Listrik memainkan peran penting dalam kehidupan sehari-hari, terutama seiring pertumbuhan populasi dan peningkatan permintaan listrik. Pembangkit listrik modern membutuhkan pasokan listrik yang tidak terputus untuk memenuhi permintaan beban. Untuk meminimalkan kesalahan demi pasokan listrik yang berkelanjutan, sistem ini membutuhkan prediksi yang tepat tentang kebutuhan beban saat ini dan di masa mendatang. Untuk mencapai tujuan ini, para peneliti telah berupaya menciptakan teknik yang efektif yang disebut peramalan beban. Proses ini mencakup prediksi permintaan konsumsi listrik di masa mendatang, dan sangat penting untuk proses pengambilan keputusan yang berkaitan dengan alokasi bahan bakar, manajemen jaringan, komitmen unit, metode pengiriman, dan area operasional lainnya. Peramalan beban listrik semakin penting dalam perencanaan dan pengoperasian jaringan cerdas karena meningkatnya integrasi sumber energi terbarukan (RES) ke dalam komposisi keseluruhan sumber listrik dan evolusi jaringan listrik tradisional menjadi sistem yang lebih cerdas, adaptif, dan interaktif. Keamanan, keandalan, dan pengoperasian yang hemat biaya dari sistem tenaga listrik bergantung pada peramalan beban multi-node yang akurat. Peramalan beban yang akurat sangat penting untuk menjaga keseimbangan antara pasokan dan permintaan daya, karena daya yang dihasilkan dari RES, termasuk penyimpanan energi, beban linier, dan nonlinier, bervariasi dengan variabel cuaca seperti kecepatan angin dan radiasi yang dapat menyebabkan masalah kualitas daya seperti penurunan tegangan. Dengan memanfaatkan peramalan beban, sektor utilitas dapat memperkirakan permintaan beban listrik di masa depan, mengurangi kesenjangan antara sisi permintaan dan pembangkitan, dan mendeteksi lokasi gangguan secara akurat dengan membandingkan konsumsi beban aktual dan perkiraan jangka pendek secara instan.
Isi Tulisan:
Keandalan dan efisiensi operasi sistem tenaga, terutama dalam skenario jaringan cerdas, bergantung pada peramalan permintaan beban yang akurat. Peramalan beban listrik sangat penting untuk desain sistem tenaga, proteksi gangguan, dan diversifikasi karena mengurangi biaya operasional sekaligus meningkatkan keandalan, stabilitas, dan efisiensi sistem secara keseluruhan dari perspektif ekonomi dan teknis. Sebelumnya, analisis peramalan beban seringkali dibatasi oleh rekayasa fitur yang tidak memadai dan penyetelan model yang kurang. Keandalan prediksi berkurang karena ketidakmampuan banyak metode sebelumnya untuk secara akurat mengevaluasi variasi jangka pendek dari waktu ke waktu dan dampak variabel penting. Kendala-kendala ini mendorong kami untuk mengembangkan prosedur peramalan yang lebih andal dan menyeluruh. Penelitian ini mengusulkan kerangka kerja peramalan beban jangka pendek yang ditingkatkan berdasarkan memori jangka pendek panjang (LSTM) yang disetel hiperparameter menggunakan metode pembelajaran mendalam jaringan saraf berulang (RNN), bersama dengan model berbasis jaringan saraf lainnya seperti jaringan saraf buatan, k-nearest neighbors, dan jaringan saraf backpropagation. Teknik optimasi hyperparameter (Keras Tuner, Grid SearchCV, Scikeras + Randomized SearchCV, dll.) digunakan untuk secara sistematis menyetel parameter pelatihan, laju pembelajaran, dan arsitektur jaringan untuk setiap model peramalan guna meningkatkan akurasi model. Untuk memberikan evaluasi kinerja peramalan yang lebih andal dan akurat, penelitian ini menggunakan dataset beban per jam (2003“2014) yang diperkaya dengan variabel historis dan lingkungan. Metrik statistik yang signifikan, seperti mean absolute error (MAE) sebesar 0,0048, root mean squared error (RMSE) sebesar 0,0091, koefisien determinasi R2 sebesar 0,9958, dan mean absolute percentage error (MAPE) sebesar 1,60%, menunjukkan bahwa hyperparameter yang dioptimalkan dengan data per jam berkinerja lebih baik daripada model konvensional dan model deep learning lainnya, dengan efisiensi tertinggi dari semua model yang diuji. Sesuai dengan hasil tersebut, modifikasi parameter LSTM-RNN yang akurat secara signifikan meningkatkan akurasi prediksi.
Berikut ini adalah grafik perbandingan MAPE dengan hyperparameter dan tanpa penyetelan hyperparameter untuk peramalan load forecasting.
Kesimpulan
Penelitian yang diusulkan membandingkan beberapa jaringan saraf, termasuk ANN, KNN, jaringan saraf back propagation, dan RNN untuk peramalan beban listrik jangka panjang dan pendek guna memberikan analisis mendalam tentang model DL yang disetel hyperparameter untuk peramalan jangka panjang dan pendek.
Temuan menunjukkan bahwa LSTM-RNN mengungguli model lain dengan akurasi prediksi tertinggi, dengan MAPE 1,60% dan MAE 0,0048, setelah ditingkatkan menggunakan metode seperti Keras Tuner. Selain itu, ANN menunjukkan kinerja yang sangat baik, mempertahankan tingkat kesalahan yang rendah, MAPE 1,72%, menunjukkan bahwa ia sesuai untuk pola beban yang stabil. Namun, bahkan setelah modifikasi, KNN mempertahankan MAPE akurasi terendah sebesar 3,74%, menunjukkan kesalahannya ketika menangani koneksi waktu yang rumit. Performa model ditingkatkan secara signifikan melalui penyetelan hyperparameter, terutama untuk LSTM-RNN, yang meningkatkan MAPE-nya sebesar 48,4% dan menurunkan MAE-nya sebesar 36,8% dibandingkan dengan baseline-nya. Mengingat bahwa LSTM-RNN adalah pilihan yang paling andal untuk mengidentifikasi ketergantungan jangka panjang dalam data permintaan daya dinamis, hasil kami menyoroti pentingnya pemilihan dan penyesuaian model dalam peramalan beban.
Penggabungan fitur eksternal seperti data cuaca real-time, indikator ekonomi, dan pola pembangkitan energi terbarukan untuk meningkatkan ketahanan peramalan, serta pengembangan model hibrida yang menggabungkan LSTM dengan mekanisme kognitif atau struktur konverter untuk meningkatkan akurasi prediksi selama fluktuasi beban anomali, adalah beberapa jalur menjanjikan yang disarankan untuk memajukan penelitian ini.
Penulis: Lilik Jamilatul Awalin, ST, SPd, MT, PhD.
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
