Forecasting Degradasi Performance Baterai 110VDC Menggunakan Gaussian Process Regression Berdasarkan Uji Discharging dan Charging pada Gardu Induk 150kV Surabaya Selatan 

Forecasting the Degradation Performance of 110VDC Batteries Using Gaussian Process Regression Based on Discharging and Charging Tests at the 150kV South Surabaya Substation

Baterai 110VDC pada Gardu Induk 150kV Surabaya Selatan memiliki kekurangan dalam jumlah unit baterainya, oleh karena itu perlu diberi pengawasan ekstra agar peralatan proteksi dan peralatan control yang menggunakan sumber DC dapat bekerja normal ketika ada pemadaman di sistem rectifier agar tidak terjadi ganggguan yang fatal pada gardu Induk 150kV Surabaya selatan. Tujuan dalam penelitian ini yaitu penggunaan metode forecasting degradasi perfoma baterai menggunakan Matlab dengan fitur  Regression Learner untuk memudahan para operator Gardu Induk 150kV Surabaya Selatan. Dalam penelitian ini melakukan forecasting degradasi performa baterai menggunakan metode regresi proses Gaussian dengan dataset untuk melakukan foreasting yakni data yang telah diobservasi ketika uji discharging dan charging berlangsung dan direkap  dalam bentuk excel. Teknik Analisa data dilakukan dengan membangun model GPR menggunakan software Matlab, lalu membandingkan data hasil forecasting menggunakan model GPR dengan data uji discharging dua tahunan dari PT. PLN (Persero). Hasil diperoleh nilai RMSE sebesar 30.5438 menggunakan data training dan 27.103 menggunakan data testing 2023, untuk validasi performa akurasi menggunakan MAPE diperoleh hasil sebesar 70,8%. Simpulan dari penelitian ini dengan melihat hasil forecasting kapasitas tahun 2023 yang efisiensi baterai diperoleh sebesar 71% sesuai dengan standar dari IEEE bahwa tegangan minimal baterai sebesar 95% dari 110V dan dikatakan masih kondisi layak beroperasi.

The 110VDC battery at the 150kV South Surabaya Substation faces shortages in its quantity, necessitating extra supervision to ensure that protection equipment and control devices reliant on the DC power source operate normally during rectifier system outages, preventing potential severe disruptions to the South Surabaya Substation. The objective of this research is to employ the forecasting method for battery performance degradation using Matlab's Regression Learner feature to facilitate operators at the 150kV South Surabaya Substation. The study conducts forecasting of battery performance degradation using the Gaussian process regression method with a dataset comprising observed data from discharging and charging tests summarized in Excel format. Data analysis entails constructing a GPR model using Matlab software, then comparing the forecasted data using the GPR model with discharging test data from PT. PLN (Persero) over a period of two years. The results show an RMSE value of 30.5438 for training data and 27.103 for testing data in 2023. For accuracy performance validation using MAPE, a result of 70.8% is obtained. The conclusion drawn from this research, based on the forecasted 2023 capacity, indicates a battery efficiency of 71%, aligning with the IEEE standard of a minimum battery voltage of 95% of 110V, thus confirming operable condition.