Deteksi Anomali Coal flow pada Coal Feeder untuk Kalibrasi Coal Feeder dengan Metode Residual dan Multiple Linear Regression

Wibowo, Arvin Surya (2024) Deteksi Anomali Coal flow pada Coal Feeder untuk Kalibrasi Coal Feeder dengan Metode Residual dan Multiple Linear Regression. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 2040201061-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (7MB) | Request a copy

Abstract

PT PLN Indonesia Power adalah salah satu perusahaan pembangkit tenaga listrik terkemuka di Indonesia, dengan PLTU Banten 3 Lontar sebagai salah satu pembangkit tenaga listriknya yang memiliki total kapasitas 945 MW. Pada PLTU ini, akurasi coal feeder dalam menentukan coal flow sering menurun. Kalibrasi berkala setiap tiga bulan telah diterapkan, namun sistem ini kurang efisien karena tidak mempertimbangkan kondisi real time akurasi coal flow. Penelitian ini bertujuan untuk mengembangkan sistem kalibrasi alternatif dengan mendeteksi anomali nilai coal flow menggunakan model machine learning. Data yang digunakan adalah data setelah akurasi coal feeder dikalibrasi dan sensor yang dijadikan variabel independen dalam kondisi baik. Tiga variabel independen dengan pengaruh terbesar terhadap pearson correlation coefficient adalah arus motor pulverizer, Flow PA pulverizer, dan posisi katup hot damper. Model machine learning yang digunakan adalah regresi polinomial orde 2, yang memiliki nilai RMSE terkecil sebesar 4.45 dan RSS sebesar 1396064. Sistem yang diimplementasikan pada proyek akhir rata-rata sudah berfungsi untuk mendeteksi anomali coal flow pada coal feeder untuk kalibrasi coal feeder, dimana pengujian prediksi coal flow dan menghitung residual coal flow secara real time untuk 100 data, hasilnya sistem berhasil melakukan prediksi coal flow dan menghitung residual coal flow secara real time untuk 100 data. Pada pengujian mengirim nilai residual menggunakan IoT untuk 100 data, hasilnya sistem berhasil mengirim nilai residual menggunakan IoT untuk 100 data. Pada pengujian mendeteksi anomali coal flow dengan 200 data dan menampilkan hasil di alat, hasilnya menunjukkan bahwa deteksi pada 100 data yang diketahui tidak memiliki anomali berhasil mendeteksi semua 100 data tersebut dengan benar dan menampilkan hasilnya di alat. Sementara itu, pada pengujian deteksi terhadap 100 data yang diketahui memiliki anomali, sistem berhasil mendeteksi dengan benar 98 data dan menampilkan hasilnya di alat.
=================================================================================================================================
PT PLN Indonesia Power is one of the leading power generation companies in Indonesia, with PLTU Banten 3 Lontar as one of its power plants, having a total capacity of 945 MW. At this power plant, the accuracy of the coal feeder in determining coal flow often decreases. Periodic calibration every three months has been implemented, but this system is inefficient as it does not consider real-time coal flow accuracy. This research aims to develop an alternative calibration system by detecting anomalies in coal flow values using a machine learning model. The data used are post-calibration coal feeder accuracy data and sensors that are in good condition as independent variables. The three independent variables with the greatest influence on the pearson correlation coefficient are pulverizer motor current, pulverizer PA flow, and hot damper valve position. The machine learning model used is second-order polynomial regression, which has the smallest RMSE value of 4.45 and an RSS of 1396064. The system implemented in the final project generally functions to detect coal flow anomalies in the coal feeder for coal feeder calibration. In the coal flow prediction and real time residual coal flow calculation test for 100 data points, the system successfully predicted coal flow and calculated residual coal flow in real time for all 100 data points. In the test of sending residual values using IoT for 100 data points, the system successfully sent residual values using IoT for all 100 data points. In the anomaly detection test with 200 data points and displaying the results on the device, the results showed that the detection on 100 data points known to have no anomalies successfully detected all 100 data points correctly and displayed the results on the device. Meanwhile, in the detection test on 100 data points known to have anomalies, the system successfully detected 98 data points correctly and displayed the results on the device.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Coal Feeder, Coal Flow, Kalibrasi, Anomali, Machine Learning, Internet of Things
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T57.74 Linear programming T Technology > T Technology (General) > T58.6 Management information systems T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1322.6 Electric power-plants
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Arvin Surya Wibowo
Date Deposited:	28 Aug 2024 01:13
Last Modified:	28 Aug 2024 01:13
URI:	http://repository.its.ac.id/id/eprint/115545

Actions (login required)

View Item