Peramalan Daya Jangka Pendek Turbin Angin Menggunakan K-means++ dan Long Short-Term Memory untuk Pembebanan Ekonomi Pembangkit Listrik

Wibowo, Hanif Reza (2024) Peramalan Daya Jangka Pendek Turbin Angin Menggunakan K-means++ dan Long Short-Term Memory untuk Pembebanan Ekonomi Pembangkit Listrik. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5022201190-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy

Abstract

Energi angin saat ini menjadi potensi sumber energi baru terbesar kedua di Indonesia. Namun, karena energi yang dihasilkan angin sangat fluktuatif dan tidak dapat diprediksi sehingga energi listrik yang dihasilkan juga berubah-ubah. Dengan pesatnya kemajuan teknologi deep learning, algoritma peramalan yang berbasis pada deep learning telah menjadi populer dan banyak diterapkan dalam peramalan daya turbin angin. Long Short-Term Memory (LSTM) merupakan salah satu model turunan dari Recurrent Neural Network (RNN) berbasis deep learning yang memiliki kemampuan dengan baik dalam berbagai skenario peramalan. Oleh karena itu, penelitian ini mengusulkan model peramalan daya jangka pendek turbin angin menggunakan K-means++ dan jaringan syaraf Long Short-Term Memory (LSTM). Metode pengelompokkan K-means++ dikombinasikan dengan LSTM karena kinerjanya yang cepat dan akurat dalam melakukan peramalan. Model peramalan yang diusulkan memungkinkan operator sistem tenaga untuk menentukan waktu terbaik dalam mengandalkan Pembangkit Listrik Tenaga Bayu untuk menghasilkan tenaga untuk sistem kelistrikan tanpa mempengaruhi stabilitas sistem dan mengurangi biaya pembangkitan listrik karena metode konvensional. Hasil simulasi studi kasus dataset parameter meteorologi setiap jam (M2I1NXASM) pada koordinat -5.5° LS dan 120° BT (1 Januari – 31 Desember 2023) dari Modern-Era Retrospective analysis for Research and Applications Version 2 (MERRA-2) menunjukkan bahwa model K+LSTM yang dilatih menggunakan suhu sebagai variabel luar dengan parameter 6 input dan 32 neuron memberikan hasil peramalan terbaik. Rata-rata Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE) dari peramalan model K+LSTM adalah 0.1327 m/s dan 6.874%. Kedua metrik ini lebih rendah dibandingkan dengan rata-rata MAE dan MAPE dari peramalan model LSTM saja, yang masing-masing bernilai 0.1462 m/s dan 7.484%. Hal ini menunjukkan keunggulan K+LSTM dalam menghasilkan peramalan yang lebih akurat dan konsisten, yang sangat penting untuk pembebanan pembangkitan listrik guna memastikan distribusi energi yang efisien dan stabil.
======================================================================================================
Wind energy is currently the second largest potential new energy source in Indonesia. However, due to the highly fluctuating and unpredictable nature of wind energy, the generated electrical energy also varies. With the rapid advancement of deep learning technology, forecasting algorithms based on deep learning have become popular and widely applied in wind turbine power forecasting. Long Short-Term Memory (LSTM) is a derivative model of Recurrent Neural Network (RNN) based on deep learning that performs well in various forecasting scenarios. Therefore, this study proposes a short-term wind turbine power forecasting model using K-means++ and Long Short-Term Memory (LSTM) neural networks. The K-means++ clustering method is combined with LSTM due to its fast and accurate forecasting performance. The proposed forecasting model allows power system operators to determine the best times to rely on wind power plants to generate power for the electrical system without affecting system stability and reducing electricity generation costs compared to conventional methods. The simulation results of a case study using the hourly meteorological parameter dataset (M2I1NXASM) at the coordinates -5.5° S and 120° E (January 1 – December 31, 2023) from the Modern-Era Retrospective analysis for Research and Applications Version 2 (MERRA-2) show that the K+LSTM model trained using temperature as an external variable with 6 input parameters and 32 neurons provides the best forecasting results. The average Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) of the K+LSTM model forecast are 0.1327 m/s and 6.874%, respectively. These metrics are lower compared to the average MAE and MAPE of the LSTM-only model forecast, which are 0.1462 m/s and 7.484%, respectively. This demonstrates the superiority of K+LSTM in producing more accurate and consistent forecasts, which is crucial for electricity generation loading to ensure efficient and stable energy distribution.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Model Peramalan, Long Short-Term Memory, Pembangkit Listrik, Pembebanan Ekonomi, K-means++, Tenaga Angin, Economic Dispatch, Forecasting Model, Long Short-Term Memory, K-means++, Power Plant, Wind Power.
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1001 Production of electric energy or power T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1322.6 Electric power-plants
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Hanif Reza Wibowo
Date Deposited:	01 Aug 2024 04:04
Last Modified:	01 Aug 2024 04:04
URI:	http://repository.its.ac.id/id/eprint/111382

Actions (login required)

View Item