Publisher

UMBUMB

Journal SINERGISINERGI Abstract

Load shedding berperan penting dalam mencegah terjadinya pemadaman sistem tenaga listrik. Fluktuasi frekuensi dan tegangan dapat menyebabkan sistem tenaga terpecah menjadi sub‑sistem, yang berujung pada pemadaman serta kerusakan parah pada utilitas sistem. Pada beberapa tahun terakhir, jaringan saraf tiruan telah menunjukkan keberhasilan signifikan dalam berbagai aplikasi pemrosesan sinyal dan kontrol. Jaringan saraf tiruan berulang (Recurrent Neural Network) mampu menangani permasalahan yang kompleks dan non‑linier. Makalah ini menyajikan algoritma load shedding menggunakan Elman Recurrent Neural Network (RNN). Elman mengusulkan RNN parsial, di mana koneksi feed‑forward dapat dimodifikasi sementara koneksi berulang tetap. Penelitian ini diimplementasikan dalam MATLAB dan diuji pada sistem 6‑bus. Hasilnya dibandingkan dengan Genetic Algorithm (GA), kombinasi Genetic Algorithm dengan Feed Forward Neural Network (metode hibrida), serta RNN konvensional. Metode yang diusulkan dapat menentukan beban yang harus dikurangi secara tepat dan menunjukkan efisiensi yang lebih tinggi dibandingkan metode lainnya.

Conclusion

Metode RNN yang diusulkan berhasil menurunkan beban secara optimal pada sistem 6‑bus dengan persentase load shedding hanya 1,76%, lebih baik dibandingkan metode hibrida (10,55%) dan GA (11,99%).Selain itu, nilai kesalahan rata‑rata tegangan yang dihasilkan oleh RNN hanya 0,47%, jauh lebih rendah daripada metode hibrida (3,609%) dan GA (1,751%).Dengan demikian, RNN menunjukkan keunggulan dalam meminimalkan deviasi tegangan serta beban yang harus dikurangi.

Future Research

Penelitian selanjutnya dapat menyelidiki penerapan Elman‑RNN pada sistem tenaga listrik berskala lebih besar, seperti jaringan 30‑bus atau lebih, untuk mengevaluasi skalabilitas dan kinerja algoritma dalam kondisi jaringan yang lebih kompleks; selanjutnya, studi dapat mengintegrasikan data real‑time dari sumber energi terbarukan (misalnya tenaga surya dan angin) ke dalam model RNN guna menilai kemampuan adaptif algoritma terhadap fluktuasi produksi energi yang tinggi; terakhirlah, penelitian dapat membandingkan Elman‑RNN dengan arsitektur jaringan saraf tiruan berulang lainnya, seperti Long Short‑Term Memory (LSTM) atau Gated Recurrent Unit (GRU), untuk menentukan pendekatan yang paling efektif dalam mengoptimalkan load shedding dengan memperhatikan kecepatan konvergensi dan akurasi prediksi di berbagai skenario gangguan.

References

1. Parallel‐differential evolution approach for optimal event‐driven load shedding against... ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-gtd.2013.0385ParallelyAAAadifferential evolution approach for optimal eventyAAAadriven load shedding against ietresearch onlinelibrary wiley doi 10 1049 iet gtd 2013 0385
2. TUNING FOR POWER SYSTEM STABILIZER USING DISTRIBUTED TIME-DELAY NEURAL NETWORK | Aribowo | SINERGI. tuning... doi.org/10.22441/sinergi.2018.3.009TUNING FOR POWER SYSTEM STABILIZER USING DISTRIBUTED TIME DELAY NEURAL NETWORK Aribowo SINERGI tuning doi 10 22441 sinergi 2018 3 009
3. ELMAN-RECURRENT NEURAL NETWORK FOR LOAD SHEDDING OPTIMIZATION | Aribowo | SINERGI. elman recurrent neural... publikasi.mercubuana.ac.id/index.php/sinergi/article/view/5974ELMAN RECURRENT NEURAL NETWORK FOR LOAD SHEDDING OPTIMIZATION Aribowo SINERGI elman recurrent neural publikasi mercubuana ac index php sinergi article view 5974
4. Comparative study on the performance of many‐objective and single‐objective optimisation... doi.org/10.1049/iet-gtd.2015.1334Comparative study on the performance of manyyAAAaobjective and singleyAAAaobjective optimisation doi 10 1049 iet gtd 2015 1334

Metadata

File size	322.47 KB
Pages	8
DMCA	Report