Perbaikan Peramalan Beban Jangka Pendek Berbasis Wavelet Neural Network Dengan Optimalisasi Prediksi Frekuensi Tinggi

-, Muhammad (2015) Perbaikan Peramalan Beban Jangka Pendek Berbasis Wavelet Neural Network Dengan Optimalisasi Prediksi Frekuensi Tinggi. Undergraduate thesis, Institut Technology Sepuluh Nopember.

[img]
Preview
Text
2213105080-Undergraduate Thesis.pdf - Published Version

Download (2MB) | Preview

Abstract

Dalam dunia kelistrikan, peramalan beban jangka pendek merupakan hal yang penting untuk meningkatkan operasi sistem tenaga listrik yang lebih optimal dan handal. Cukup banyak factor yang berpengaruh pada proses pengolahan data untuk peramalan beban jangka pendek pada umumnya. Dalam Tugas Akhir ini akan diimplementasikan peramalan beban jangka pendek berbasis wavelet neural network dan dikembangkan dengan sebuah metode partial autocorrelation function untuk pengolahan data input beban, khususnya pada komponen frekuensi tinggi. Metode ini merupakan tahap di mana setelah data diproses secara wavelet pada frekuensi tinggi dan sebelum data diolah dalam neural network, data tersebut diolah sehingga didapatkan korelasi yang signifikan guna meningkatkan keakuratan hasil peramalan beban frekuensi tinggi dan hasil akhir peramalan beban. Hasil akhir peramalan pada penelitian ini lebih baik dari penelitian sebelumnya, di mana pada penelitian ini menggunakan input indeks hari kerja, indeks jam, input data beban historic untuk frekuensi rendah (H-7, H-14, H-21), korelasi input beban untuk frekuensi tinggi (t-50, t-53,t-82, t-90, t-91,t-92,t-93,t-94), input data beban kemarin dan input data beban hari ini pukul 24.00 dengan nilai minimal error sebesar 0,01%, maksimal error sebesar 6,55% dan MAPE (Mean Average Percentage Error) sebesar 2,46%. ===================================================================================================== In the world of electrical, short-term load forecasting is the most important thing to increase the power electrical optimation which make it more great and reliable. There are some factors enough which affecting on data processing for short term load forecasting generally. In this final project,will be implemented a short-term load forecasting based wavelet neural network and innovated by using partial autocorrelation to processing input data load, especially, for high frequency component. This method is a step where data load after proceed by using wavelet on high frequency and before the proceed data into neural network, the data load proceed so that got the significant correlation use to increase accuracy of load forecasting result of high frequency and the final forecasting result. Final load forecasting result on this final project was better than before, where this research use data input work-day index, clocktime index, data historic for low frequency (H-7, H-14, H-21), correalation input load for high frequency (t-50, t-53,t-82, t-90, t-91,t- 92,t-93,t-94), data load of yesterday, and data input load on 24.00 with minimum error 0,01% , maximum error around 6,55%, and MAPE (Mean Average Percentage Error) is 2,46%.

Item Type: Thesis (Undergraduate)
Additional Information: RSE 621.374 5 Muh p
Uncontrolled Keywords: Neural Network, Wavelet, partial autocorrelation function
Subjects: T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK201 Electric Power Transmission
Divisions: Faculty of Electrical Technology > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 10 Oct 2019 08:03
Last Modified: 10 Oct 2019 08:03
URI: http://repository.its.ac.id/id/eprint/71115

Actions (login required)

View Item View Item