Prediksi Beban Penyulang UPK dan Penyulang UPC di PLN UP3 Majalaya Dengan PLTS Atap Skema Non-Ekspor Menggunakan XGBoost

Fadliilah, Intan Nur (2026) Prediksi Beban Penyulang UPK dan Penyulang UPC di PLN UP3 Majalaya Dengan PLTS Atap Skema Non-Ekspor Menggunakan XGBoost. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022241048-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (18MB) | Request a copy

Abstract

Prediksi beban penyulang pada tingkat distribusi semakin kompleks seiring meningkatnya pemasangan Pembangkit Listrik Tenaga Surya (PLTS) Atap dengan skema non-ekspor. Pada skema ini, seluruh produksi surya dikonsumsi secara internal tanpa diekspor ke jaringan, sehingga beban yang teramati oleh PLN hanya berupa beban bersih tanpa kontribusi surya yang tidak terlihat (hidden solar effect). Kondisi ini menjadikan sinyal beban penyulang sulit dimodelkan dengan pendekatan konvensional. Penelitian ini merancang kerangka prediksi beban penyulang dua tahap berbasis XGBoost yang secara eksplisit memperhitungkan pengaruh PLTS Atap skema non-ekspor tersebut. Pada Tahap 1, XGBoost beserta model pembanding memprediksi output PLTS Atap dari variabel meteorologi dan temporal, dimana hasil prediksi tersebut kemudian dijadikan masukan pada Tahap 2 untuk memprediksi beban penyulang gabungan UPK dan UPC, dengan XGBoost sebagai model utama serta SVR, LSTM, dan Persistence sebagai pembanding. Klasterisasi K-Means berbasis iradiasi ditambahkan sebagai fitur regime cuaca. Kerangka diuji pada studi kasus industri di PLN UP3 Majalaya yang mencakup 5.880 observasi pada setiap jam dari sistem PLTS Atap non-ekspor berkapasitas 2.030 kWp selama delapan bulan. Dua skema validasi kronologis, yaitu non-overlapping split dan modified overlap-based split, dibandingkan untuk menilai pengaruhnya terhadap pemilihan model. Pada Tahap 2 yang menjadi target utama, XGBoost secara konsisten mencapai akurasi terbaik dengan RMSE 207,27 kW dan nRMSE 5,66% pada data pengujian, sedangkan pada Tahap 1 XGBoost memberikan kinerja yang kompetitif. Skema modified overlap-based split menghasilkan skor validasi yang lebih optimistis namun tidak menghasilkan kinerja pengujian yang lebih baik, menegaskan bahwa pemisahan kronologis yang ketat memberikan dasar penilaian generalisasi yang lebih andal.
=======================================================================================================================================
Feeder load forecasting at the distribution level has become increasingly complex with the growing adoption of behind-the-meter (BTM) rooftop photovoltaic (PV) systems. Under this scheme, all solar generation is consumed internally without being exported to the grid, so the utility observes only the net load wihout unseen solar contribution has been subtracted, a hidden solar effect that makes the feeder signal difficult to model using conventional load-only approaches. This study proposes an XGBoost-based two-stage feeder load forecasting framework that explicitly accounts for this BTM PV effect. In Stage 1, XGBoost and the benchmark models forecast rooftop PV output from meteorological and temporal features; the prediction is then used as an input to Stage 2 to forecast the combined feeder load, with XGBoost as the primary model and SVR, LSTM, and persistence as benchmarks. An irradiance-based K-Means clustering label is incorporated as a weather-regime feature. The framework is evaluated on an industrial case study at PLN UP3 Majalaya, comprising 5,880 hourly observations from a 2,030 kWp non-export rooftop PV system over eight months. Two chronological validation schemes, a non-overlapping split and a modified overlap-based split, are compared to assess their influence on model selection. In Stage 2, XGBoost consistently achieves the best accuracy with an RMSE of 207.27 kW and nRMSE of 5.66% on the test set, while remaining competitive in Stage 1. The overlap-based split yields more optimistic validation results but no better test performance, confirming that strict chronological separation provides a more reliable generalization assessment.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Prediksi, Beban Penyulang, PLTS Atap, non-ekspor, XGBoost,Forecasting, Feeder Load, Rooftop PV, Behind-the-Meter
Subjects:	H Social Sciences > HA Statistics > HA30.3 Time-series analysis Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1001 Production of electric energy or power T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1087 Photovoltaic power generation
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Intan Nur Fadliilah
Date Deposited:	29 Jul 2026 05:39
Last Modified:	31 Jul 2026 06:37
URI:	http://repository.its.ac.id/id/eprint/137055

Actions (login required)

View Item