Peramalan Loss Of Life Transformator Berdasarkan Loading dan Temperature Menggunakan Deep Learning-LSTM di Gardu Induk 150 KV Buduran

Forecasting Transformer Loss Of Life Based On Loading And Temperature Using Deep Learning-LSTM at Buduran 150 KV Substation

Transformator merupakan peralatan penting pada Gardu Induk yang mempunyai tugas penting seperti menstransformasikan tegangan, menyesuaikan arus, dan mempertahankan kualitas daya, namun seiring dengan waktu faktor-faktor seperti kenaikan temperatur operasi, kondisi pembebanan dan jadwal pemeliharaan dapat mempengaruhi kinerja transformator dan menyebabkan loss of life transformator. Pada penelitian ini bertujuan untuk membahas tentang metode Deep Learning-(Long Short Term Memory) LSTM untuk peramalan loss of life dengan efektif dan akurat. Metode LSTM yaitu jaringan saraf yang dalam dan informasi yang dikirimkan adalah aliran informasi yang berisi memori historis. Sumber data yang diterapkan penelitian ini dari transformator 6 di Gardu Induk 150 kV Buduran yang meliputi data beban dan temperatur minyak tahun 2021 dan 2022. Pengukuran kinerja LSTM dilakukan melalui Mean Squared Error (MSE) serta Root Mean Squared Error (RMSE). Hasil peramalan menunjukkan bahwa metode LSTM memiliki kinerja yang baik, dengan nilai MSE sebesar 0,0002 dan RMSE sebesar 0,014. Dengan menggunakan metode ini, peramalan loss of life transformator untuk tahun 2023 diperoleh sebesar 17,89% atau setara dengan 0,1789 pu. Hasil studi ini menunjukkan bahwa metode LSTM dapat menghasilkan peramalan yang akurat dalam memprediksi loss of life transformator. Tingkat loss of life transformator tidak selalu konsisten setiap tahunnya, karena dipengaruhi oleh faktor-faktor seperti pembebanan, temperatur minyak, kondisi lingkungan, dan perawatan. Penelitian ini memberikan kontribusi penting dalam bidang perawatan transformator dengan menggunakan metode peramalan yang canggih. Dengan memperoleh perkiraan yang akurat tentang loss of life transformator, operator Gardu Induk 150 kV Buduran dapat merencanakan pemeliharaan secara lebih efisien.

Transformers are important equipment at substations that have important tasks such as transforming voltage, adjusting current, and maintaining power quality, but over time factors such as increases in operating temperature, loading conditions and maintenance schedules can affect transformer performance and cause transformer loss of life. This study aims to discuss the Deep Learning-(Long Short Term Memory) LSTM method for forecasting loss of life effectively and accurately. The LSTM method is a deep neural network and the information sent is a stream of information containing historical memory. The data source used in this research is from transformer 6 at the Buduran 150 kV substation which includes load and oil temperature data for 2021 and 2022. LSTM performance measurement is carried out through Mean Squared Error (MSE) and Root Mean Squared Error (RMSE). Forecasting results show that the LSTM method has good performance, with an MSE value of 0.0002 and an RMSE of 0.014. By using this method, the transformer loss of life forecast for 2023 is obtained at 17.89% or the equivalent of 0.1789 pu. The results of this study indicate that the LSTM method can produce forecasts that are accurate in predicting transformer loss of life. The level of transformer loss of life is not always consistent every year, because it is influenced by factors such as loading, oil temperature, environmental conditions, and maintenance. This research makes an important contribution in the field of transformer maintenance using sophisticated forecasting methods. By obtaining an accurate estimate of the loss of life of the transformer, the Buduran 150 kV substation operator can plan maintenance more efficiently.