Peningkatan Kinerja Prediksi Beban Listrik Jangka Pendek Menggunakan Analitical Hierarchial Clustering dan Long Short-term Memory

Indralaksono, Rio (2022) Peningkatan Kinerja Prediksi Beban Listrik Jangka Pendek Menggunakan Analitical Hierarchial Clustering dan Long Short-term Memory. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032201136-Master_Thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Peningkatan kebutuhan energi listrik yang terus menerus, menyebabkan beban dalam suatu sistem tenaga listrik meningkat. Salah satu tantangan utama dalam produksi listrik adalah menjaga jumlah produksi sama dengan jumlah konsumsi listrik setiap saat. Penentuan jumlah produksi tersebut merupakan permasalahan yang rumit, karena permintaan beban daya jangka pendek sangat bervariasi dan dipengaruhi oleh sejumlah faktor. Oleh karena itu, prediksi Beban Listrik Jangka Pendek yang akurat sangat penting bagi perusahaan listrik, untuk mengoptimalkan produksi listrik, meningkatkan pendapatan, dan menjaga kestabilan operasi sistem jaringan listrik. Metode prediksi beban listrik dapat dibagi menjadi dua metode utama, yaitu metode tradisional (statistik) dan metode berbasis kecerdasan buatan. Metode sebelumnya seperti metode time series, regresi linier, dan autoregressive integrated moving average (ARIMA) memiliki beberapa kelemahan. Pada penelitian ini diusulkan penggunaan metode Long Short-term Memory (LSTM) sebagai metode utama dalam melakukan peramalan karena telah terbukti performanya pada berbagai penelitian. Performa dari peramalan pada penilitian ini diusulkan untuk ditingkatkan dengan melakukan clustering atau mengumpulkan pola beban yang mirip sehingga terbentuk sejumlah profil beban. Pada penelitian ini diusulkan penggunaan Analitical Hierarchy Clustering untuk metode pengelompokan dikarenakan kesederhanaan dan efektifitasnya dalam pengelompokan data time-series. Namun, performa dari metode tersebut sangat bergantung pada keterkaitan influenced factor yang mempengaruhi load profile seperti weather condition dan human activity cycle yang bisa direpresentasikan dengan hari libur. Influenced factor akan digunakan sebagai prediktor untuk menentukan load profile dalam proses peramalan. Terkait hal tersebut, pada penelitian ini diusulkan penggunaan metode klasifikasi untuk menentukan load profile dari load pada hari yang akan diprediksi menggunakan metode Neural Network, karena metode ini adalah metode yang umum dan terbukti performanya pada penelitian terdahulu. Dari hasil simulasi, diperoleh hasil yang lebih baik pada semua indikator error selisih prediksi dibandingkan metode konvensional dengan nilai rata-rata hingga MaxAPE 4,91%, MAPE 2,02%, dan RMSE 112,08 MW.
==============================================================================================================================
The continuous increase in the need for electrical energy causes the load in an electric power system to increase. One of the main challenges in electricity production is to keep the amount of production equal to the amount of electricity consumption at all times. Determining the amount of production is a complicated problem because the demand for short-term power loads varies greatly and is influencedd by a number of factors. Therefore, accurate short-term load forecasting (STLF) is very important for power companies, to optimize electricity production, increase revenue, and maintain stable operation of the power system. Load forecasting methods can be divided into two main methods, traditional methods (statistical techniques) and artificial intelligence-based methods. Previous methods such as the time series method, linear regression, and autoregressive integrated moving average (ARIMA) have several weaknesses. In this study, in addition to the proposed use of Long Short-term Memory (LSTM) as the main method in forecasting because its performance has been proven in various studies. The performance of forecasting in this research is proposed to be improved by clustering or collecting similar load patterns so that a number of load profiles are formed. In this study, it is proposed to use Analytical Hierarchy Clustering for the clustering method due to its simplicity and effectiveness in time-series data clustering. However, the performance of this method is highly dependent on the relationship of influenced factors that affect the load profile such as weather conditions and human activity cycle which can be represented by day-off cycle. The influenced factor will be used as a predictor to determine the load profile in the forecasting process. In this regard, this study proposes the use of the classification method to determine the load profile of the load on the predicted day using the Neural Network method because this method is a common method and its performance has been proven in previous studies. From the forecasting simulation results using the chosen architecture, the proposed method shows much better performance results on all performance error prediction indicators than the conventional method with an average value up to MaxAPE 4.91%, MAPE 2.02%, and RMSE 112.08 MW.

Item Type:	Thesis (Masters)
Additional Information:	RTMT 658.403 55 Ind p-1 2022
Uncontrolled Keywords:	Load, Forecasting, Clustering, Hierarchial, Classification, Gradient Boosting, Neural Network, LSTM.
Subjects:	T Technology > T Technology (General)
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Mr. Marsudiyana -
Date Deposited:	08 Jul 2026 04:26
Last Modified:	08 Jul 2026 04:26
URI:	http://repository.its.ac.id/id/eprint/134503

Actions (login required)

View Item