Peramalan Beban Listrik Menggunakan OPELM

Uraian
Karakteristik beban harian tentunya berbeda tiap harinya, terkadang berfluktuasi mengalami kenaikan maupun penurunan. Ketidakpastian beban ini jika tidak diperkirakan akan sangat mempengaruhi operasi unit-unit pembangkit yang ada dalam memenuhi kebutuhan listrik. Maka diperlukan kontinyuitas dan keandalan sistem tenaga listrik dengan menaksir laju kebutuhan tenaga listrik dalam jangka pendek agar kondisi pembangkitan dan permintaan beban selalu tetap terpenuhi dalam keadaan optimal, dapat menekan biaya secara ekonomis, dan menjaga keamanan pada sistem tenaga listrik. Pada penelitian ini digunakan metode Optimally Pruned Extreme Learning Machine (OP-ELM) untuk meramalkan beban listrik. Keakuratan metode OP-ELM dapat diketahui dengan menggunakan metode pembanding yaitu ELM. Kriteria keakuratan yang digunakan adalah MSE.

Ruang Lingkup
1. Keandalan Sistem Tenaga Listrik
2. Pembangkitan dan Manajemen Energi Listrik
3. Komputasi Cerdas

Latar Belakang
Tenaga listrik merupakan kebutuhan dasar bagi masyarakat pada umumnya. Tenaga listrik digunakan oleh beberapa sektor, antara lain sektor rumah tangga, industri, usaha komersial, dan tempat layanan umum. Besarnya permintaan listrik pada suatu rentang waktu tidak dapat dihitung secara pasti. Oleh karena itu, yang dapat dilakukan adalah meramalkan besar permintaan listrik.
Jika besar permintaan listrik tidak diramalkan maka dapat mempengaruhi kesiapan dari unit pembangkit untuk menyediakan pasokan listrik kepada konsumen. Ketidakseimbangan daya listrik antara supply dan demand dapat mengakibatkan kerugian. Pada sisi pembangkit dapat terjadi pemborosan apabila daya yang dibangkitkan lebih besar daripada penggunaan listrik oleh konsumen. Pada sisi konsumen dapat terjadi pemadaman apabila daya yang dibangkitkan lebih kecil dari kebutuhan listrik konsumen.
Peramalan beban jangka pendek bertujuan untuk meramalkan beban listrik pada jangka waktu menit, jam, hari atau minggu. Peramalan beban jangka pendek memainkan peran yang penting dalam real-time control dan fungsi-fungsi keamanan dari suatu sistem manajemen energi (Dipti, 1998). Sebuah peramalan beban listrik jangka pendek yang tepat, dapat menghasilkan penghematan biaya operasional bagi produsen dan pengoptimalan penyediaan tenaga listrik kepada konsumen (Nahi, 2006). Peramalan beban listrik jangka pendek untuk jangka waktu 1-24 jam ke depan adalah penting untuk operasi sehari-hari dari utilitas daya. Peramalan beban ini digunakan untuk unit commitment, energy transfer scheduling dan load dispatch (EI-Sharkawi, 1996).
Banyak metode telah dikembangkan untuk peramalan beban listrik jangka pendek. Metode tersebut antara lain metode parametrik, nonparametrik, dan berbasis kecerdasan buatan. Metode parametrik merumuskan model matematika atau statistik untuk beban dengan memeriksa kuantitatif hubungan antara beban dan faktor yang mempengaruhi. Beberapa contoh model yang digunakan adalah fungsi polynomial, model ARMA, deret Fourier, dan regresi linier berganda (Papalexopoulos dan Hesterberg, 1990; Qiwen dkk., 2003; Mao Lifan dan Jiang Yuchun dkk., 2009). Metode nonparametrik memungkinkan ramalan akan dihitung langsung dari data historis. Sebagai contoh, menggunakan regresi nonparametrik, sebuah ramalan beban dapat dihitung sebagai rata-rata lokal beban masa lalu diamati dengan ukuran lingkungan lokal dan bobot tertentu pada beban yang didefinisikan oleh multivariate product kernel (Charytoniuk dkk., 1998; Kang Chongqing dkk., 2004). Beberapa metode berbasis kecerdasan buatan seperti Fuzzy Inference System, Fuzzy Linear Regression dan Artificial Neural Network telah banyak diaplikasikan pada peramalan beban listrik dan hasilnya memuaskan (Kwang-Ho Kim dkk., 2000; Kyung-Bin Song dkk., 2005).
Extreme Learning Machine [3] merupakan metode pembelajaran baru dari jaringan syaraf tiruan. Metode ini pertama kali diperkenalkan oleh Huang (2004). ELM merupakan jaringan syaraf tiruan feedforward dengan single hidden layer atau biasa disebut dengan Single HiddeN Layer Feedforward neural Networks (SLFNs) (Sun et al, 2008). Metode pembelajaran ELM dibuat untuk mengatasi kelemahan-kelemahan dari jaringan syaraf tiruan feedforward terutama dalam hal learning speed. Huang et al mengemukaan dua alasan mengapa JST feedforward mempunyai leraning speed rendah, yaitu :
1) Menggunakan slow gradient based learning algorithm untuk melakukan training.
2) Semua parameter pada jaringan ditentukan secara iterative dengan menggunakan metode pembelajaran tersebut.
Pada penelitian Tugas Akhir ini diusulkan metode Optimally Pruned Extreme Learning Machine (OP-ELM) untuk peramalan beban listrik jangka pendek serta sebagai metode pembandingnya menggunakan Extreme Learning Machine (ELM). Diusulkan metode OP-ELM dikarenakan dapat mengatasi kasus non linier yang terdapat pada peramalan beban listrik ini. Pemilihan parameter OP-ELM adalah penting untuk akurasi peramalan beban listrik. Optimally Pruned Extreme Learning Machine (OP-ELM) digunakan untuk mengoptimasi nilai parameter ELM secara otomatis dengan harapan dapat menghasilkan peramalan yang akurat. Keakuratan OP-ELM dapat diketahui dengan menggunakan metode pembanding yaitu ELM, kriteria keakuratan yang digunakan adalah MSE.
Selengkapnya...

SIKLUS RANKINE PLTU

Siklus Rankine adalah siklus pengubahan panas menjadi kerja. Panas disuplai dari luar menuju siklus aliran tertutup dan biasanya menggunakan air sebagai fluida kerja (fluida yang dipanaskan / didinginkan). Siklus ini menghasilkan 80% dari seluruh energi listrik yang dihasilkan di seluruh dunia. Siklus ini dinamai untuk mengenang ilmuwan Skotlandia, William John Maqcuorn Rankine.
Siklus Rankine adalah model operasi mesin uap yang secara umum digunakan di Pembangkit Listrik Tenaga Uap (PLTU). Sumber panas untuk siklus Rankine dapat berasal dari batu bara, gas alam, minyak bumi, nuklir, bio masa dan panas matahari.

Empat Proses dalam siklus Rankine

Proses 1-2: Fluida kerja (misalnya air) dipompa dari tekanan rendah menjadi tekanan tinggi. Pada tahap ini fluida kerja berfase cair sehingga hanga membutuhkan energi yang relatif kecil untuk proses pemompaan.
Proses 2-3: Air bertekanan tinggi memasuki boiler untuk dipanaskan. Di sini air berubah fase menjadi uap jenuh. Proses ini berlangsung pada tekanan konstan.
Proses 3-4: Uap jenuh berekspansi pada turbin sehingga menghasilkan kerja berupa putaran turbin. Proses ini menyebabkan penurunan temperature dan tekanan uap, sehingga pada sudu turbin tingkat akhir kondensasi titik air mulai terjadi.
Proses 4-1: Uap basah memasuki kondensor dan didinginkan sehingga semua uap berubah menjadi fase cair. Air dipompakan kembali (Proses 1-2)
Besarnya kerja dibutuhkan pompa, panas yang diberikan boiler, kerja yang dihasilkan turbin dan panas yang dibuang pada kondensor dapat diperhitungkan dengan bantuan table Enthalpy-entropy air-uap air.

Contoh T-s diagram Siklus Rankine

 

Variabel
dot{Q}Laju perpindahan panas (energi per satuan waktu)
dot{m}Laju masa (masa per satuan waktu)
dot{W}Kerja mekanik (energi per satuan waktu)
ηtherm Efisiensi thermodinamik proses (kerja neto dibagi panas yang masuk)
ηpump,ηturb Efisiensi Isentropic kompresi (pada pompa) dan ekspansi (pada turbin)
h1,h2,h3,h4 Entalpi spesifik titik tertentu pada T-S diagram
h4s Entalpi spesifik pada turbin isentropik
p1,p2 Tekanan

Selengkapnya...

SIKLUS PLTU PERAK

Sistem Air Pendingin

Air laut, sebelum masuk ke bak Water Intake (1), melalui bar screen dan terlebih dahulu disemprot dengan larutan Chlorine dari Chloropac yang untuk melemahkan binatang-binatang laut. Melalui travelling screen (berfungsi sebagai pembersih kotoran yang mungkin terbawa masuk ke dalam bak penampungan), air dipompa
oleh CWP (2) yang berada di Water Intake– melalui Pressure Tunnel (3) menuju Condenser (4)–untuk mendinginkan uap bekas melalui pipapipa masuk/keluar Kondensor dan selanjutnya dibuang lagi ke laut melalui outlet tunnel (5).

Sistem Air dan Uap
Air kondensat dari Condenser (4) dipompa oleh Condensate Pump (6)–melalui Low Pressure Heater I (7) dan Low Pressure Heater II (8) guna menaikkan temperatur air kondensat yang menuju ke Deaerator (9)–untuk proses pembuangan O2 yang terkandung dalam air kondensat, dengan sistem penyemprotan uap yang diambil dari Extraction Steam Turbin.
Boiler Feed Pump (10) berfungsi memompa air dari Deaerator, melalui High Pressure Heater I (11) dan High Pressure Heater II (12),untuk menaikkan temperatur air Feed Pump menuju Steam Drum (13). Dari sini, air lalu didistribusikan ke seluruh pipa Water Wall (14) untuk proses pemanasan dalam Boiler hingga mencapai temperatur dan tekanan yang sesuai kebutuhanmelalui Super Heater (15) menuju Steam Line (16) untuk memutar sudu-sudu Turbin (17). Sebagian uap bekas untuk pemanas Low Pressure Heater dan Deaerator serta
High Pressure Heater yang telah berekspansi tersebut, kemudian diembunkan menjadi air kondensat dalam Kondensor dan ditampung dalam Condensate Tank.

Sistem Bahan Bakar
Bahan bakar berupa residu/MFO dari Bunker Pertamina dipompakan ke Tangki Persediaan PLTU - dengan pompa Main Fuel Oil Pump (18) melalui Heater Set (19) yang berfungsi menaikkan temperaturnya untuk memudahkan proses pengabutan bahan bakar di Burner (20) dalam ruang bakar Boiler (21) yang berjumlah 6 buah. Penggunaannya disesuaikan dengan kebutuhan uap yang dibutuhkan dalam sistem.

Sistem Udara Pembakaran
Dalam proses pembakaran, udara luar yang dihasilkan oleh kipas tekan paksa Force Draught Fan (22) terlebih dahulu melalui Air Heater (23) dan Wind Box (24) yang selanjutnya menuju ruang bakar. Dalam Air Heater sendiri sudah terjadi proses pemanasan yang dihasilkan dari gas bekas hasil pembakaran Boiler. Akan terjadi proses tukar temperatur dalam ruang Air Heater. Selanjutnya, udara bekas pembakaran langsung dibuang ke atmosfer melalui cerobong/Stack (25).

Sistem Penyaluran Tenaga Listrik
Putaran turbin uap yang dikopling dengan poros Generator (26) akan menghasilkan tenaga listrik; yang sebagian dipakai untuk pemakaian sendiri melalui Auxiliary Transformer (27), sedangkan selebihnya dinaikkan tegangannya sesuai kebutuhan dengan Trafo Utama/Main Transformer (28). Selanjutnya, tenaga listrik tersebut dihubungkan oleh PMT/Breaker (29) ke Switch Yard yang paralel dengan transmisi.

Sistem Air Penambah
Di dalam sistem air dan uap tentu ada beberapa kebocoran sehingga diperlukan penambahan untuk memenuhi kebutuhan. PLTU Perak Unit 3 dan 4 telah dilengkapi dengan sistem pembuatan air penambah dengan:

1. Sistem Flash Evaporator (30) yang berfungsi mengubah air laut menjadi air sulingan dalam Flash Evaporator. Media yang digunakan untuk air pemanas diambil dari uap bekas turbin (Extraction). Air sulingan tersebut lalu dipompa lagi melalui Distillate Pump menuju Raw Water Tank (32) ditambah dari PIT (PDAM) (31) serta masih dilengkapi dengan saluran pembuangan otomatis sebagai pengaman. Jika terjadi konduktifitas tinggi, maka air sulingan tersebut langsung terbuang secara otomatis.

2. Sistem Demi-Plant (33) untuk memurnikan air penambah dan menampungnya dalam Demi-Tank (34) yang kemudian bisa digunakan sesuai kebutuhan dalam unit melalui Make-up pump (35).

Selengkapnya...