Publisher

UMBUMB

Journal SINERGISINERGI Abstract

Transformer tenaga adalah mesin listrik yang mengubah daya listrik pada berbagai tingkat tegangan. Gangguan pada transformer menghambat distribusi daya ke konsumen, sehingga perlindungannya sangat penting untuk keandalan sistem daya. Penelitian ini menggunakan teknik ANFIS (Adaptive Neuro-Fuzzy Inference Systems) untuk mensimulasikan kerja relay diferensial pada transformer tenaga. Data masukan diklasifikasikan menjadi tiga skenario gangguan: internal, eksternal 1, dan eksternal 2. Hasil simulasi menunjukkan ANFIS menghasilkan nilai RMSE nol, membuktikan efisiensi metode ini dalam mendeteksi dan meminimalkan gangguan pada transformer.

Conclusion

ANFIS berhasil menilai risiko gangguan short-circuit pada transformer 25 MVA dengan akurasi tinggi.Simulasi menunjukkan relay diferensial bekerja optimal pada pengaturan arus 2,805 A untuk gangguan internal dan 11,22 A untuk eksternal.Fungsi membership Gbell menghasilkan error lebih kecil (8,59×10⁻⁷) dibandingkan triangle (2,06×10⁻⁶) untuk skenario gangguan tiga tahap.Teknik ANFIS terbukti efisien dalam prediksi semua jenis gangguan dengan RMSE nol.

Future Research

Penelitian lanjutan dapat menyelidiki aplikasi ANFIS pada sistem proteksi transformer di lingkungan nyata dengan variasi frekuensi tegangan. Studi perbandingan antara fungsi membership Gbell dengan metode lain seperti Gaussian atau sigmoidal akan meningkatkan akurasi prediksi. Pengembangan model yang menggabungkan ANFIS dengan teknik kecerdasan buatan lain (seperti deep learning) untuk pendeteksian gangguan multi-level juga perlu dieksplorasi.

References

1. Power system fault diagnosis based on power grid. power system fault diagnosis based grid publication... doi.org/10.1049/cp.2012.0140Power system fault diagnosis based on power grid power system fault diagnosis based grid publication doi 10 1049 cp 2012 0140
2. Fault Diagnosis of Power Transformers With Membership Degree | IEEE Journals & Magazine | IEEE Xplore.... doi.org/10.1109/ACCESS.2019.2902299Fault Diagnosis of Power Transformers With Membership Degree IEEE Journals Magazine IEEE Xplore doi 10 1109 ACCESS 2019 2902299
3. The Multi-class SVM Is Applied in Transformer Fault Diagnosis | IEEE Conference Publication | IEEE Xplore.... ieeexplore.ieee.org/document/7429659The Multi class SVM Is Applied in Transformer Fault Diagnosis IEEE Conference Publication IEEE Xplore ieeexplore ieee document 7429659
4. Backpropagation Neural Network Modeling for Fault Location in Transmission Line 150 kV | Azriyenni |... section.iaesonline.com/index.php/IJEEI/article/view/92Backpropagation Neural Network Modeling for Fault Location in Transmission Line 150 kV Azriyenni section iaesonline index php IJEEI article view 92
5. Fault detection in power transformers using random neural networks | Kaur | International Journal of... doi.org/10.11591/ijece.v9i1.pp78-84Fault detection in power transformers using random neural networks Kaur International Journal of doi 10 11591 ijece v9i1 pp78 84

Metadata

File size	251.96 KB
Pages	8
DMCA	Report