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.