desain smart meter untuk memantau dan identifikasi ... · pemakaian energi listrik pada sektor...

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


Gambar 5. Transformator

Gambar 6. Sensor arus

Gambar 7. Arduino unoGambar 8. Catu daya 5 V

12


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


elektronika

Akurasi pelatihan

(%)

Akurasi pengujian

(%)

1 Blender 100 99.98

2 Mixer 99.89 99.88

3 Blender + Mixer 99.96 99.77



Lama Pengujian (detik) 0.023



pengujian sebesar 99.87%.



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


watt99.85 99.92


watt + Lampu 24 watt97.19 97.27



Lama pengujian (detik) 0.025



pengujian sebesar 97.79%.


TAMPILAN GUI SMART METER

Gambar 10. Indikator smart meter


Gambar 11. Pengukuran arus dari smart meter secara real

time


Gambar 12. Sistem informasi beban


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

desain smart meter untuk memantau dan identifikasi ... · pemakaian energi listrik pada sektor...

Documents