Peramalan Beban Puncak Menggunakan Metode Feed Forward Backpropagation Dan Generalized Regression Nueral Network

Abstrack

Hal yang berpengaruh pada perencanaan operasi sistem tenaga listrik ialah prakiraan beban yang terjadi pada sistem tenaga listrik untuk meramalkan beban puncak pada hari esok agar tidak terjadi pemborosan daya pada suatu industry pembangkit listrik. Penelitian ini membahas beban puncak listrik dengan perbandingan metode prakiraan. Metode prakiraan yang digunakan adalah FFBNN fungsi pelatihan yaitu  train CGF, train CGP, train GDM dan GRNN. Prakiraan akan kebutuhan untuk konsumsi energi listrik dilakukan berdasarkan perhitungan beban puncak pada waktu 16.00-23.00 pada tanggal 7-15 Maret 2016. Memanfaatkan temperature sebagai indikator pada prakiraan beban puncak. Hasil prakiraan beban puncak yang mendekati besar nilai beban real dengan hasil yang terbaik saat pukul 18.00-18.59 dimana beban real-nya menunjukkan nilai 52,2MW dengan prakiraan menggunakan metode FFBNN fungsi GDM diperoleh nilai sebesar 49,7MW memiliki selisih 2,5MW atau dengan persentase kesalahan 04,84%. Sedangkan untuk metode GRNN ditunjukkan pukul 16.00-16.59 dimana nilai beban real sebesar 49,3MW dan hasil prakiraan sebesar 47,3MW memiliki selisih 2 MW dengan persentase kesalahan 4,02%.

                 Kata Kunci: Prakiraan beban puncak, Feed Forward Backpropagation, Generalized Regression, Neural Network.

Abstract

The thing that affects the planning of the operation of the electric power system is the prediction of the load that occurs in the electric power system to predict the peak load on the next day so that there is no waste of power in a power generation industry. This study discusses the peak electrical load by comparing the forecast method used is the FFBNN training function, namely the CGF train, CGP train, GDM train and GRNN. The forecast of the need for electrical energy consumption is carried out based on the calculation of the peak load at 16.00-23.00 on march 7-15 2016. Using temperature as an indicator in the peak load forecast. The peak load forecast result are close to the real load value with the best result at 18.00-18.59 where the real load shows a value of 52.2MW with forecasts using the FFBNN method the GDM function obtained a value of 49.7MW having a difference of 2.5MW or a percentage error 04.84%. Meanwhile, the GRNN method is shown at 16.00-16.59 where the real load value is 49.3MW and the forecast result is 47.3MW which has a difference of 2MW with an error percentahe of 4.02%.

                 Keywords: Peak Load Forecasting, Feed Forward Backpropagation, Generalized Regression, NeuralNetwork.