatan umpan balik kondisi (misalnya, mendeteksi variasi,
kualitas, kegagalan, dan keadaan abnormal) dan/atau manajemen rekayasa (misalnya, arus
dan tegangan dalam aliran energi).

2. Hal ini karena informasi yang sudah kadaluwarsa dapat menyebabkan penanganan yang
tidak valid dalam klaim yang tidak berguna untuk pengendalian beban atau peringatan
umpan balik dalam layanan pengukuran yang kritis dan real-time.

3. Asumsi bahwa permintaan ke sistem (seperti pelanggan atau pesanan) adalah deterministik,
artinya pola kedatangannya dapat diprediksi atau diketahui dengan pasti.

4. Mengevaluasi kinerja arsitektur AMI hierarkis dengan interval waktu yang deterministik dan
variasi keterlambatan komunikasi untuk pengumpulan dan penyimpanan data meter. Yang
dievaluasi yaitu dalam hal traffic load, keterlambatan end-to-end, dan throughput sistem

Metrik trafficnya menggambarkan beban traffic dari teknologi komunikasi yang

mendasarinya dalam hal overhead protokol dan teknologi agregasi sebagai fungsi dari
jumlah smart meter dan/atau frekuensi pengumpulan.

Metrik delay menyediakan pengolahan data meter dan delay komunikasi dengan dampak
ketergantungan antara waktu kedatangan dan layanan.

Metrik daya mengukur throughput sistem yang ditandai oleh jumlah smart meter yang
diterapkan dalam arsitektur AMI hierarkis tanpa mengorbankan bandwidth komunikasi
dan persyaratan delay.

SISTEM MODEL

5. Gambar (kiri)Arsitektur AMI hierarkis mencakup MDMS di cloud, DCU di tepi jaringan, dan
smart meter yang tersebar geografis(dari pembangkitan hingga area distribusi/konsumsi).
MDMS berfungsi sebagai server untuk mengumpulkan data meteran skala besar dari smart
meter. DCU mengumpulkan data meteran dari smart meter dan meneruskannya ke MDMS
melalui berbagai teknologi komunikasi(PLC, wifi, seluler 3g/4g/5g dan internet). Delay
komunikasi antara DCU dan smart meter terkait dengan protokol akses dan jaringan akses
bersama.

7. Gambar (kanan) menjelaskan bahwa smart meter dapat dianggap sebagai sistem antrian
D/GI/1 dengan waktu layanan yang independen dan identik (iid), tetapi waktu kedatangan
yang deterministik untuk membaca data meter. Sementara itu, MDMS dapat dianggap
sebagai sistem antrian GI/GI/1 dengan waktu layanan yang umum untuk
menyimpan/memproses data meter. Proses pengumpulan data meter di DCU dapat dianggap
sebagai jaringan antrian yang berhubungan antara smart meter dengan waktu antar
kedatangan yang saling bergantung. Sedangkan, penyimpanan/pemrosesan data meter di
MDMS dapat dianggap sebagai jaringan antrian berstruktur pohon dengan data yang
diagregasi dari DCU.
8. (TRAFFIC LOAD)
GAMBAR 3, pengumpulan data meter bergantung pada jumlah smart meter per DCU (n =
1.000 hingga 50.000) dengan interval pengumpulan data meter (β) berkisar dari 60 hingga
1.800 detik. Traffic load harus tetap di bawah bandwidth PLC, yaitu 130 kbps. Namun, traffic
load melebihi 130 kbps saat n = 3.000 dengan interval 1/β = 1/60. Bahkan saat 1/β = 1/900,
traffic load melampaui 130 kbps saat n = 37.000

GAMBAR 4, Untuk menyimpan data meter yang diagregasi, bergantung pada jumlah total
smart meter (N = 1.000 hingga 5.000.000) dengan interval pengumpulan 1/β = 1/60, 1/120,
1/900, dan 1/1800. Traffic load dapat tetap di bawah 100 Mbps untuk interval 1/β = 1/120,
1/900, dan 1/1800 sampai N melebihi 5.000.000, tidak memandang d. Namun, traffic load
meningkat di atas 100 Mbps saat N = 78.000.000 untuk interval 1/β = 1/60.

Untuk menyimpan data meter yang diagregasi, trafik tetap di bawah 100 Mbps hingga N
mencapai 5.000.000 dengan interval pengumpulan 1/β = 1/120, 1/900, dan 1/1800. Namun,
trafik melebihi 100 Mbps saat N = 78.000.000 untuk interval 1/β = 1/60.

GAMBAR 5, Menampilkan waktu rata-rata untuk kasus dengan waktu layanan deterministik
dan eksponensial berdasarkan jumlah DCU (d = 200, 500, 1.000, dan 3.000) dan smart meter
(N = 30.000 hingga 4.000.000). Hasilnya menunjukkan bahwa peningkatan d berbanding
lurus dengan peningkatan kinerja delay, tanpa memperhatikan distribusi waktu layanan.
Namun, delay rata-rata meningkat drastis di sekitar N = 3.700.000 dalam kasus distribusi
waktu layanan eksponensial, tanpa memandang d.

Penelitian membandingkan waktu rata-rata dengan waktu layanan deterministik dan

eksponensial berdasarkan jumlah DCU (d) dan smart meter (N). Hasilnya menunjukkan
peningkatan d meningkatkan kinerja delay secara proporsional, tetapi delay meningkat
drastis di N = 3.700.000 dalam kasus waktu layanan eksponensial tanpa memandang d.

GAMBAR 6, menampilkan waktu pra-pemrosesan di DCU dan waktu tanggapan di MDMS

dengan waktu layanan eksponensial. Hasilnya menunjukkan bahwa waktu pra-pemrosesan
secara linear meningkat seiring dengan peningkatan N. Dengan meningkatkan d dari 200
hingga 3.000, waktu pra-pemrosesan dapat dikurangi secara proporsional. Namun, waktu
tanggapan di MDMS tetap meningkat secara eksponensial pada N sekitar 3.700.000, tanpa
memandang d.

Waktu pra-pemrosesan di DCU meningkat linear dengan N, dan dapat dikurangi dengan
meningkatkan d. Namun, waktu tanggapan di MDMS meningkat eksponensial di sekitar N =
3.700.000, tanpa memandang d.

GAMBAR 7, menunjukkan bahwa throughput sistem sebagian besar tergantung pada jumlah
smart meter, tetapi ada batasan pada throughput sistem maksimum. Jumlah DCU
mempengaruhi tingkat kinerja penundaan dan memiliki sedikit pengaruh pada throughput
sistem. Dengan pengaturan yang sesuai untuk d, arsitektur hierarkis dapat meningkatkan
throughput sistem maksimum sebanyak 1,3 kali dibandingkan dengan arsitektur CA

Throughput sistem terutama bergantung pada jumlah smart meter, dengan batasan
throughput maksimum. Jumlah DCU mempengaruhi penundaan dan sedikit memengaruhi
throughput. Dengan pengaturan yang tepat, arsitektur hierarkis dapat meningkatkan
throughput maksimum hingga 1,3 kali dibandingkan dengan arsitektur CA.

GAMBAR 8, menunjukkan throughput sistem saat d ditingkatkan dari 200 hingga 6.000
dalam arsitektur AMI hierarkis. Kami membandingkan throughput sistem untuk enam
konfigurasi berbeda dengan variasi N = 300.000, 600.000, 1.200.000, 1.500.000, 3.000.000,
dan 3.900.000. Hasilnya menunjukkan bahwa throughput sistem memiliki tren serupa
dengan perbedaan tingkat berdasarkan N. Pada N = 300.000, throughput sistem stabil di
sekitar 300.000 tanpa memperhatikan jumlah DCU. Saat N meningkat, peningkatan
throughput sedikit, namun kemudian tetap konstan. Pada N = 3.000.000, throughput
mencapai 1.600.000 dengan d = 1.000 DCU, tetapi tetap konstan saat d ditingkatkan lebih
lanjut.

Peneliti menguji throughput sistem dengan variasi d dan N dalam arsitektur AMI hierarkis.
Hasilnya menunjukkan bahwa throughput stabil di N = 300.000 dan meningkat sedikit saat N
naik. Pada N = 3.000.000, throughput mencapai 1.600.000 dengan 1.000 DCU, tetapi tetap
konstan saat d ditingkatkan lebih lanjut.

GAMBAR 9, Testbed terdiri dari satu MDMS, dua DCU, dan 20 smart meter yang berjalan
pada Raspberry Pi 3 dengan protokol DLMS/COSEM berbasis IP. Data meter terdiri dari nilai
meter, satuan, stempel waktu, dan pengidentifikasi, dengan ukuran total 389byte (termasuk
overhead protokol). Kecepatan data semua saluran komunikasi adalah 100 Mbps. Terdapat
penundaan penguraian sekitar 0,4 ms untuk mengumpulkan/mengagregasi data meteran
dari setiap meteran pintar di tempat pengujian. Penulis mengevaluasi kinerja MDMS dan
DCU dalam mengelola jumlah smart meter dari 1 hingga 50.000. DCU mengirim
GetRequestNormal ke smart meter setiap 900 detik dan menerima GetResponseNormal
sebagai respons. Kemudian, DCU mengirim data meter agregat ke MDMS menggunakan
PUT/REST_MDMS/MeterData dan menerima "200 OK" setelah penyimpanan data. Ini
diperlukan untuk mengelola asosiasi TCP selain pesan HTTP sebelumnya.

GAMBAR 10, Waktu tunda pengumpulan data dari smart meter di DCU meningkat linear
dengan jumlah smart meter (N), tetapi waktu tunda di MDMS berkurang proporsional
dengan jumlah DCU (D), karena waktu pemrosesan di MDMS berkurang sebanding dengan D.
Hasil eksperimen sesuai dengan hasil analisis, validasi hasil analisis oleh uji coba
eksperimental.

analisis ini digunakan untuk mengukur kinerja suatu sistem dengan mempertimbangkan pola
kedatangan yang dapat diprediksi, waktu layanan yang umum, dan mengikuti suatu kerangka
kerja atau metode tertentu. Analisis ini berguna untuk memahami bagaimana sistem
berfungsi dan apakah ada cara untuk meningkatkan efisiensinya.