MANAJEMEN ENERGI LISTRIK HOME AUTO

MENGGUNAKAN NON-INSTRUSIVE
APPLIANCE LOAD MONITORING (NILM)
Nurman Hariyanto (23218101)
Dibimbing oleh Dr. techn. Ary Setijadi Prihatmanto, S.T., M.T.
Outline
• Latar Belakang
• Research Question
• Design
• Result
• Conclusion
Latar Belakang
• Cara mengurangi konsumsi daya listrik
Mengurangi konsumsi daya listirk dengan berhemat, namun konsumsi
daya listrik apa yang harus dikurangi?
Research Question
Bagaimana cara, metoda atau algoritma yang:

Dapat mengklasifikasikan penggunaan konsumsi daya listrik untuk

setiap perangkat elektronik dari data power meter dan
memberikan informasi konsumsi daya, total konsumsi dan status
dari setiap perangkat
Identifikasi Masalah
• Power Meter Tradisional • Masalah
Data tidak dapat diambil dan
membutuhkan sensor tambahan
untuk mendapatkan data dari
power meter.
Identifikasi Masalah
• Smart Power Meter • Masalah
Data arus,tegangan dan lain-lain
sudah dapat dimonitoring namun
data adalah total dari seluruh
penggunaan perangkat elektronik
yang tersambung ke power
meter,tidak spesifik.
Rumusan Masalah
1. Bagaimana cara mendapatkan informasi perihal klasifikasi
perangkat elektronik berdasarkan perkiraan besar konsumsi beban
listrik yang digunakan , dengan hanya memanfaatkan sumber data
dari smart power meter.
2. Bagaimana cara mengolah data dari smart power meter yang hanya
berisi informasi total penggunaan dari semua perangkat menjadi
informasi yang lebih spesifik dengan mengklasifikasi setiap
perangkat.
3. Bagaimana cara memvalidasi dari hasil klasifikasi konsumsi daya
Tujuan Penelitian
1. Mendapatkan informasi perihal klasifikasi perangkat elektronik
berdasarkan besar konsumsi beban listrik yang digunakan , dengan
hanya memanfaatkan sumber data dari smart power meter yaitu data
daya nyata / Apparent power untuk setiap perangkat
2. Mendapatkan cara mengolah data dari smart power meter dari
semua perangkat menjadi informasi yang lebih spesifik dengan
mengklasifikasi setiap perangkat.
3. Mendapatkan hasil validasi dari hasil klasifikasi berupa visualisasi
maupun hasil pengukuran
Pengumpulan Data
Data diambil setiap dikirimkan setiap 1 detik
selama 3 hari untuk setiap perangkat elektronik
di PT. LSKK dengan 12 Perangkat elektronik .

(Patel dkk. 2016 Pengiriman pesan machine to machine

melalui MQTT)

(Batra dkk. 2013 penggunaan format data yang

disarankan untuk diproses klasifikasi)

(Kolter dan Johnson. 2011 yang mengusulkan format

data REDD)
Pengumpulan Data
1 mains
2 oven
3 refrigerator
4 kitchen_outlets
5 kitchen_outlets
6 lighting
7 washer_dryer
8 microwave
9 kitchen_outlets
10 kitchen_outlets
11 lighting
12 lighting
Pengolahan Data
(Batra dkk. 2013 penggunaan FHMM untuk disagregasi energi lebih
baik dari pada algoritma sejenis yang lain)
Algoritma yang digunakan adalah Factorial Hidden Markov Model
(FHMM)
Pengolahan Pengelompokan, Seleksi dan Statistik meteran perangkat berdasarkan Meter Group dengan
NILMTK Dari Data Set

Mendapatkan status dari meter group Active, apparent dan reactive power
Mendapatkan informasi total konsumsi energi pada power meter
Mendapatkan total konsumsi energi pada power meter untuk setiap
perangkat
Diagram pembagian konsumsi energi untuk setiap alat elektronik dari semua data set perangkat elektronik yang
dikumpulkan
Training dan Disagregasi

Contoh : Data perangkat yang akan dilatih dengan data perangkat yang yang paling menonjol dalam konsumsi
energi. Pada pengujian ini melatih untuk memperkirakan dari lima data perangkat yang paling menonjol dalam
mengkonsumsi energi listrik.
Validasi Hasil Training dan Disagregasi

• Ground Truth • Prediction

Validasi Visualisasi Hasil Training dan
Disagregasi
RMSE
Perhitungan RMSE untuk masing – masing prediksi klasifikasi perkiraan data dari data konsumsi daya
lsitrik dan label yang hilang ke lima perangkat
Kesimpulan
• Identifikasi perangkat listrik berdasarkan konsumsi daya sudah dapat
dilakukan, namun masih belum cukup untuk dikatakan akurat dikarenakan
pada pengujian hasil dari visualisasi pada pengujian training dan disagregasi
dapat dilihat perbedaan grafik ground truth dan hasil prediksi yang tidak sama.
Dan dapat juga dilihat dari nilai RMSE yang diapatkan untuk kehilangan data
konsumsi daya dan label sangat besar dimana jika nilai semakin dekat dekat
dengan nilai 0 maka semakin akurat hasil prediksinya. Hal tersebut
dikarenakan saat normalisasi data, ada data yang dianggap sebagai noise.
• Saran untuk penelitian selanjutnya adalah bagiamana untuk mengirimkan data
hasil disagregasi berupa informasi kepada pengguna dan menambah data set
agar lebih banyak lagi perangkat elektronik yang dapat di klasifikasi.
Video IoT yang telah dibangun
Pemrosesan Data