desain smart meter untuk memantau dan identifikasi ... · pemakaian energi listrik pada sektor...
TRANSCRIPT
Desain Smart Meter Untuk Memantau Dan Identifikasi
Pemakaian Energi Listrik Pada Sektor Rumah Tangga
Menggunakan Backpropagation Neural Network
Dosen Pembimbing
Prof. Dr. Ir. Adi Soeprijanto, MTProf. Ir. Ontoseno Penangsang, M.Sc, Ph.D
Dipresentasikan Oleh
Koko Hutoro2212201201
PROGRAM MAGISTERBIDANG KEAHLIAN TEKNIK SISTEM TENAGA
JURUSAN TEKNIK ELEKTROFAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI SEPULUH NOPEMBERSURABAYA
2015
CONTENTS
1. Pendahuluan
2. Struktur Identifikasi Beban
3. Backpropagation Neural Network
4. Rancangan Penelitian
5. Hasil Eksperimen & Simulasi
6. Penutup
LATAR BELAKANG
Teknologi
Kebutuhan energi global akan
meningkat dua kali lipat pada
akhir tahun 2030.
Perekonomian, perubahan iklim
dan krisis energi pada suatu
negara secara langsung
dipengaruhi oleh pertumbuhan
konsumsi energi.
Solusi
Mekanisme umpan balik
langsung User/Konsumen
Menggunakan banyak perangkat instrumentasi
Menggunakan transformasi fourier
Multilayer perceptron, RBF, & SVM
Konsep & tujuan NILM
Identifikasi
Beban
LATAR BELAKANG
PERUMUSAN MASALAH
Gambar 1. Petugas Cater
Gambar 2. kWH meter analog & digital
PERUMUSAN MASALAH
PERUMUSAN MASALAH
Gambar 3. Struk pembayaran tagihan listrik
PERUMUSAN MASALAH
0
2
4
6
8
10
12
Awal Tahun 2014
Juli September Nopember
KenaikanTDL Tahun 2014 (%)
Sumber : www.pln.co.id
Smart
Meter
1
2 3
Implementasi
Pada sektor konsumen
rumah tangga.
Peralatan Elektronika
Setrika,
kompor listrik,
pemanas air
minum
(dispenser),
blender, mixer,
dan lampu
penerangan.
Sensor
Sensor arus
ACS712.
BATASAN MASALAH
1
2
Creativity
Mengidentifikasi peralatan-peralatan elektronika dengan
menggunakan parameter arus dan metode
backpropagation neural network secara real time.
Mendesain smart meter menggunakan perangkat lunak
labview.
TUJUAN PENELITIAN
Title in
hereSmart
Meter
Title in
hereIdentifikasi
Title in
hereBPNN
Smart
Meter
1. Perkembangan sistem NILM pada sektor
rumah tangga, khusus pada
permasalahan yang berkaitan dengan
memantau dan identifikasi pemakaian
energi listrik secara real time.
2. Memberikan umpan balik terhadap
konsumen agar mampu mengelola energi
listrik secara efisien sehingga dapat
menjadi sebuah sistem manajemen
energi yang handal.
3. Menjadi referensi untuk pengembangan
kWH meter analog maupun kWH meter
digital.
4. Menerapkan metode backpropagation
neural network sebagai metode
identifikasi beban secara real time.
KONTRIBUSI PENELITIAN
STRUKTUR IDENTIFIKASI BEBAN
Sistem
kelistrikan
rumah
Akuisisi
data
Modul
deteksi
Identifikasi
beban
Manajemen
energi
Database
beban
Tegangan
Arus
1. Mengukur arus pada masing-
masing beban tunggal secara
terpisah.
2. Mengukur arus semua beban pada
satu titik sumber listrik.
Menurut Yi Du dkk, 2012 :
Gambar 3. Struktur identifikasi beban
Evaluasi tingkat pemborosan
energi listrik
2
3
4
5
1
Berdasarkan
daya aktif &
daya reaktif
Berdasarkan
arus puncak,
arus rata-rata,
arus root
mean square
& trakjektori
VI.
Berdasarkan
eigenvalue &
singular value
decomposition
Berdasarkan
harmonik
Berdasarkan
admitansi
Parameter
PARAMETER IDENTIFIKASI BEBAN
Menurut Jian Liang dkk, 2010
N1
Arus
Status Setrika
Status Dispenser
Status
Kompor Listrik
N5
Lapis Tersembunyi Lapis KeluaranLapis Masukan
B1 B2
Gambar 4. Arsitektur BPNN
BACKPROPAGATION NEURAL NETWORK
Metode pelatihan BPNN menggunakan metode Lavenberg-Marquardt
RANCANGAN PENELITIAN
Arduino
Uno
Penkondisian
Sinyal
Sensor
Arus
Catu
Daya
5 V
Sumber Listrik
Transformator Step
Up & Step Down
Dispenser
350 W
Setrika
320 WKompor
Listrik
400 W
Mixer
200 W
Blender
200 W
Lampu
Philips
8 W, 14
W, 24 W
1 2 3
Laptop
RANCANGAN PENELITIAN
Gambar 5. Transformator
Gambar 6. Sensor arus
Gambar 7. Arduino unoGambar 8. Catu daya 5 V
12
RANCANGAN PENELITIAN
Gambar 9. Proses pengujian
LANGKAH PENGERJAAN
Menintegrasikan sensor
arus, arduino & peralatan
elektronika pada IDE
arduino
Menintegrasikan arduino
dengan perangkat lunak
labview/matlab
Simulasi penkondisian
sinyal arus listrik
Memperoleh sampel data
arus rms pada level
tegangan yang bervariasi
dengan menggunakan
transformator step up &
step down
Mengolah sampel data arus
rms sebagai data pelatihan
dan pengujian BPNN
Melakukan pelatihan &
pengujian pada BPNN di
matlab
Membuat graphical user
interface (GUI) smart meter
di labview
Mengunggah bobot & bias
untuk FNN pada smart
meter di labview
Pengujian fitur-fitur smart
meter
NoKombinasi peralatan
elektronika
Akurasi pelatihan
(%)
Akurasi pengujian
(%)
1 Setrika 99.33 99.48
2 Dispenser 100 100
3 Kompor Listrik 100 99.99
4 Dispenser + Kompor Listrik 99.99 99.85
5 Kompor Listrik + Setrika 97.13 99.95
6 Setrika + Dispenser 97.46 99.99
7Setrika + Dispenser + Kompor
Listrik100 100
Jumlah sampel (data) 77
Lama pelatihan (detik) 13.02
Lama pengujian (detik) 0.029
Jumlah epoh (iterasi) 256
Diperoleh akurasi rata-rata pelatihan sebesar 99.13% dan akurasi rata-rata
pengujian sebesar 99.89%
HASIL EKSPERIMEN & SIMULASI
NoKombinasi peralatan
elektronika
Akurasi pelatihan
(%)
Akurasi pengujian
(%)
1 Blender 100 99.98
2 Mixer 99.89 99.88
3 Blender + Mixer 99.96 99.77
Jumlah sampel (data) 33
Lama pelatihan (detik) 5.9
Lama Pengujian (detik) 0.023
Jumlah epoh (iterasi) 8
Diperoleh akurasi rata-rata pelatihan sebesar 99.95% dan akurasi rata-rata
pengujian sebesar 99.87%.
HASIL EKSPERIMEN & SIMULASI
NoKombinasi peralatan
elektronika
Akurasi pelatihan
(%)
Akurasi pengujian
(%)
1 Lampu 8 watt 99.82 99.8
2 Lampu 14 watt 100 100
3 Lampu 24 watt 98.61 96.31
4Lampu 8 watt + Lampu 14
watt97.92 92.62
5Lampu 14 watt + Lampu
24 watt98.54 98.63
6Lampu 8 watt + Lampu 24
watt99.85 99.92
7Lampu 8 watt + Lampu 14
watt + Lampu 24 watt97.19 97.27
Jumlah sampel (data) 77
Lama pelatihan (detik) 22.6
Lama pengujian (detik) 0.025
Jumlah epoh (iterasi) 229
Diperoleh akurasi rata-rata pelatihan sebesar 98.84% dan akurasi rata-rata
pengujian sebesar 97.79%.
HASIL EKSPERIMEN & SIMULASI
TAMPILAN GUI SMART METER
Gambar 10. Indikator smart meter
TAMPILAN GUI SMART METER
Gambar 11. Pengukuran arus dari smart meter secara real
time
TAMPILAN GUI SMART METER
Gambar 12. Sistem informasi beban
TAMPILAN GUI SMART METER
Gambar 13. Pengukuran penggunaan energi listrik dan
billing secara aktual
Kesimpulan
Dari hasil eksperimen dan simulasi diperoleh kesimpulan bahwa :
1. Penelitian ini menerapkan metode backpropagation neural network dengan
metode pelatihan Lavenberg-Marquardt untuk identifikasi beban secara real time.
Dari hasil eksperimen menyatakan bahwa metode yang diusulkan memiliki waktu
komputasi pelatihan dan pengujian yang cepat apabila dibandingkan dengan
backpropagation neural network dengan metode pelatihan gradient descent.
2. Dari sisi akurasi pelatihan dan pengujian menyatakan bahwa metode yang
diusulkan menunjukkan hasil yang baik dalam mengidentifikasi beban secara
real time yaitu 99.3% untuk akurasi rata-rata pelatihan dan 99.18% untuk
akurasi rata-rata pengujian apabila dibandingkan dengan backpropagation neural
network dengan metode pelatihan gradient descent.
PENUTUP
3. Dengan memanfaatkan data magnitude arus root mean square dari masing-
masing peralatan elektronika sebagai data masukan backpropagation neural
network menunjukkan kehandalan yang baik. Hal ini dapat ditinjau dari
pengujian terhadap variasi tegangan yang berbeda, perubahan konsumsi
daya beban, dan mode operasional beban yang berbeda-beda secara
simultan.
Saran
1. Untuk meningkatkan kinerja komputasi dari backpropagation neural network
dibutuhkan metode optimasi berbasis artificial intelegence yakni
firefly, particle swarm optimization, genetic algorithm dan sebagainya untuk
mencari nilai bobot (w) dan bias (b) yang optimal.
PENUTUP
TERIMA KASIH