PERANCANGAN DETEKSI KELAINAN

PENYALURAN TENAGA LISTRIK

JARINGAN DISTRIBUSI 20 kV
MENGGUNAKAN ARTIFICIAL NEURAL
NETWORK
Presentation by
HAFIIZH MA’ARIF SETIADI
062002204009
LATAR BELAKANG
● Salah satu kendala dari sebuah perusahaan penyedia energi listrik adalah
gangguan dan kerusakan jaringan distribusi listrik pada saat menjalankan
pengoperasian sistem ketenagalistrikan. Sistem proteksi dalam pengamanan
jaringan distribusi listrik merupakan sebuah upaya yang dilakukan oleh para
penyedia energi listrik untuk mengamankan jaringan yang digunakannya untuk
menyalurkan Listrik.
● Untuk mengetahui faktor penyebab gangguan jaringan metode yang digunakan
yaitu Artificial Neural Network dengan merekam jejak gangguan jaringan
listrik ketika relai bekerja.
● Karena hanya ada dua relai di PLN ULP Sabang yaitu OCR dan GFR maka
hanya jenis gangguan ketika relai tersebut berjalan. Tujuan penelitian ini yaitu
diperolehnya identifikasi gangguan jaringan listrik 20 kV ketika terjadi arus
gangguan sacara cepat dan efisien
Rumusan dan Batasan Masalah

1 2 3
Bagaimana rancangan deteksi Bagaimana mekanisme kerja sistem Bagaimana pengujian serta tingkat
gangguan jaringan distribusi 20 kV pendeteksi gangguan gangguan keberhasilan system Artificial Neural
menggunakan Artificial Neural jaringan distribusi 20 kV menggunakan Network dalam mengklasifikasikan
Network? Artificial Neural Network? gangguan jaringan distribusi 20 kV ?

4 5 6
Penelitian ini hanya fokus terhadap Menggunakan Artificial Neural Berlokasi di Sabang
perancangan deteksi gangguan jaringan Network & menggunakan data Relai
distribusi 20 kV penyaluran tenaga OCR dan GFR
listrik
Tujuan Penelitian
Mengetahui rancangan deteksi
01 gangguan jaringan distribusi 20
kV

Meningkatkan mekanisme kerja

02
deteksi gangguan jaringan
distribusi 20 kV

Mengetahui perbandingan hasil deteksi

03 gangguan sebelum menggunakan Artificial

Neural Network dengan sesudah Artificial
Neural Network
 Manfaat Penelitian
1 3
Menurunkan Susut teknis pada Memudahkan untuk
penyaluran tenaga listrik mengklasifikasikan gangguan
jaringan distribusi 20 kV
2
Mendeteksi secara real time
gangguan jaringan
distribusi 20 kV
PENELITIAN TERDAHULU
● Neural Network untuk Klasifikasi Penanganan Jaringan Distribusi Listrik 20 kV oleh Oman dkk pada Oktober
2015.
● Identifikasi Jenis Gangguan Pada Jaringan Distribusi Menggunakan Metode Artificial Neural Network oleh Abel
Aditya Aryaguna dkk pada 1 April 2021.
● Samantaray, dkk (2006) telah melakukan penelitian untuk mengklasifikasi kesalahan jaringan listrik dengan
menggunakan HS transform dan Radial Basis Function Neural Network (RBFNN).
● Mondero, dkk (2007) menerapkan neural network untuk membangun sebuah detektor real time untuk
mengklasifikasikan gangguan listrik secara real time.
● Zhang, dkk (2013) melakukan penelitian dengan menerapkan ANFIS yang digunakan untuk mengklasifikasikan
gangguan kesalahan menjadi 10 tipe kesalahan short circuit jaringan listrik yang terdiri dari gangguan phasa AG,
BG, CG, ABG, ACG, BCG, ABC/ABCG, AB, AC dan BC pada sistem distribusi tenaga listrik
Sistem
Distribusi 20
kV
Keluaran dari trafo daya dikumpulkan dulu
pada Bus 20 KV di kubikel Gardu Induk
untuk kemudian di distribusikan melalui
beberapa penyulang 20 KV ke konsumen
dengan jaringan berupa Saluran Udara
Tegangan Menengah (SUTM) atau Saluran
Kabel Tegangan Menengah (SKTM).
Peralatan Proteksi
Relay arus lebih adalah relay yang bekerja

01 terhadap arus lebih, ia akan bekerja bila arus

yang mengalir melebihi nilai settingnya

Relay gangguan ke tanah (Ground Fault

02 Relay/GFR) adalah alat yang berfungsi untuk

mengamankan sistem dari arus lebih yang
diakibatkan adanya gangguan satu fasa ketanah

Pemutus balik otomatis (Automatic circuit

03 recloser = Recloser) ini secara fisik mempunyai

kemampuan seperti pemutus beban yang dapat
bekerja secara otomatis

Fuse cut out adalah suatu alat pemutus, dimana

04 dengan meleburnya bagian dari komponen yang

telah dirancang khusus dan disesuaikan
ukurannya untuk membuka rangkaian
Metode Penelitian

01
First
Section
Pada penelitian ini data set yang digunakan adalah dataset
yang berasal dari data gangguan beban distribusi listrik
yang diperoleh dari PT.PLN (Persero) Distribusi UID
Aceh, UP3 Banda Aceh, ULP Sabang di sisi 20 kV PLTD
Aneuk Laot dan Cot Abeuk. Data ddiambil dalam kurun
waktu kurang lebih 3-6 bulan di tahun 2023. Jumlah
atribut adalah 3 atribut diantaranya jenis relai yang
bekerja, arus gangguan, factor penyebab gangguan dari
lapangan. Factor- factor yang diklasifikasikan yaitu
tumbang pohon, jaringan terkena hewan/buah jatuh,
jaringan tersentuh pohon, dan rusak peralatan jaringan
 Tabel 7. 1 Tabel Data gangguan Bulan November 2023
Relai Bekerja Arus Gangguan (A) Penyebab

R S T N

OCR 35 738 710 0 Hewan Kalong

GFR 711 19 0 580 Hewan Ular

GFR 1,12 60,8 1,8 60,3 Ranting Kayu

GFR 0 111 0 104 Hewan Tokek

Kemudian di praposes Dimana penyebab hewan diberi nilai 0 dan

pohon di beri nilai 1.
Relai Bekerja Arus Gangguan (A) Penyebab

R S T N

OCR 35 738 710 0 0

GFR 711 19 0 580 0

GFR 1,12 60,8 1,8 60,3 1

GFR 0 111 0 104 0

Metode Penelitian

02
Second
Section
● Model dari neural network yang diusulkan,
model terdiri dari 6 neuron input, 5 neuron
hidden dan 2 neuron output.
FLOW CHART
Pengujian
Setelah dilakukan simulasi diperoleh
output penyebab gangguan berdasarkan
model yang telah diperoleh. Kemudian
diperoleh nilai error sebagai indicator
keberhasil model

Analisis
Setelah memperoleh nilai error model
yang digunakan dapat dilakukan
analisis model yang digunakan apakah
sudah cukup baik dalam
mengklasifikasikan penyebab gangguan
pada sistem tenaga Listrik

Pengembangan
Dapat dilakukan pengembangan jika
performa yang dihasilkan cukup baik.
Kedepannya dapat dilakukan untuk
monitoring secara realtime,
Kegiatan akan dilaksanakan pada :
Lokasi : PLN Unit Layanan Pelanggan Sabang
Waktu : 6 Bulan
No. Jenis Kegiatan Bulan
9 10 11 12 1 2 3 4 5 6
1 Perumusan ide judul
2 Literatur riview penelitian
terdahulu
3 Penentuan motode penelitian
4 Penyusunan proposal
5 pengambilan data
6 Simulasi
7 Pengujian data
8 Analisis
9 Penulisan laporan
Thanks!
Do you have any questions?