Anda di halaman 1dari 5

JAVA Journal of Electrical and Electronics Engineering, Vol. 1, No.

1, April 2003

29

PERAMALAN BEBAN JANGKA PENDEK SECARA REAL-TIME DI PERTAMINA UP-VI BALONGAN DENGAN MENGGUNAKAN METODA FUNCTIONAL LINK NETWORK
Mauridhi Hery Purnomo Yudy Ardianto
Research Groups on Intelligent Technology for Non-Linear Systems Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111

Abstrak Makalah ini membahas sistem peramalan beban jangka pendek untuk implementasi real-time (1 sampai 24 jam) di Pertamina UP-VI Balongan dengan menggunakan metoda functional link network. Metoda functional link network merupakan salah satu jenis dari jaringan saraf tiruan (JST), dimaksudkan untuk memperbaiki metoda statistik yang selama ini umum digunakan dalam meramal beban listrik. Peramalan beban ini tidak menggunakan secara langsung informasi data historis, tetapi melalui korelasi pembobot JST yang terbentuk pada saat pelatihan JST. Dengan demikian peramalan beban dapat berlangsung lebih cepat dan akurat dalam memperkirakan besarnya beban listrik pada tiap-tiap area di Pertamina UP-VI Balongan untuk 24 jam kedepan. Kata kunci : peramalan beban, jangka pendek, real time, functional link network 1. PENDAHULUAN

Suatu pembangkit tenaga listrik pada umumnya menghadapi berbagai masalah teknis dan ekonomis dalam hal perencanaan, pengoperasian, dan pengontrolan suatu sistem daya listrik. Tujuannya adalah agar dapat mensuplai tenaga listrik secara kontinyu dengan kualitas baik pada beban, ekonomis dan aman. Untuk mencapai tujuan tersebut, teknikteknik optimasi digunakan dengan harapan agar dapat mengurangi biaya operasional sehingga lebih ekonomis. Tenaga listrik tidak dapat disimpan dalam skala besar sebab tenaga ini harus disediakan pada saat dibutuhkan, akibatnya timbul persoalan dalam menghadapi kebutuhan daya listrik yang tidak tetap dari waktu ke waktu. Oleh karenanya suatu sistem tenaga listrik dioperasikan untuk memenuhi permintaan daya setiap saat. Apabila daya yang terkirim dari bus-bus pembangkit jauh lebih besar daripada permintaan daya pada bus-bus beban, maka akan timbul persoalan pemborosan energi pada pembangkit tenaga listrik. Sedangkan apabila daya yang dibangkitkan dan yang dikirimkan lebih rendah atau tidak memenuhi kebutuhan beban maka akan terjadi pemadaman lokal pada bus-bus beban, yang akibatnya merugikan beban itu sendiri yang dalam hal ini adalah area-area produksi dan fasilitas-fasilitas penunjang di Pertamina UP-VI Balongan. Oleh karena

itu diperlukan penyesuaian antara pembangkitan dengan permintaan daya [8]. Syarat mutlak yang pertama harus dilaksanakan untuk mencapai tujuan itu adalah pihak utilities Pertamina UP-VI Balongan harus mengetahui beban atau permintaan daya listrik beberapa jam kedepan, sehingga peramalan beban jangka pendek, dalam hal ini setiap jam atau setiap hari merupakan tugas yang penting dalam perencanaan dan pengoperasian sistem daya agar diperoleh penjadwalan yang tepat dan akurat. Perusahaan listrik di negara-negara maju telah banyak menggunakan metoda peramalan beban yang masing-masing mempunyai keunggulan dan kelemahan sendiri-sendiri. Pada umumnya mereka menggunakan metoda statistik dan mengimplementasikannya dalam program komputer, termasuk di Pertamina UP-VI Balongan. Dewasa ini metoda prakiraan beban mulai dikembangkan menggunakan jaringan saraf tiruan (neural network) [2,4]. Jaringan saraf tiruan (neural network) merupakan disiplin ilmu yang masih relatif baru tetapi pemakaiannya telah luas di berbagai bidang dengan memberikan hasil yang memuaskan [3]. Kelebihan jaringan saraf tiruan (neural network) adalah tidak tergantung pada dasar pengetahuan seorang operator, mampu menghasilkan regresi terhadap persamaan tak-linier, sebagaimana diketahui bahwa sifat beban adalah tak-linier. Pada makalah ini digunakan metoda functional link network sebagai metoda peramalan beban di Pertamina UP-VI Balongan yang diharapkan mampu mendapatkan hasil peramalan yang mendekati real-time atau kenyataan seperti pada [1].

2.

PEMODELAN SISTEM PERAMALAN BEBAN

Beberapa tahap yang dilakukan dalam pemodelan ini adalah sebagai berikut : [1] Pembahasan data yang diperoleh Pembahasan data dilakukan untuk menentukan variabel masukan dan keluaran [2] Pemilihan variabel masukan dan arsitektur JST Pemilihan variabel masukan dan keluaran menentukan arsitektur JST untuk peramalan beban.

30

JAVA Journal of Electrical and Electronics Engineering, Vol. 1, No. 1, April 2003

3. PEMODELAN SISTEM SECARA KESELURUHAN Perancangan pada tahap ini dilakukan untuk menentukan diagram blok keseluruhan, subsistem yang ada dan hubungan antara sub-sistem tersebut. Peramalan beban jangka pendek di Pertamina UP-VI Balongan dapat dimodelkan dengan melihat faktorfaktor yang berpengaruh pada tiap area dan mengkorelasikannya dengan daya pada masingmasing area sehingga disebut fungsi korelasi yang linier. Sedangkan besarnya perubahan beban yang tidak linier tiap 2 jam pada masing-masing area dinyatakan dalam deret Fourier. Jumlah dari kedua besaran itu menghasilkan peramalan beban masingmasing area untuk setiap 2 jam dalam 24 jam kedepan. Dari data yang ada terlihat bahwa beban listrik harian (24 jam) di Pertamina UP-VI Balongan bersifat periodik.

6. Area CDU Area ini memproduksi LPG (Liquid Petroleum Gas) sebesar 58 ton/2 jam dan propylene sebesar 50 ton/2 jam sehingga dapat dimodelkan sebagai berikut : Y = A1X1 + A2X2 + K2 (6)

7. Area AMINE Area ini memproduksi fuel gas sebesar 10 ton/2 jam dan sulphur sebesar 2541 ton/2 jam sehingga dapat dimodelkan sebagai berikut : Y = A1X1 + A2X2 + K2 (7)

8. Area ITP Area ini memiliki dua komponen penting yang berpengaruh terhadap fluktuasi beban listrik yaitu loading kapal (X1) dan situasi normal (X2) dan dimodelkan sebagai berikut : Y = A1X1 + A2X2 + K2 (8)

3.1. Pemodelan Tiap-Tiap Area 1. Area Utilities Area Utilities memasok uap ke turbin sebesar 1150 ton/2 jam sehingga dapat dimodelkan secara matematis. Y = A1X1 + K1 (1)

9. Area Infrastruktur Area ini memiliki dua komponen yang berpengaruh pada fluktuasi beban listrik yaitu kondisi beban puncak (X1) dan kondisi normal (X2) dan dimodelkan sebagai berikut : Y = A1X1 + A2X2 + K2 (9)

2. Area H2 Plant Area ini memasok uap ke turbin sebesar 180 ton/2 jam sehingga dapat dimodelkan : Y = A1X1 + K1 (2)

3. Area GO LCO Area ini memproduksi ADO (Automotive Diesel Oil) sebesar 2466 barel/2 jam dan IDO (Industrial Diesel Oil) sebesar 583 barel/2 jam sehingga dapat dimodelkan sebagai berikut : Y = A1X1 + A2X2 + K2 (3)

Perubahan beban yang non linier pada tiap 2 jam (sesuai dengan pola operasi di Pertamina UP-VI Balongan) dalam sehari dapat direpresentasikan dengan deret Fourier. Sebagaimana yang telah diketahui bahwa deret Fourier dapat menghasilkan spektrum frekuensi pada sinyal periodik yang menampilkan variasi komponen sinusoidal seperti pada [7]. Deret Fourier memiliki bagian konstan a0 dan bagian waktu yang berubah-ubah dan memiliki fungsi frekuensi m yang direpresentasikan sebagai berikut :

4. Area ARHDM Area ini memproduksi Dekan Oil sebesar 708 barel/2 jam dan Fuel Oil sebesar 708 barel/2 jam dan dimodelkan sebagai berikut : Y = A1X1 + A2X2 + K2 (4)

(10) (11) Periode waktu fundamental T didefinisikan sebagai periode peramalan untuk 24 jam kedepan. Nilai yang paling sesuai untuk m (koefisien spektrum) bisa dipilih melalui analisa spektrum maupun dengan trial and error. Untuk implementasi pada pengujian ini, m dipilih 5 dengan harapan dapat menghasilkan spektrum yang baik untuk peramalan beban jangka pendek untuk 24 jam kedepan. Variasi komponen sinusoidal yang dihasilkan oleh spektrum frekuensi dari deret Fourier nilainya akan dipengaruhi oleh hasil komponen linier dari

5. Area RCC Area ini memiliki dua buah boiler yang memasok uap ke turbin yaitu boiler CO yang berkapasitas 500 ton/2 jam dan boiler katalis yang berkapasitas 300 ton/2 jam. Disamping itu juga memproduksi premium sebesar 4791 barel/2 jam, kerosin sebesar 775 barel/2 jam, super TT sebesar 48 barel/2 jam, dan premix 94 sebesar 833 barel/2 jam sehingga dapat dimodelkan sebagai berikut : Y = A1X1+A2X2+A3X3+A4X4+ A5X5+A6X6+ K2 (5)

JAVA Journal of Electrical and Electronics Engineering, Vol. 1, No. 1, April 2003

31

peramalan beban tiap-tiap area. Jadi pada peramalan beban listrik pada suatu area pada jam ke-t maka nilai peramalan yang muncul merupakan perpaduan dari hasil pemrosesan komponen linier dan komponen nonlinier. Nilai peramalan bisa berubah-ubah tiap 2 jam bergantung dari masukan yang dimasukkan dan data yang di proses untuk menghasilkan peramalan beban pada tiap-tiap area di Pertamina UP-VI Balongan.

nilai pembobot awal dan nilai yang berbeda berdasarkan pola bebannya. Y = WT X (12) W adalah pembobot X adalah masukan Y adalah keluaran yang diperkirakan Pembobot W pada persamaan (4.1) akan dilatih dengan menggunakan hukum Pencocokan (adjustment law) yaitu aturan delta Widrow-Hoff (Widrow-Hoff delta rule) seperti pada [5].

(t)

Deret Fourier

. . . . .

y(k)

y(k)

y(t)

Area 1

Pembobot

(13) k = hitungan iterasi = parameter pelatihan (learning parameter) = 0,00001 y(k) = keluaran yang diinginkan selama pelatihan dari jaringan y(k) = keluaran yang diperkirakan (k) = [ SGN (X) 1 1 1 1 1 1 1 1 1 1] 3.3. Cara Kerja Proses peramalan beban jangka pendek 24 jam di Pertamina UP-VI Balongan. terbagi atas 2 bagian pokok : 1. Proses pelatihan, untuk mendapatkan pembobot (W). 2. Proses mapping, untuk melakukan peramalan beban. Setelah melalui kedua proses tersebut, maka peramalan beban untuk jam ke-t akan diperoleh. Dalam proses pelatihan pada peramalan beban ini di masukkan 3 (tiga) buah masukan sebagai berikut : 1. Masukan tiap area 2. Inisialisasi 3. Data

(t)

Deret Fourier

. . . . .

y(k)

y(k)

Area 9

Pembobot

Gbr. 1: Diagram blok peramalan beban

3.2. Penentuan nilai awal parameter Penentuan nilai awal merupakan bagian yang sangat penting dari proses pelatihan data, proses pelatihan tersebut untuk mendapatkan pembobot yang diinginkan. Setelah pembobot diperoleh maka langkah selanjutnya adalah proses mapping, pada proses tersebut akan dihasilkan keluaran yang diharapkan [3]. Ada dua besaran penting yang perlu untuk ditetapkan terlebih dahulu sebelum proses pelatihan data dilakukan yaitu : 1. Menetapkan pembobot awal (weight) 2. Menetapkan nilai (learning parameter) Disamping besaran tersebut masih ada besaran lain, yaitu banyaknya iterasi untuk mendapatkan galat yang diinginkan. Untuk pemodelan peramalan beban yang akan dilakukan, masing-masing area memiliki

Data Proses Learning Pembobot

Input tiap area

Inisialisasi

Gbr. 2: Diagram blok proses learning

Proses pelatihan dimulai pada saat masukan yang terdiri dari data historis, masukan target tiap-tiap area, dan inisialisasi parameter awal dilatih sebanyak iterasi yang di tetapkan sehingga dihasilkan pembobot sebanyak jumlah data yang dimasukkan untuk masingmasing area. Setelah proses pelatihan selesai dihasilkan pembobot, proses selanjutnya adalah mapping. Pada

32

JAVA Journal of Electrical and Electronics Engineering, Vol. 1, No. 1, April 2003
PERAMALAN BEBAN AREA IT P (T IAP 2 JAM) 2.95 2.9 2.85 2.8 Load(MW) 2.75 2.7 2.65 2.6 2.55 2.5 2.45 1 3 5 7 9 11 13 15 17 19 garis=F LN, putus-putus=Aktual, dot=SPSS 21 23

proses ini pembobot yang telah diperoleh diproses dengan metoda Functional link network untuk menghasilkan peramalan beban.

Pem bobot

Target input tiap hari

Functional Link N ork etw

H asil Peram alan

Gbr. 3: Diagram blok proses mapping Gbr. 5: Peramalan beban area ITP

Pada proses mapping, pembobot yang diperoleh dari proses pelatihan dan target masukan tiap hari untuk masing-masing area diolah dengan metoda Functional link network untuk menghasilkan peramalan beban tiap 2 jam dalam 24 jam
Load(MW)

PERAMALAN BEBAN AREA INF RAST RUKT UR (T IAP 2 JAM) 1.4 1.35 1.3 1.25

4. SIMULASI DAN ANALISA Pada simulasi ini jumlah iterasi pelatihannya sebesar 900 kali dan proses ini dijalankan dengan waktu sampling (Ts) sebesar 2 jam. Langkah pertama dimasukkan masukan tiap-tiap area, kemudian ditetapkan inisialisasi awal parameter dan selanjutnya memasukkan data. Langkah berikutnya adalah menjalankan proses pelatihan dengan metoda functional link network dengan menjalankan persamaan 12 dan 13 agar diperoleh pembobot. Pembobot yang telah diperoleh tersebut kemudian diolah dengan proses mapping untuk mendapatkan ramalan beban untuk 24 jam ke depan. Pada percobaan simulasi peramalan beban listrik ini diambil sampel untuk hari kamis, tanggal 5 Juli 2001 pada masing-masing area di Pertamina UP-VI Balongan.
PERAMALAN BEBAN AREA RCC (T IAP 2 JAM) 11.3 11.2 11.1 11 Load(MW) 10.9 10.8 10.7 10.6 10.5 1 3 5 7 9 11 13 15 17 19 garis=F LN, putus-putus=Aktual, dot=SPSS 21 23

1.2 1.15 1.1 1.05 1 0.95 0.9 1 3 5 7 9 11 13 15 17 19 garis=F LN, putus-putus=Aktual, dot=SPSS 21 23

Gbr. 6: Peramalan beban area Infrastruktur

Keterangan gambar : Hasil peramalan functional link network = Beban sesungguhnya (aktual) = Hasil peramalan dengan SPSS = ----------

Tabel 1 Perbandingan hasil peramalan beban area RCC (dalam MW) Jam Metod Metod Beban % % a FLN SPSS asli galat galat FLN SPSS
01.00 03.00 05.00 07.00 09.00 11.00 13.00 15.00 17.00 19.00 21.00 23.00 11,2175 11,0471 10,9760 11,0930 10,9759 10,9553 10,8762 10,8635 10,7764 10,6799 10,8761 10,7717 10,6767 10,8176 10,6268 10,7717 10,6766 10,7717 10,6766 10,8635 10,7764 10,8635 10,8761 11,0012 Galat rata-rata (%) 11,2 10,95 10,96 10,86 10,75 10,82 10,65 10,6 10,6 10,65 10,7 10,8 0,16 0,24 0,15 0,15 0,25 0,52 0,25 0,25 0,72 0,26 0,71 0,7 0,36 1,37 1,31 0,39 0,03 0,65 0,45 1,57 1,62 1,6 1,62 2,01 1,53 1,2

Gbr. 4: Peramalan beban area RCC

JAVA Journal of Electrical and Electronics Engineering, Vol. 1, No. 1, April 2003

33

Tabel 2 Perbandingan hasil peramalan beban area ITP (dalam MW)


Jam Metoda FLN Metod SPSS Beban asli 2,79 2,88 2,69 2,69 2,6 2,6 2,49 2,59 2,64 2,6 2,59 2,64 % galat FLN 0,6 0,76 0,44 0,44 0,07 0,07 0,47 0,45 0,44 0,07 0,45 0,44 0,39 % galat SPSS 0,99 1,12 0,49 0,49 0,35 0,35 0,08 0,08 0,21 0,32 0,08 0,21 0,41

jauh lebih kecil dibanding peramalan beban listrik menggunakan metoda regresi yang disimulasikan dengan software SPSS 7.5[6].

01.00 03.00 05.00 07.00 09.00 11.00 13.00 15.00 17.00 19.00 21.00 23.00

2,8067 2,7624 2,9020 2,8477 2,7018 2,6772 2,7018 2,6772 2,6017 2,5919 2,6017 2,5919 2,5016 2,5067 2,6017 2,5919 2,6517 2,6346 2,6017 2,5919 2,6017 2,5919 2,6517 2,6346 Galat rata-rata (%)

PUSTAKA ACUAN [1] P.K Dash, A.K Pradhan, dan A.C Liew serta S. Rahman, A Real-Time Short-Term Load Forecasting System Using Functional Link Network , IEEE Transaction on power delivery, vol 12, no.2, May 1997. [2] Stephen A. DeLurgio, Forecasting Principles and Applications , University of Missouri, Kansas City, 1998. [3] Li Min Fu, Neural Networks in Computer Intelligence, University of Florida, Gainesville, 1994. [4] M.H.Purnomo, dkk., Peramalan Beban Menggunakan Metoda Neural Network untuk Menentukan besarnya kWh Tak terjual, majalah IPTEK-ITS 2000. [5] Michael Chester, Neural Networks, A Tutorial , Englewood Cliffs, New Jersey, 1993. [5] Eric Davalo and Patrick Naim, Neural Networks , The MacMillan Press LTD, 1991. [6] Edward W. Kamen ,Fundamentals of Signals and Systems with MATHLAB, Prentice Hall, 1997.

Tabel 3 Perbandingan hasil peramalan beban area Infrastruktur (dalam MW)


Jam 01.00 03.00 05.00 07.00 09.00 11.00 13.00 15.00 17.00 19.00 21.00 23.00 Metoda FLN Metoda SPSS 1,1265 1,1710 1,1001 1,0518 1,1001 1,0518 1,1001 1,0518 0,9998 0,9325 1,0 0,9325 1,0 0,9325 1,001 1,0518 1,0501 0,9921 1,2001 1,171 1,2002 1,171 1,3003 1,2903 Galat rata-rata (%) Beban asli 1,2 1,09 1,08 1,09 0,96 0,97 0,97 1,05 1,02 1,18 1,19 1,3 % galat FLN 2,21 0,93 1,86 0,93 4,15 3,09 3,09 4,67 4,95 1,7 0,86 0,02 2,21 % galat SPSS 2,42 3,51 2,61 3,51 2,86 3,87 3,87 0,17 2,74 0,76 1,6 0,75 2,39

5. KESIMPULAN Kelebihan metoda functional link network terletak pada kemampuan pelatihan yang dimilikinya. Dengan demikian metoda functional link network mampu digunakan untuk menyelesaikan masalah yang rumit dan masalah yang terdapat kaidah atau fungsi yang tidak diketahui (seperti peramalan beban listrik) namun cukup dengan mencari korelasi antara masukan dan keluarannya saja serta menghemat waktu kerja operator. Metoda functional link network dalam proses pelatihannya memiliki parameter awal yaitu konstanta pelatihan dan untuk mempercepat proses pelatihan. Selama ini belum ada konsensus mengenai nilai dan W yang tepat. Dari hasil percobaan ditemukan nilai kritis parameter tersebut antara 0<<1 dan 0<W<1. Jika dan W kurang atau melebihi nilai itu maka akan terjadi kegagalan proses pelatihan. Kemampuan metoda functional link network dalam menyelesaikan masalah yang rumit telah dibuktikan dalam peramalan beban untuk hari kamis, 5 Juli 2001. Dari hasil peramalan dapat dilihat bahwa ternyata metoda functional link network mampu meramalkan beban listrik jangka pendek (real-time) di Pertamina UP-VI Balongan dengan galat yang relatif

Mauridhi Hery Purnomo, memperoleh gelar insinyur (Ir) dari Institut Teknologi Sepuluh Nopember(ITS) dalam bidang teknik elektro spesialisasi teknik sistem tenaga (1985), Master dari Osaka City University dalam bidang teknik elektro spesialisasi intelligent control (1995), Doktor dari departemen dan universitas yang sama pada tahun 1998 dengan spesialisasi pengolah sinyal dan citra. Sejak tahun 1986 sampai sekarang sebagai staf pengajar tetap jurusan teknik elektro ITS. Sebagai anggota IEEE Power society, Signal Processing Society, dan juga sebagai anggota INNS (International Neural Networks Society). Riset yang dikerjakan termasuk aplikasi kecerdasan buatan, pengolah sinyal dan citra, sistem kendali dan elektro medika yang tergabung dalam Research Group on Intelligent Technology for Nonlinear Systems.