HYBRID CONVOLUTIONAL BACKPROPAGATION NEURAL NETWORK MODEL FOR VERY SHORT-TERM LOAD FORECASTING BASED ON ELECTRICITY COST MINIMATION

Listrik merupakan kebutuhan pokok masyarakat yang sangat penting. Oleh karena itu, kebutuhan listrik di masa mendatang harus disiapkan secara tepat untuk memenuhi kebutuhan listrik. Untuk memprediksi beban listrik, perlunya memprediksi konsumsi daya pelanggan. Peramalan beban jangka sangat pendek adalah peramalan kebutuhan listrik selama beberapa menit sampai beberapa jam. Dapat dilihat bahwa kesalahan peramalan sering terjadi selama peramalan, tetapi setiap keputusan perencanaan belum dibuat dan prakiraan belum dibuat yang akan mempengaruhi langkah-langkah kebijakan di masa depan. Pada penelitian ini melakukan peramalan beban listrik jangka sangat pendek dengan metode yang digunakan yaitu Hybrid Convolutional - Backpropagtion Neural Network (C-BPNN) berdasarkan minimalisasi biaya listrik. Penilitian ini memiliki tujuan untuk dapat mengetahui kebutuhan energi listrik yang digunakan oleh konsumen selama 5 jam kedepan. Kebaruan yang dilakukan dalam penelitian ini yaitu peramalan beban listrik jangka sangat pendek dengan menggunakan metode Hybrid Convolutional - Backpropagtion Neural Network (C-BPNN) dengan penambahan variabel biaya listrik. Hasil dari melakukan peramalan beban listrik konsumen jangka sangat pendek didapatkan nilai MSE dan MAPE sebesar, MSE = 0.000972393 dan MAPE = 0.00082227%. Sehingga dengan menggunakan metode Hybrid Convolutional - Backpropagtion Neural Network (C-BPNN) didapatkan hasil yang maksimal serta peramalan lebih akurat selama 5 jam kedepan kedepan dan hasil peramalan dapat digunakan oleh instansi terkait untuk menyiapkan pasokan listrik yang cukup sehingga terhindar dari gangguan pada jaringan.

Electricity is a very important basic need of society. Therefore, future electricity needs must be prepared appropriately to meet electricity needs. In order to predict the electrical load, it is necessary to predict the customer's power consumption. Very short term load forecasting is forecasting electricity demand for a few minutes to several hours. It can be seen that forecasting errors often occur during forecasting, but any planning decisions have not been made and forecasts have not been made that will affect future policy steps. In this study, forecasting a very short term electrical load with the method used is Hybrid Convolutional - Backpropagation Neural Network (C-BPNN) based on the minimization of electricity costs. This study aims to determine the electrical energy needs used by consumers for the next 5 hours. The novelty of this research is the forecasting of very short-term electrical loads using the Hybrid Convolutional - Backpropagtion Neural Network (C-BPNN) method with the addition of variable electricity costs. The results of forecasting very short-term consumer electricity loads obtained MSE and MAPE values ​​of, MSE = 0.000972393 and MAPE = 0.00082227%. So that by using the Hybrid Convolutional - Backpropagtion Neural Network (C-BPNN) method, maximum results are obtained and more accurate forecasting for the next 5 hours and the forecasting results can be used by relevant agencies to prepare sufficient electricity supply so as to avoid network disturbances.