PENERAPAN MACHINE LEARNING DALAM

PREDIKSI DAYA PADA POWER TRANSFORMER

3 FASA DI PT. SEMEN BATURAJA (PERSERO) TBK

Sinta Nabila1, Destra Andika Pratama2, M. Nawawi3

Jurusan Teknik Elektro, Program Studi Sarjana Terapan Teknik Elektro

Politeknik Negeri Sriwijaya, Palembang 30319 Indonesia

sntnblaa@gmail.com

ABSTRACT

Everyday life revolves around electric energy, especially for companies. The 3
phase power transformer is one of the electrical components that requires special attention
and maintenance. One of the most useful applications of artificial intelligence, machine
learning, is in its ability to predict the power load on three-phase power transformers in
the future, so that periodic maintenance can be planned. A diagram will be used to select
monitoring data from many different features; the selection results will later contain
several features that are strongly related to power prediction in 3-phase power
transformers. A result will be input and labeled, and then the data will be trained. A
prediction will be produced from the training data after which it is tested for suitability
with the desired results, if it is suitable, then an output will be produced. We will retest
the output data by comparing it to the test data in order to make the results more accurate.

Keywords : Electrical Energy, Power Transformer, Artificial Intelligence, Machine Learning

ABSTRAK

Energi listrik sangat berperan penting dalam kehidupan sehari-hari, khususnya

perusahaan. Power transformer 3 fasa merupakan salah satu komponen listrik yang
memerlukan perhatian ekstra dan memerlukan perawatan secara berkala. Artificial
Intelligence khususnya cabang ilmu machine learning merupakan salah satu ilmu yang
sangat membantu perusahaan untuk memprediksi pembebanan daya pada power
transformer 3 fasa di masa mendatang, sehingga dapat menjadi indikasi untuk melakukan
perawatan secara berkala. Data monitoring yang terdapat dari banyak fitur akan diseleksi
manual menggunakan diagram, hasil seleksi nantinya akan memuat beberapa fitur yang
memiliki peranan kuat terhadap prediksi daya pada power transformer 3 fasa. Hasil tadi
akan inputkan dan dilabeli kemudian data-data tersebut di-training. Hasil dari training
data tadi akan menghasilkan suatu prediksi yang kemudian dites terlebih dahulu
kesesuaiannya dengan hasil yang dikehendaki, jika sesuai maka akan menghasilkan
output. Agar lebih akurat, hasil data dari output akan diuji kembali oleh test data.

Kata Kunci : Energi Listrik, Power Transfomer, Artificial Intelligence, Machine Learning
PENDAHULUAN Data pada power transformer 3 fasa
Power transformer 3 fasa adalah akan inputkan dan dilabeli kemudian
aset penting dari jaringan tenaga listrik data-data tersebut di-training. Hasil dari
dan pemantauan kondisi operasinya training data tadi akan menghasilkan
sangat penting untuk alasan fungsional suatu prediksi yang kemudian dites
dan ekonomi. Pemantauan daya rutin terlebih dahulu kesesuaiannya dengan
untuk memastikan kegagalan pada power hasil yang dikehendaki, jika sesuai maka
transformer 3 fasa pada tahap awal akan menghasilkan output dan output
sangat penting sebagai sistem proteksi perlu dites kembali dan disesuiakan
karena power transformer 3 fasa sangat melalui test data agar hasil output lebih
rentan terhadap gangguan. akurat. [12]
[1][2][3][4][5]
LANDASAN TEORI
Perkembangan teknologi sangat
berperan penting dalam semua aspek
Power Transformer
pekerjaan. Menurut Jahromi dan R. Piercy Transformator daya merupakan
pada tahun 2019 teknologi kecerdasan peralatan statis dimana rangkaian
buatan sendiri telah banyak diaplikasikan magnetik dan belitan yang terdiri dari 2
atau lebih belitan, secara induksi
dalam kehidupan sehari-hari seperti
smart home, sistem pendukung elektromagnetik, mentransformasikan
keputusan, dan pembacaan sensor. daya (arus dan tegangan) sistem AC ke
Tanpa disadari teknologi informasi sistem arus dan tegangaan lain pada
frekuensi yang sama. [13][14]
menjadi salah satu kebutuhan utama
dalam pengembangan bisnis, khususnya Transformator tiga fasa
energi listrik yang menunjang bisnis itu sebenarnya adalah tiga
sendiri. [6][7][8] transformator yang dihubungkan
Machine learning sendiri secara khusus satu sama lain. Lilitan
merupakan cabang dari kecerdasan primer biasanya dihubungkan secara
buatan yang berguna bagi memprediksi bintang (Y) dan lilitan sekunder
daya dimasa yang akan datang. Machine dihubungkan secara delta (Δ). Di dalam
trafo ini terdapat tiga konduktor yang
learning adalah cabang algoritma
komputasi yang berkembang yang mengalirkan arus AC (yang sama
dirancang untuk meniru kecerdasan frekuensinya) yang mencapai nilai
manusia dengan belajar dari lingkungan maksimum pada saat yang tidak
bersamaan.
sekitarnya. Mereka dianggap sebagai
kuda pekerja di era baru yang disebut big
data. [9][10] Singkatnya, machine
learning adalah bidang ilmu yang
memampukan suatu program komputer
untuk belajar dari sekumpulan data.

Linear regression merupakan salah

satu algoritma pada metode supervised
learning dalam pembelajaran machine
learning. Linear regression merupakan
algoritma yang berfungsi sebagai suatu
regresi linear yang digunakan untuk
mengestimasi atau memprediksi Gambar 1. Power Transformer 3 Fasa
hubungan antara dua variabel dalam (Sumber :
penelitian kuantitatif. Dimana regresi https://www.istockphoto.com/id/foto/transfo
linear ini mampu membuat satu asumsi rmator-daya)
tambahan yang mengkorelasikan antara
variabel independen dan dependen Artificial Intellegence
melalui garis yang paling sesuai dari titik Kecerdasan buatan atau Artificial
data garis lurus. Artinya, bukan kurva Intelligence (AI) adalah simulasi dari
atau semacam faktor penelompokkan. kecerdasan yang dimiliki oleh manusia
[6][11] yang dimodelkan di dalam mesin dan
diprogram agar bisa berpikir seperti
halnya manusia. Sedangkan menurut Mc
Leod dan Schell, kecerdasan buatan
adalah aktivitas penyediaan mesin
seperti komputer dengan kemampuan
untuk menampilkan perilaku yang
dianggap sama cerdasnya dengan jika
kemampuan tersebut ditampilkan oleh
manusia.
Machine Learning
Dalam aplikasi machine learning,
algoritma atau urutan proses statistik
dilatih untuk menemukan pola dan fitur
tertentu dalam jumlah data yang besar.
Hal ini bertujuan untuk membuat suatu
keputusan maupun prediksi berdasarkan
data-data tersebut. Semakin bagus
algoritmanya, akurasi keputusan dan
prediksi sistem akan semakin baik.
Seperti manusia yang semakin pintar jika
banyak belajar, mesin yang mengolah
semakin banyak data akan menghasilkan
output yang makin akurat.
Regression Supervised Learning
Regresi digunakan untuk
memahami hubungan antara variabel
terikat dan variabel bebas. Jenis Ini
biasanya digunakan untuk membuat
proyeksi, seperti untuk pendapatan
penjualan untuk bisnis tertentu. Regresi
linier, regresi logistik, dan regresi
polinomial adalah algoritma regresi yang
paling populer digunakan saat ini. Pada
penelitian ini menggunakan algoritma
regresi linear yaitu jenis prediksi yang
digunakan untuk mengetahui hubungan
yang terikat pada satu atau lebih variable
bebas yang ada.
Gambar 2. Regresi pada Supervised Learning
(Sumber : https://ocw.cs.pub.ro/)
Python
Python adalah bahasa antarmuka
yang populer dan kuat. Python adalah
bahasa dengan fungsi lengkap dan
platform yang dapat digunakan untuk
meneliti dan membangun sistem
produksi.
METODE PENELITIAN
Metodologi yang digunakan pada
penelitian ini adalah dengan
menggunakan machine learning metode
analisis supervised learning dengan
algoritma linear regression. Algoritma
linear regression berguna untuk
memprediksi daya pada power
transformer 3 fasa menggunakan hasil
data monitoring yang telah diseleksi dan
dilatih, hasil prediksi inilah yang akan
menjadi indikasi jadwal perawatan pada
powe transformer 3 fasa.
PEMBAHASAN
Variabel yang diamati
Pada penelitian ini akan berfokus
mengamati variabel pada Power Quality
Monitoring (PQM) perusahaan yaitu
Frequency (Hz), Current A (A), Current B
(A), Current C (A), Current N (A), Active
Power A (W), Active Power B (W), Active
Power C (W), Active Power (W), Apparent
Power A (VA), Apparent Power B (VA),
Apparent Power C (VA), Apparent Power
(VA), Active energy delivered (Wh),
Active energy received (Wh), Active
energy delivered + received (Wh),
Demand Current Avg (A), Demand Active
Power (W), dan Demand Apparent Power
(VA).
Blok Diagram Sistem
Pada Gambar 3. berupa blok
diagram sistem dan perancangan
perangkat lunak dari penerapan machine
learning dalam prediksi daya pada power
transformer 3 fasa.
Gambar 3. Blok Diagram Sistem
Variabel yang diamati pada sistem
monitoring yaitu Frequency (Hz), Current
A (A), Current B (A), Current C (A),
Current N (A), Active Power A (W), Active
Power B (W), Active Power C (W), Active
Power (W), Apparent Power A (VA),
Apparent Power B (VA), Apparent Power Valecillos, Detection in
C (VA), Apparent Power (VA), Active D. Transformers
energy delivered (Wh), Active energy Bartalesi, by using
received (Wh), Active energy delivered + S. Garatti, Vibration Data
received (Wh), Demand Current Avg (A), and S.
Demand Active Power (W), dan Demand Bittanti
Apparent Power (VA) akan diunduh dalam R. Soni An Approach [8]
bentuk excel melalui website perusahaan and K. to Diagnose
dan memasukkan fitur-fitur tersebut Chaudhari Incipient
pada aplikasi Python sebagai media Faults of
training bagi machine learning. Power
Transformer
Fitur-fitur tersebut akan dilabeli dan
Using
label-label tersebut akan dikelompokkan
Dissolved Gas
sebagai indikator prediksi yang akan
Analysis of
dilakukan nantinya. Melalui algoritma
Mineral Oil by
regresi linear, hasil training data yang
Ratio Methods
telah dilakukan sebelumnya akan
Using Fuzzy
mendapatkan prediksi, hasil prediksi
Logic
tersebut akan diuji kembali oleh test data
A. A. Algoritma [6]
agar hasil akhir lebih akurat.
Ningrum, Deep
I. Syarif, Learning-
STATE OF ART A. I. LSTM Untuk
State of art menjadi referensi Gunawan, Memprediksi
penelitian atau sebagai panduan E. Umur
penelitian yang telah diteliti sebelumnya Satriyanto, Transformator
sebagai acuan para peneliti untuk and R.
melakukan perbandingan dalam Muchtar
penelitian.
Tabel 1. State of Art KESIMPULAN
Penelitian ini dilakukan sebelumnya
Penulis Judul Refrensi memasukkan fitur-fitur yang dibutuhkan
Penelitian machine learning sebagai training data
F. Comparison of [12] untuk melakukan prediksi. Sistem ini
Valencia, Machine dirancang untuk mempermudah teknisi
H. Arcos, Learning menentukan jadwal perawatan pada
and F. Algorithms for power transformer 3 fasa sebagai
Quilumba the Prediction proteksi bagi komponen tersebut.
of Mechanical
Stress in REFERENSI
Three-Phase R. S. De Andrade Ferreira, P. Picher, H.
Power Ezzaidi, and I. Fofana, “Frequency
Transformer Response Analysis Interpretation
Winding Using Numerical Indices and
Conductors Machine Learning: A Case Study
A. Li, X. Machine [3] Based on a Laboratory Model,”
Yang, H. Learning- IEEE Access, vol. 9, pp. 67051–
Dong, Z. Based Sensor 67063, 2021, doi:
Xie, and C. Data Modeling 10.1109/ACCESS.2021.3076154.
Yang Methods for
Power I. Soedibyo and M. Mt, “Evaluasi
Transformer Penentuan Kelayakan Minyak
PHM Transformator Daya Berdasarkan
A. A Machine [7] Metode Interval Fuzzy Type 2 B-
Tavakoli, Learning 115 B-116,” vol. 7, pp. 115–120,
L. de Approach to 2015.
Maria, B. Fault
A. Li, X. Yang, H. Dong, Z. Xie, and C.
Yang, “Machine learning-based
sensor data modeling methods for
power transformer PHM,” Sensors
(Switzerland), vol. 18, no. 12, pp.
1–17, 2018, doi:
10.3390/s18124430.
C. Zhang, Y. He, B. Du, L. Yuan, B. Li, and
S. Jiang, “Transformer fault
diagnosis method using IoT based
monitoring system and ensemble
machine learning,” Futur. Gener.
Comput. Syst., vol. 108, pp. 533–
545, 2020, doi:
10.1016/j.future.2020.03.008.
R. B. ROSLI, “Parameter Identification for
Fault Detection of Power,” 2015.
A. A. Ningrum, I. Syarif, A. I. Gunawan,
E. Satriyanto, and R. Muchtar,
“Algoritma Deep Learning-LSTM
untuk Memprediksi Umur
Transformator,” J. Teknol. Inf. dan
Ilmu Komput., vol. 8, no. 3, p. 539,
2021, doi:
10.25126/jtiik.2021834587.
supply chain using machine
learning,” Mater. Today Proc., no.
xxxx, 2021, doi:
10.1016/j.matpr.2020.12.625.
F. Valencia, H. Arcos, and F. Quilumba,
“Comparison of Machine Learning
Algorithms for the Prediction of
Mechanical Stress in Three-Phase
Power Transformer Winding
Conductors,” J. Electr. Comput.
Eng., vol. 2021, 2021, doi:
10.1155/2021/4657696.
K. Mahmudah et al., “Pengembangan
Sistem Informasi Dissolved Gas
Analysis ( Dga ),” vol. 12, pp. 54–
59, 2016.
S. . Arismunandar, Artono M.A, Teknik
Tenaga Listrik Jilid III, no.
0806365412. 2004.

A. Tavakoli, L. de Maria, B. Valecillos, D.

Bartalesi, S. Garatti, and S.
Bittanti, “A Machine Learning
approach to fault detection in
transformers by using vibration
data,” IFAC-PapersOnLine, vol. 53,
no. 2, pp. 13656–13661, 2020,
doi: 10.1016/j.ifacol.2020.12.866.

R. Soni and K. Chaudhari, “An approach

to diagnose incipient faults of
power transformer using dissolved
gas analysis of mineral oil by ratio
methods using fuzzy logic,” Int.
Conf. Signal Process. Commun.
Power Embed. Syst. SCOPES 2016
- Proc., pp. 1894–1899, 2017, doi:
10.1109/SCOPES.2016.7955775.

I. El Naqa and M. J. Murphy, “What Is

Machine Learning ?,” pp. 3–11, doi:
10.1007/978-3-319-18305-3.

M. Ukkelberg, “Utilisation of Machine

Learning in Power Transformer
Asset Management,” no. June,
2018.

L. Malviya, J. Shreemali, R. Ojha, P.

Chakrabarti, and S. Poddar,
“Transformer prediction in the