Peramalan Daya Luaran Turbin Angin Menggunakan Gated Recurrent Unit Berbasis Python

Robith, Muhammad (2023) Peramalan Daya Luaran Turbin Angin Menggunakan Gated Recurrent Unit Berbasis Python. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022211002-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (5MB) | Request a copy

Abstract

Tujuan ketujuh dari Sustainable Development Goals (SDG) ialah “Memastikan akses terhadap energi yang terjangkau, dapat diandalkan, berkelanjutan dan modern bagi semua” dengan “Pada tahun 2030, meningkatkan secara substantif proporsi energi terbarukan dalam energi campuran global” sebagai salah satu targetnya. Indonesia sendiri berusaha melakukan perencanaan pengembangan energi baru terbarukan (EBT) yang tepat demi mencapat tujuan tersebut. Salah satu EBT yang berkembang di Indonesia adalah energi angin. Salah satu tantangan dari penggunaan energi angin ialah memprediksi kecepatan angin. Prediksi kecepatan angin yang tepat dapat membantu memperkirakan luaran pembangkit listrik tenaga angin, sehingga penjadwalan pembangkitan yang dibuat dapat menjamin ketersediaan suplai listrik. Salah satu metode peramalan yang umum adalah metode berbasis Recurrent Neural Network (RNN). Keunggulan RNN adalah pada struktur timbal balik (feedback loop). Struktur ini memungkinkan RNN untuk mempelajari urutan dan ketergantungan antar jeda waktu secara bersamaan. Penelitian ini mengajukan penggunaan Gated Recurrent Unit (GRU) sebagai metode peramalan daya luaran turbin angin dengan memprediksi kecepatan angin. Kelebihan GRU dibandingkan Long Short Term Memory (LSTM) adalah formulasinya yang lebih sederhana, sehingga proses pelatihan (training) dari GRU lebih efisien. Hasil simulasi pada studi kasus dataset M2T1NXSLV menunjukkan bahwa model GRU yang dilatih menggunakan parameter panjang time lag 24, banyak epoch 50 kali dan menggunakan tekanan, kelembapan, dan suhu sebagai variabel luar memberikan hasil peramalan terbaik dengan rata-rata Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE) masing-masing sebesar 0.107 m/s dan 8.06%. Kedua metrik ini lebih baik dibandingkan LSTM yang dilatih dengan parameter serupa, kecuali dengan banyak epoch 40, dengan nilai MAE dan MAPE masing-masing sebesar 0.109 m/s dan 8.22%
==================================================================================================================================
Goal number 7 of SDGs is “ to ensure access to affordable, reliable, sustainable, and modern energy for all” and “increase substantially the share of renewable energy in the global energy mix by 2030”. To achieve this goal, Indonesia puts effort to plan the development of proper renewable energy. One of the renewable energies in this country is wind power. One of the challenges in using wind power is wind speed forecasting. An accurate wind speed forecasting can help determine the output of wind turbine power, which is helpful for generator scheduling to ensure a stable electricity supply. Recurrent Neural Network (RNN) is one of the common forecasting methods. Its advantages lie in its feedback loop structure that allows RNN to learn the order and dependence between time lags. This study proposed the use of Gated Recurrent Unit (GRU) as a wind turbine’s power forecasting method by forecasting the wind speed. When compared to Long Short Term Memory (LSTM), GRU offers a simpler formulation and improves training efficiency. The simulation result with M2T1NXSLV dataset showed that the GRU model trained using 24-hour time lag, 50 epochs, and external variables (i.e., pressure, humidity, and temperature) exhibited the most accurate forecasting result with Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) of 0.107m/s and 8.06% respectively. These metrics were better than LSTM trained with similar parameters, except for the number of epochs (i.e., 40), with MAE and MAPE of 0.109 m/s and 8.22%, respectively

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Gated Recurrent Unit, Kecepatan Angin, Daya Luaran Turbin Angin, Peramalan, Recurrent Neural Network ============================================================ Gated Recurrent Unit, Wind Speed, Wind Turbine Power Output, Forecasting, Recurrent Neural Network
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1001 Production of electric energy or power
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Muhammad Robith
Date Deposited:	20 Jul 2023 08:53
Last Modified:	20 Jul 2023 08:53
URI:	http://repository.its.ac.id/id/eprint/98754

Actions (login required)

View Item