Pemanfaatan Multi Layer Perceptron (MLP) Sebagai Diagnosis Pengujian Dielektrik Pada Isolasi Belitan Stator Untuk Meningkatkan Keandalan Pengoperasian Generator

Putra, Fauzi Rahadian (2025) Pemanfaatan Multi Layer Perceptron (MLP) Sebagai Diagnosis Pengujian Dielektrik Pada Isolasi Belitan Stator Untuk Meningkatkan Keandalan Pengoperasian Generator. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022231008-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Generator merupakan salah satu komponen utama dalam unit pembangkit listrik, yang terdiri atas rotor dan stator dengan kumparan yang dilindungi oleh lapisan isolasi. Berdasarkan data gangguan, sekitar 56% kerusakan pada generator disebabkan oleh kegagalan isolasi, dan 31% di antaranya dipicu oleh proses penuaan (aging). UBP Saguling mengelola beberapa PLTA dengan masa operasi lebih dari 100 tahun, sehingga kondisi isolasi stator menjadi aspek kritis yang perlu mendapat perhatian khusus. RLA merupakan salah satu metode asesmen untuk mengetahui kondisi generator dan mengevaluasi sisa umur operasi generator. Metode konvensional RLA menggunakan data historis operasi dalam melakukan evaluasi. Penelitian ini menggunakan pendekatan berbasis data menggunakan data hasil pengujian dielektrik yang diproses menggunakan ANN berbasis model MLP untuk memperkirakan sisa umur (remaining life) generator secara lebih akurat. Terdapat 22 sampel yang terdiri dari data hasil pengujian IR, PI, Tan δ, dan PD offline, serta umur operasi yang digunakan sebagai data input. Arsitektur model MLP terdiri dari satu input layer, tiga hidden layer, dan satu output layer, dengan hasil evaluasi model menunjukkan rata-rata nilai error antara hasil prediksi dengan hasil aktual (MAPE) sebesar 33%. Integrasi data diagnostik aktual ke dalam model prediktif ANN memungkinkan estimasi sisa umur operasi yang lebih akurat serta mendukung perencanaan pemeliharaan yang bersifat strategis dan proaktif. Pendekatan ini memberikan peningkatan signifikan dibandingkan metode konvensional dengan meningkatkan reliabilitas sistem serta meminimalkan risiko gangguan tak terencana pada operasi pembangkit. Penambahan kuantitas dan kualitas data training dapat lebih meningkatkan performa dan akurasi prediksi model, sehingga mendukung pengambilan keputusan yang lebih tepat dalam proses pemeliharaan generator.
=====================================================================================================================================
The generator is one of the main components in a power generation unit, consisting of a rotor and stator with windings protected by an insulation layer. Based on failure data, approximately 56% of generator failures are caused by insulation degradation, with 31% of these attributed to aging processes. UBP Saguling manages several hydroelectric power plants (PLTA), some of which have been in operation for over 100 years, making the condition of the stator insulation a critical factor requiring close attention. RLA is one method used to evaluate the condition of a generator and estimate its remaining operational life. Conventional RLA approaches typically rely on historical operational data for assessment. This study adopts a data-driven approach by utilizing actual dielectric test results, which are processed using an ANN based on a MLP model to more accurately estimate the generator's remaining life. A total of 22 samples were used, consisting of test results from IR, PI, Tan δ, PD offline tests, and operational age as input features. The MLP model architecture includes one input layer, three hidden layers, and one output layer. Model evaluation results show an average Mean Absolute Percentage Error (MAPE) of 33% between the predicted and actual values. The integration of actual diagnostic data into the predictive ANN model enables more accurate estimations of remaining operational life and supports strategic and proactive maintenance planning. This approach provides a significant improvement over traditional methods by enhancing system reliability and reducing the risk of unplanned outages in power plant operations. Furthermore, increasing the quantity and quality of training data is expected to improve the model's predictive performance and accuracy, thereby supporting more reliable decision-making in generator maintenance strategies.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Pengujian Dielektrik, Isolasi Winding, RLA, MLP, Dielectric Test, Winding Insulation
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1322.6 Electric power-plants
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Fauzi Rahadian Putra
Date Deposited:	23 Jul 2025 03:19
Last Modified:	23 Jul 2025 03:19
URI:	http://repository.its.ac.id/id/eprint/120743

Actions (login required)

View Item