Unit Commitment Dengan Metode Hibrida Ipso-Stochastic Dan Neural Network Untuk Mengatasi Uncertainty Pada Microgrid

Rohiem, Nasyith Hananur (2019) Unit Commitment Dengan Metode Hibrida Ipso-Stochastic Dan Neural Network Untuk Mengatasi Uncertainty Pada Microgrid. Masters thesis, Institut Sepuluh Nopember.

Text 07111750012001-Master_Thesis.pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Turbin angin merupakan salah satu contoh energi terbarukan, namun turbin angin menghasilkan daya pembangkitan yang bersifat uncertainties (tidak pasti) dikarenakan pengaruh kondisi alam sehingga perlu dilakukan prediksi kecepatan angin. Metode prediksi angin pada penelitian ini menggunakan model ARIMA (auto-regressive integrated moving area) berdasarkan data probabilitas angin sehingga daya yang dihasilkan turbin angin setiap jam dapat diketahui. Pada sisi pembangkit thermal optimasi dilakukan dengan metode IPSO berdasarkan priority list (PL) dan complete enumeration (CE), baik sebelum dan setelah terpengaruh ketidakpastian dari turbin angin. Pada penelitian ini proses prediksi kecepatan angin untuk mengetahui daya angin yang dihasilkan turbin angin menghasilkan rata rata error prediksi 0,64 m/s, MAPE 18,34%, dan MSE 0,84 dengan model ARIMA pada 6 hari percobaan secara acak. Dengan proses optimasi IPSO total biaya yang dihasilkan sebelum dan setelah mendapat pengaruh ketidakpastian pada turbin angin menghasilkan reduksi biaya sebesar $12.882 dengan PL dan $13.725 dengan CE pada 10 unit IEEE 1662 MW, sedangkan pada microgrids menghasilkan reduksi biaya sebesar $20.646 dengan PL dan $20.693 dengan CE. Akan tetapi IPSO menghasilkan waktu eksekusi cukup lama yaitu lebih dari 30 menit, sehingga dilakukan pelatihan neural network (NN) based on IPSO-PL. Dari proses pelatihan tersebut NN mengahasilkan waktu eksekusi lebih cepat kurang dari 5 detik dengan hasil yang optimal.
=================================================================================================================================
A wind turbine is one of renewable energy exists. But wind turbine has a big uncertainty cause nature factor so the system is needed for optimization and prediction. Wind speed prediction method in this research using ARIMA (auto-regressive integrated moving area) models based on the probability of wind speed data to predict wind power every hour. On the thermal generator side, the IPSO (incremental particle swarm optimization) method is used for optimization based on the priority list (PL) and the complete enumeration (CE), both before and after the uncertainty of the wind turbine is affected. In this research forecasting process for predicting wind speed produces 0,64 m/s average prediction error, MAPE 18,34% and MSE 0,84 in a random 6-day test with ARIMA model. With IPSO, both before and after uncertainty effect total operation cost produces reduction about $12.882 with priority list procedure and $13.725 with CE procedure on 10 IEEE 1662 MW units, while microgrids resulted in $20,646 cost reduction with PL and $20,693 with CE. But IPSO produces a long execution time of more than 30 minutes, so neural network (NN) training based on IPSO-PL is performed to speed up execution time. From the training process NN produces faster execution times of less than 5 seconds with optimal results as IPSO.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Energi terbarukan, Uncertainties, ARIMA, Increamental Particle Swarm Optimization (IPSO), Neural Network
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1001 Production of electric energy or power
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Rohiem Nasyith Hananur
Date Deposited:	23 Jul 2026 08:43
Last Modified:	23 Jul 2026 08:43
URI:	http://repository.its.ac.id/id/eprint/67249

Actions (login required)

View Item