PERAMALAN BEBAN PEMBANGKIT DI PLTGU PT. PLN NUSANTARA POWER UP GRESIK BERDASARKAN INDEKS     KEANDALAN LOLP DAN LOLE  DENGAN METODE LONG SHORT TERM MEMORY NEURAL NETWORK

GENERATING LOAD FORECASTING AT PLTGU PT. PLN NUSANTARA POWER UP GRESIK BASED ON LOLP AND LOLE RELIABILITY INDEX WITH LONG SHORT TERM MEMORY NEURAL NETWORK METHOD

Peramalan daya pembangkit merupakan proses memprediksi besaran daya yang akan dihasilkan oleh pembangkit listrik di masa yang akan datang. Tujuan peramalan daya pembangkit pada penelitian ini adalah menghasilkan nilai prediksi yang akurat untuk mengoptimalkan operasi pembangkit listrik termasuk perancanaan produksi, perawatan dan perbaikan, pengaturan pengiriman daya, dan manajemen resiko. Metode yang akan digunakan adalah deep learning long short term memory (LSTM) neural network dengan variabelnya adalah data historis daya, indeks keandalan Loss of Load Probability (LOLP), serta indeks keandalan Loss of Load Expectation (LOLE). Penelitian ini menghasilkan nilai prediksi untuk jangka waktu 6 Jam kedepan dengan nilai akurasi MAE 0,0128 dan MSE 0,0004. Kesimpulan penelitian ini menunjukkan bahwa metode LSTM neural network dengan menggunakan indeks keandalan LOLP dan LOLE merupakan pendekatan yang efektif dalam peramalan beban di UP Gresik. Penelitian ini juga memberikan landasan untuk penelitian lanjutan dalam pengembangan model peramalan beban menggunakan metode Deep Learning lainnya.Implikasi dari penelitian ini adalah bahwa penggunaan metode LSTM neural network dengan menggunakan indeks keandalan LOLP dan LOLE sebagai inputan dapat membantu dalam perencanaan daya pembangkit dengan lebih efisien. 

Generating power forecasting is the process of predicting the amount of power that will be generated by a power plant in the future. The objective of generating power forecasting in this study is to produce accurate predictive values to optimize power plant operations including production planning, maintenance and repair, power delivery arrangements, and risk management. The method to be used is a deep learning long short term memory (LSTM) neural network with the variables being historical power data, Loss of Load Probability (LOLP) reliability index, and Loss of Load Expectation (LOLE) reliability index. This study produces predictive values for the next 6 hours with an accuracy value of MAE 0.0128 and MSE 0.0004. The conclusion of this study shows that the LSTM neural network method using the reliability indices LOLP and LOLE is an effective approach in load forecasting at UP Gresik. This research also provides a basis for further research in the development of load forecasting models using other Deep Learning methods. The implication of this research is that the use of the LSTM neural network method using the reliability indices LOLP and LOLE as inputs can assist in more efficient power planning.