Yahya, Agik Promento (2026) Estimasi Health Index Trafo Distribusi Menggunakan Algoritma Machine Learning dengan Memanfaatkan Data AMI. Masters thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 6022241026-Master_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
6022241026-Master_Thesis.pdf Restricted to Repository staff only Download (9MB) | Request a copy |
Abstract
Kontinuitas pendistribusian tenaga listrik menjadi peranan penting dalam mendukung aktivitas masyarakat. Transformator sebagai salah satu peralatan utama membutuhkan pemeliharaan dan monitoring dalam menjaga kualitas keandalannya. Ekosistem Advanced Metering Infrastructure (AMI) sebagai bagian dari sistem smart grid dapat berperan sebagai metering pada gardu distribusi. Data-data metering berbasis waktu yang dapat dilakukan analisa meliputi tegangan, arus, faktor daya, distorsi harmonik, dan frekuensi yang terhubung ke transformator distribusi. Penelitian yang dilakukan merupakan pemanfaatan dan optimalisasi data-data AMI yang sudah didapatkan menggunakan metode machine learning untuk dapat merepresentasikan kesehatan transformator distribusi yang dimodelkan dengan Health Index (HI) secara cepat dan tepat tanpa melakukan pengukuran di lapangan. Metode machine learning yang digunakan ditujukan untuk memprediksi pola beban mendatang dan melakukan pengklasifikasian kondisi operasional transformator berdasarkan parameter-parameter yang didapatkan pada data AMI tersebut. Health Index (HI) yang dianalisis merupakan skor dari parameter-parameter tersebut dan diklasifikasikan dalam kondisi sehat, waspada, atau kritis. Metodologi penggunaan machine learning dengan memanfaatkan data AMI yang telah ada dapat mendukung strategi pemeliharaan Condition Based Maintenance (CBM) yang meningkatkan keandalan aset transformator, memitigasi adanya anomali, serta meningkatkan kinerja sistem distribusi listrik minim pemadaman.
===============================================================================================================================================
Continuity of electric power distribution plays an important role in supporting public activities and maintaining the reliability of the distribution system. Distribution transformers, as key components in power distribution networks, require continuous monitoring and maintenance to ensure reliable operation. The Advanced Metering Infrastructure (AMI) ecosystem, as part of the smart grid system, can function as a metering platform at distribution substations by providing time-series data related to transformer operating conditions. These data include voltage, current, power factor, harmonic distortion, and frequency. This study utilizes and optimizes AMI data through machine learning methods to represent the operational health condition of distribution transformers using a Health Index (HI) model. The proposed approach is designed to predict future load patterns and classify transformer operating conditions based on parameters obtained from AMI measurements. The Health Index is calculated from these parameters and classified into three condition categories: good, alert, and critical. The implementation of machine learning using existing AMI data is expected to support Condition-Based Maintenance (CBM) strategies by enabling faster and more data-driven transformer condition assessment. This approach can assist asset management decisions, support anomaly mitigation, improve maintenance prioritization, and enhance the reliability performance of the electric power distribution system while reducing dependence on direct field measurements.
Actions (login required)
 |
View Item |