Deteksi dan Identifikasi Kejadian Variasi Tegangan Berbasis Jaringan Syaraf Tiruan

Share on facebook
Share on google
Share on twitter
Share on linkedin
Ilustrasi Jaringan (Dok. Pribadi Peneliti)

Standar IEEE Std. 1159-2009 memberikan penjelasan rinci untuk setiap jenis variasi gangguan kualitas daya. Gangguan kualitas daya harus diklasifikasikan untuk mempermudah mitigasi masalah kualitas daya. Variasi voltase termasuk dalam gangguan kualitas daya. Variasi tegangan tipikal ditentukan oleh durasi dan besarnya.Variasi RMS durasi pendek memiliki tiga jenis variasi gangguan tegangan yaitu intantaneous, momentary dan temporary. Variasi gangguan tegangan memiliki dua gangguan tegangan, yaitu tegangan sag dan tegangan swell. Variasi tegangan durasi pendek disebabkan oleh kesalahan seperti energi beban besar, gangguan hubung singkat dan kabel sambungan gap. Energi beban besar disebabkan oleh start motor besar. Voltage sag merupakan gangguan tegangan ketika nilai tegangan sag menurun antara 0.9 pu sampai 0.1 pu dengan durasi 0.5 cycle sampai dengan 1 menit. Pembengkakan tegangan adalah gangguan tegangan ketika nilai tegangan naik di atas 1.1 pu dengan durasi siklus 0.5 sampai 1 menit.

Variasi RMS durasi panjang memiliki durasi waktu karakteristik lebih dari 1 menit. Variasi RMS durasi panjang memiliki jenis gangguan tegangan seperti undervoltage dan overvoltage. Ini mungkin disebabkan oleh perubahan beban dan kesalahan desain sistem kelistrikan. Undervoltage adalah gangguan tegangan ketika nilai tegangan turun antara 0,9 pu sampai 0,8 pu dengan durasi lebih dari 1 menit. Overvoltage adalah gangguan tegangan ketika nilai tegangan meningkat antara 1.1 pu sampai 1.2 pu dalam waktu lebih dari 1 menit.Untuk mengidentifikasi variasi gangguan tegangan Feed Forward Neural Network (FFNN) diperlukan. Dalam proses identifikasi, FFNN membutuhkan data masukan dan keluaran. Data masukan adalah nilai tegangan RMS dan durasi waktu. Di sisi lain, data keluaran adalah jenis variasi gangguan tegangan. Parameter memiliki peran penting FFNN sebagai bobot dan bias. Proses pelatihan FFNN dapat memperoleh bobot baru dan bias baru. Dalam FFNN, proses pelatihan ditentukan oleh tujuan dan iterasi. Selain itu, ditentukan oleh lapisan tersembunyi dan jumlah neuron. Hasil dari proses pelatihan tersebut diimplementasikan pada mikrokontroler untuk mengidentifikasi proses secara real time. Pada algoritma ini, parameter yang digunakan sebagai input ANN adalah besar tegangan dan waktu, sedangkan output adalah jenis gangguan yang dinyatakan dalam suatu nilai.

Pendeteksian kejadian variasi tegangan seperti sag, swell, undervoltage dan overvoltage dengan menggunakan metode Feed Forward Neural Network (FFNN) dapat diimplementasikan dengan baik. Dalam kasus ini, lebih banyak neuron memberikan kinerja yang lebih baik daripada beberapa neuron. Terlihat pada data bahwa struktur pertama ANN dengan 8 neuron pada lapis pertama dan dengan 4 neuron pada lapis kedua memiliki rata-rata total error 2,3749% sedangkan struktur kedua dengan 10 neuron pada lapis pertama dan 4 neuron pada lapis kedua. Neuron pada lapisan kedua memiliki rata-rata error 0.0685%.

Penulis: Aji Akbar Firdaus, S.T., M.T.

Informasi detail dari riset ini dapat dilihat pada tulisan kami di:

https://www.praiseworthyprize.org/jsm/index.php?journal=ireaco&page=article&op=view&path%5B%5D=24165 Top of Form Bottom of Form_Dimas Okky Anggriawan, Rauf Hanrif Mubarok, Eka Prasetyono, Endro Wahjono, M. Iqbal Fitrianto, Aji Akbar Firdaus, Anang Budikarso, Anang Tjahjono: Detection and Identification of Voltage Variation Events Based on Artificial Neural Network.  

Berita Terkait

UNAIR News

UNAIR News

Media komunikasi dan informasi seputar kampus Universitas Airlangga (Unair).

Leave Reply

Close Menu