PERAMALAN DAYA LISTRIK JANGKA SANGAT PENDEK PADA PEMBANGKIT PHOTOVOLTAIC (PV) MENGGUNAKAN METODE DEEP LEARNING-LONG SHORT TERM MEMORY (LSTM)

VERY SHORT TERM ELECTRICITY FORECASTING IN PHOTOVOLTAIC (PV) POWER PLANT USING DEEP LEARNING-LONG SHORT TERM MEMORY (LSTM) METHOD

Pembangkit listrik fotovoltaik (PV) menjadi salah satu solusi untuk mengatasi masalah kelangkaan energi dan mengurangi emisi gas rumah kaca. Metode prediksi untuk meramalkan daya output pada pembangkit PV secara akurat telah menjadi alat penting untuk memecahkan perencanaan PV dan masalah pemodelan, yang dapat mengurangi dampak negatif pada seluruh sistem tenaga dan meningkatkan stabilitas sistem. Penelitian ini bertujuan untuk mengetahui hasil peramalan daya listrik jangka sangat pendek pada pembangkit fotovoltaik (PV) dalam 2 jam ke depan. Hasil penelitian ini mendapatkan akurasi peramalan terbaik pada model dengan parameter berupa fungsi aktivasi tanh, optimizer dengan RMSprop, seq_len senilai 14, epoch senilai 150, dan batch size senilai 15 dengan mendapatkan hasil akurasi Mean Squared Error (MSE) sebesar 0,0184. Dapat disimpulkan bahwasannya metode Deep Learning-Long Short Term Memory ini cocok digunakan untuk memprediksi daya listrik pada pembangkit fotovoltaik karena dengan menggunakan metode ini bisa mendapatkan hasil akurasi peramalan yang kecil.

Kata kunci : Peramalan, Daya Listrik, Akurasi, Deep Learning, Long Short Term Memory (LSTM)

Photovoltaic (PV) power generation is one of the solutions to overcome the problem of energy scarcity and reduce greenhouse gas emissions. The prediction method for accurately forecasting the output power of PV plants has become an important tool for solving PV planning and modeling problems, which can reduce the negative impact on the entire power system and improve system stability. The aim of this study to determine the results of forecasting very short term electric power in photovoltaic (PV) generators for the next 2 hours. The results of this study obtained the best forecasting accuracy on the model with parameters such as the tanh activation function optimizer with RMSprop, seq_len valued at 14, epoch valued at 150, and batch size valued at 15 to obtain an accuracy Mean Squared Error (MSE) of 0,0184. It can be concluded that  the Deep Learning-Long Short Term Memory method is suitable for predicting electrical power in photovoltaic generators because using this method results in low forecasting accuracy.

Keyword : forecasting, electrical power, accuracy, Deep Learning, Long Short Term Memory (LSTM)