Prototype Pemantau Energi untuk Internet of
Things dalam Smart Laboratorium di Telkom
University
Brian Pamukti1 and Khairunnissa Alfiyanti2 School of Electrical Engineering, Telkom University
Jl. Telekomunikasi Terusan Buah Batu Bandung 40257 Indonesia (+6222)7564108
1 Pendahuluan
Internet of Things sudah digembar-gemborkan sebagai sebuah hal yang besar, ditunggu untuk direalisasikan. Revolusi dari IoT mendapatkan beberapa peningkatan seperti komunikasi mesin kepada mesin (machine-to-machine) dan meliputi penanaman sensor untuk wireless serta asisten user untuk mengendalikan sesuatu melalui internet dari jarak jauh. IoT sudah berevolusi dari teknologi kon-vergensi nirkabel, microelectronichanical systems (MEMS) dan internet. Dalam beberapa tahun, IoT akan menjadi salah satu solusi masa depan serta dapat mem-bangun pasar ekonomi baru.
Pemantauan energi adalah satu dari palikasi IoT dengan potensial mem-pengaruhi kehidupan sehari-hari. Bagaimana tidak, pengaruh ini terlihat dari smart meter yang menjadi poin utama pengaplikasian IoT. Smart meter digu-nakan untuk memantau total agregat konsumsi energi yang digudigu-nakan. Dengan hadirnya smart meter, user bisa berhitung secara tepat untuk penggunaan kon-sumsi yang hemat dan efisien. Dalam rangka meningkatkan nilai data pemantauan energi, sistem harus dapat memantau dan mengumpulkan data hingga tingkat per-alatan rumah tangga, dan dengan didukung dengan frekuensi sensing yang lebih baik.
Banyak sistem sudah didesain dan dikembangkan untuk pengurangan kon-sumsi energi, terutama pada lingkungan industri maupun rumah seorang user. Sistem manajemen energi dapat dibagi menjadi dua jenis. Pembagian sistem ini berdasarkan sifat intrusif dan non-intrusif. Jenis pertama dengan Intrusif sistem,
1 PENDAHULUAN
dimana sensor ditanam dan diinstal pada setiap perangkat. Perangkat tersebut dibuat bisa berkomunikasi dengan sebuah contol, serta dapat dimonitoring oleh user. Dengan sistem ini, penggunaan IoT menghabiskan dana besar untuk mem-buat banyak sensor yang disimpan pada setiap perangkat. Dengan demikian, hanya perangkat-perangkat besar yang bisa diberikan sistem intrusif ini, didalam kampus contoh penggunaan nya adalah Air Condition (AC), mesin-mesin untuk simulasi industri, kulkas dan lain-lain. Peningkatan perangkat yang belum kom-patibel dengan sistem intrusif, membutuhkan cost yang lebih mahal lagi
Di satu sisi, sistem non-intrusif terdiri hanya dari satu sensor yang dikem-bangkan untuk digunkan pada satu area, beberapa journal membuat sensor ini untuk prototype smart house. Sistem sensor non-intrusif dapat ditempatkan di terminal utama dimana, semua jalur listrik dikombinasikan (Seperti distribusi box MCB pada PLN). Teknik ini mengarah ke tantangan baru yang mengalami dekom-posisi / disaggregating kompleksitas data untuk mengenali daya dan energi yang digunakan oleh masing-masing peralatan. Dengan ini, masing-masing dari kon-sumsi energi alat akan dapat diekstraksi dari data agregat. Dengan menguraikan keluaran, masing-masing komponen peralatan seperti AC, server, PC, perangkat simulasi industri, kendaraan listrik, dan banyak lainnya, sistem non-intrusif da-pat terurai oleh satu daya dan energi yang dikonsumsi menjadi masing-masing potongan. Meskipun sistem pengenalan ini cukup kompleks untuk melaksanakan, sistem non-intrusif terbukti lebih praktis dalam situasi kehidupan nyata di mana penambahan alat baru tidak akan mempengaruhi sistem dan tidak akan memer-lukan konfigurasi baru oleh administrator sistem.
1 PENDAHULUAN
Gambar 1. Intrusive energy monitoring
Gambar 1 menggambarkan contoh pemantauan energi intrusif dimana sen-sor energi yang melekat pada setiap alat di bawah pengamatan.
Gambar 2. Non-Intrusive energy monitoring
Gambar 2 menyajikan contoh setup non-intrusif di mana hanya satu sensor energi terpasang dekat dengan energi meter, dan hanya dapat merasakan kon-sumsi energi total area lab. Menurut [1], ada pengingkatan kebutuhan untuk sistem monitoring energi yang menggunakan non-intrusif dan untuk digunakan autonomous energy saving. Sebuah layanan framework bernama E-SAVE yang bertujuan untuk memantau dan mengatur aktifitas-aktifitas peralatan smart thing sudah dilakukan prototype oleh [2]. E-SAVE adalah layanan framework yang
cer-2 PROTOTIPE PERANGKAT
das dimana dapat mengembangkan pengetahuan tentang relasi peralatan diseki-tarnya, termasuk energi yang dikonsumsi dan jumlah peralatan.
Metode lain yang dikembangkan untuk monitoring energi termasuk sis-tem untuk mengurangi energi konsumsi menggunakan Low Cost Smart Power Outlet (LSPO), dimana diintegrasikan dengan node-node WSN (wireless sensor network) dan server mini. Real time untuk data konsumsi energi dari sistem area rumah diakses melalui beberapa energi/utilitas provider dan sustem dapat men-dukung pengembangan dari smart grid[3] . Berdasarkan hasil simulasi, sistem yang diusulkan dalam sistem monitoring di [4] terus memberikan data dengan real-time serta saran pada tingkat konsumsi, selain itu mendorong user untuk bertindak yang diperlukan seperti mengurangi kerugian keuangan.
Makalah rancangan prototipe ini disusun sebagai berikut. Bagian II menya-jikan informasi yang berkaitan dengan pengembangan perangkat prototipe dan Bagian III berisi metodologi yang digunakan untuk perencanaan percobaan. Bagian IV menyajikan prediksi hasil awal diikuti oleh kesimpulan dan masa depan bekerja di Bagian V.
2 Prototipe Perangkat
Tujuan utama adalah mendesain dan implementasi sebuah sustem dan se-buah prototipe yang mempunyai kapabilitas untuk memperoleh data energi sete-lah beberapa detik penggunaan, dengan demikian terlihat pola konsumsi energi. Nama dari prototipe ini adalah EMAN (Energy Management for Area Network), ditujukan untuk merekam segala aktifitas energi konsumsi dengan sistem intrusif. Untuk mendapatkan implementasi perangkat ini, kami merencanakan penggunaan microcontroller ATMEGA328 untuk interface dengan sebuah sistem ESP8266 WiFi didalam chip module atau biasa disebut System on Chip (SoC), sebuah transformer AC, mirip arus transducers. ESP8266 memungkinkan mikroprosesor untuk terhubung ke Internet dengan sangat mudah melalui koneksi Wi-Fi yang didirikan, berdasarkan kebutuhan interfacing serial.
Arduino Integrated Development Environment (IDE) digunakan dengan memprogram mikrokontroler untuk mendapatkan pengukuran energi menggu-nakan analog ke digital (ADC) untuk antarmuka dengan sensor. Gambar 3 me-nunjukkan diagram blok dari komponen prototipe pemantauan energi. Lima kom-ponen utama yang digunakan yang kekuatan sumber modul, Unit mikrokontroler (MCU), ESP 8266 modul Wi-Fi, modul ADC dan set sensor. ADC yang dibu-tuhkan untuk mengubah sinyal analog yang dikumpulkan oleh sensor transduser dan trafo ke dalam format digital sebelum dapat diproses oleh MCU. Tegangan listrik ditransformasikan ke tingkat tegangan yang aman dekat 3V sebelum
diter-2 PROTOTIPE PERANGKAT
apkan ke salah satu input analog dari prosesor.
Untuk mengintegrasikan kemampuan Wi-Fi ke dalam perangkat, modul ESP8266 dipilih karena popularitas baru-baru ini di riset IOT prototipe dengan biaya murah. Sebuah sumber daya yang dibutuhkan untuk memasok listrik ke semua komponen didasarkan dari kebutuhan daya mereka. Misalnya, ESP8266 hanya dapat didukung oleh maksimal 3.3V. Kami menganggap Wi-Fi sebagai protokol komunikasi pilihan bukan IEEE 802.15.4 / ZigBee karena ketersediaan jaringan Wi-Fi siap dalam mempersiapkan smart campus. Sebuah gateway Wi-Fi tradisional digunakan untuk meneruskan data dari prototipe ke Internet.
Gambar 3. Blok diagram interface untuk prototipe EMAN
Biasanya, node sensor eksklusif mengandalkan baterai, dan konsumsi daya disimpan ke minimal menggunakan teknik hemat energi. Namun, dalam kasus kami, masalah konsumsi daya terkait dapat diabaikan dengan aman karena adanya sumber daya konstan dengan prototipe [1]. Prototipe ini didukung melalui pengo-lahan arus melalui transformator yang terutama digunakan untuk mendapatkan pengukuran tegangan.
Dalam rencana percobaan, kami membandingkan prototipe EMAN den-gan sistem pemantauan energi yang tersedia secara komersial dari Billion. Sistem ini terdiri dari gerbang (SG6200NXL) yang berkomunikasi dengan perangkat sen-sor (SG3015) menggunakan komunikasi berbasis ZigBee. Billion gateway dapat bertindak sebagai klien nirkabel serta titik akses Wi-Fi. Billion gateway menye-diakan platform pengembangan untuk integrasi sistem dan software untuk meng-integrasikan lebih lanjut dalam layanan cloud dan aplikasi. Energi pengukuran sebagaimana dicatat oleh sistem Billion digunakan sebagai patokan.
Perangkat sensor EMAN, dikembangkan untuk berkomunikasi pembacaan sensor dengan menggunakan komunikasi lebih tenang. Namun, tulisan ini hanya mencakup komponen penginderaan prototipe, dan pengukuran komunikasi
disim-3 METODOLOGI
pan untuk pekerjaan di masa depan. Bagian berikutnya membahas metodologi yang digunakan untuk pengukuran prediksi eksperimental.
3 Metodologi
Algoritma untuk pengambilan sampel yang disebutkan dalam [1] menggu-nakan kalibrasi dan koreksi algoritma dengan akurasi sekitar 1% untuk sampai pada prediksi hasil pengukuran. Parameter dalam algoritma yang berubah sesuai dengan komponen pasif perangkat keras yang digunakan dalam prototipe kami, dan fine tuning dilakukan untuk mencocokkan keluaran prototipe EMAN dengan sumbernya. Dalam prakteknya, parameter dapat disesuaikan untuk memperhi-tungkan toleransi manufaktur di komponen seperti transformator dan resistor.
Setelah mendapatkan pengukuran, persamaan (1) digunakan untuk menghi-tung error EMAN serta perangkat Billion sensors.
Error =SumberObserved(Device) (1)
Sebanyak 100 sampel diambil untuk estimasi statistik dari kedua sistem dan dibandingkan dengan nilai aktual pada sumber daya. Percobaan diatur se-hingga pengukuran serentak dari EMAN dan Billion sensors bisa dilakukan. Sum-ber diasumsikan sebagai dasar acuan untuk pengukuran. Frekuensi pengukuran untuk saat ini diplot dalam sumbu y untuk setiap kenaikan 0,005 dalam error. Misalnya, kesalahan dari 0,006 dibulatkan ke 0,005, sedangkan kesalahan dari 0,008 dibulatkan ke 0,01. Untuk voltage error distribution, nilai yang lebih besar (terdekat 0,5) digunakan untuk mebulatkan pengukuran, karena banyak fluktuasi kecil dalam nilai yang terukur, dan nilai relatif besar dari tegangan ( 240 V) dibandingkan dengan nilai saat ini ( 0-4 A).
Satu sampel test prosedur Kolmogorov-Smirnov digunakan untuk mem-bandingkan fungsi distribusi yang diamati secara kumulatif untuk variabel yang diukur dengan distribusi teoritis, distribusi mungkin normal, seragam, Poisson, atau eksponensial.
3 METODOLOGI
Gambar 4. Error distribution untuk pengukuran arus.
3 METODOLOGI
Gambar 6. Error distribution untuk pengukuran power factor
Dua sampel uji Kolmogorov-Smirnov, berdasarkan maximum absolute dif-ference antara fungsi distribusi kumulatif yang diamati untuk kedua sampel, juga digunakan. Ketika perbedaan ini secara signifikan besar, dua distribusi dianggap berbeda [5]
Gambar 7. Histogram untuk current measurement error antara EMAN dan sum-ber. Error EMAN= Sumber EMAN
3 METODOLOGI
Gambar 8. Histogram untuk current measurement error antara BILLION dan sumber. Error Billion = Sumber Billion
Table 1. Statistik Billion dan sumber
ErrorBillion
N 100
Normal Parameter (a,b) Std. DeviasiMean 0.00489-0.0127
Perbedaan ekstrim
Absolut 0.419 Positif 0.217 Negative -0.419 Kolmogorov-Smirnov Z 4.194 Asymp. Sig. (2-tailed) 0
Perangkat yang diberikan memiliki kinerja yang baik jika pengukuran dipro-duksi dekat dengan sumber (baseline) atau dengan kata lain, kesalahan mendekati nol. Variasi pengukuran diamati disebabkan oleh faktor eksternal seperti fluktuasi listrik, variasi suhu, sensor sensitivitas intrinsik serta electromagnetic noise. Salah satu faktor utama yang secara signifikan dapat mengganggu akurasi dari trans-duser saat split-core adalah misalignment dari core, yang dapat memperkenalkan celah udara. Bahkan celah yang sangat kecil dapat menyebabkan output turun sebesar 10% atau lebih dan disertai dengan pergeseran fase yang besar, sehingga sangat penting untuk memastikan bahwa permukaan dari inti yang benar selaras ketika transduser diinstal.
3 METODOLOGI
Table 2. Statistik EMAN dan sumber
ErrorEMAN
N 100
Normal Parameter (a,b) Std. DeviasiMean 0.00355-0.0024
Perbedaan ekstrim
Absolut 0.143 Positif 0.124 Negative -0.143 Kolmogorov-Smirnov Z 1.433 Asymp. Sig. (2-tailed) 0.033
Table 3. Ringkasan statistik dari pengukuran eror pada arus,daya dna tegangan Arus Daya Tegangan
Billion EMAN Billion EMAN Billion EMAN Mean -0.0127 -0.0024 0.0084 0.0024 0.1921 0.1683 Std. Deviasi 0.00489 0.00355 0.00631 0.00429 0.27 0.2089 Variance 0.00002 0.00001 0.00004 0.00002 0.0729 0.0434
4 PREDIKSI HASIL
4 Prediksi Hasil
Pertama, kami mengukur perbedaan arus antara prototipe kami EMAN dan benchmark Billion dan membandingkan pengukurannya dengan sumber. Kami menganggap sumber menjadi dasar acuan selagi menghitung error distribution. Gambar 4 mengilustrasikan prediksi hasil untuk pengukuran saat ini setelah meng-gunakan Persamaan. 1 untuk menghitung kesalahan dalam pengukuran. Bentuk alternatif untuk Gambar. 4 dapat ditemukan dalam gambar 7 dan 8, di mana his-togram yang terdiri dari data individu secara terpisah ditampilkan. Kami men-emukan bahwa kedua produk menghasilkan distribusi yang mirip yaitu skewed distribution sedangkan Billion diamati memiliki significant negative skewed dis-tribution. Derajat dari skew-ness diselidiki dengan menggunakan satu sampel uji Kolmogorov-Smirnov dimana keduanya, Billion dan EMAN tidak memenuhi asumsi normalitas (Asymptotic. Sig. (2-tailed) ¡0,05) (Lihat Tabel 1 dan 2). Na-mun EMAN dilakukan lebih baik daripada Billion berdasarkan ringkasan statis-tik (misalnya mean dan standar deviasi, lihat Tabel 3). Penyelidikan lebih lanjut mengungkapkan bahwa distribusi ditunjukkan oleh pengamatan Billion, saat diuji menggunakan dua sampel uji Kolmogorov Smirnov, yang mirip dengan penga-matan EMAN.
Untuk grafik berikutnya, kami mengukur perbedaan pengukuran tegan-gan antara prototipe dan acuan. Setelah itu, kami membandingkan hasil ini den-gan sumber yang akan menjadi acuan kami dalam pengukuran ini. Dari penga-matan ini, kami dapat melihat bahwa untuk Billion, grafik tetap dekat dengan asal dengan nilai frekuensi dekat 25. Namun, untuk EMAN, puncak lokal tam-bahan diamati. Setelah lebih lanjut dianalisis, ditemukan bahwa asumsi normal-itas terpenuhi oleh kedua distribusi (yaitu Asymptotic. Sig. (2-tailed)¿ 0,05). EMAN melakukan lebih baik daripada Billion berdasarkan ringkasan statistik di mana rata-rata distribusi dan standar deviasi yang mendekati nol (Lihat Tabel 3).Pengamatan terhadap Billion dan EMAN menunjukkan bahwa distribusi yang mirip ketika diuji oleh dua sampel uji Kolmogorov-Smirnov. Gambar 5 menggam-barkan prediksi hasil untuk pengukuran tegangan.
Kami kemudian mengukur perbedaan faktor daya antara acuan dan pro-totipe EMAN kami. Gambar 6 menyajikan prediksi hasil untuk pengukuran fak-tor daya. Seperti sebelumnya, kita mengasumsikan bahwa sumber akan men-jadi acuan kami dalam pengukuran ini.Dari grafik diplot (serta Tabel 3), kami mengamati bahwa EMAN melakukan lebih baik dari Billion. Kedua distribusi memiliki komponen error negatif, dengan kesalahan maksimum 0,02. Nilai-nilai dibulatkan ke terdekat 0,005. Salah satu contoh uji Kolmogorov-Smirnov men-gungkapkan bahwa baik Billion ataupun EMAN lulus uji normalitas dan dua sam-pel uji Kolmogorov-Smirnov menunjukkan distribusi Billion dan EMAN berasal
REFERENCES
dari pengamatan mereka adalah berbeda.
5 Kesimpulan
Berdasarkan prediksi hasil awal, dan kemudahan implementasi, prototipe EMAN diprediksi lebih menjanjikan dari segi biaya serta kinerja.
References
[1] BILLION 3G Wireless-N Smart Energy Gateway,” [Online]. Available: http://www.billion.com/product/zigbee.html. [Accessed 2 July 2015].
[2] OpenEnergyMonitor,” [Online]. Available: http://openenergymonitor.org/emon/. [Accessed 7 July 2015].
[3] M. T. Vo, M. T. Nguyen, T. D. Nguyen, C. T. Le and H. T. Huynh, ”To-wards residential smart grid: a practical design of wireless sensor network and Mini-Web server based low cost home energy monitoring system.,” in IEEE In-ternational Conference on Advanced Technologies for Communications (ATC), 2013.
[4] S. Paramasivam, L. Thillainathan, H. Zeynal and N. Diana, ”Cost- effective and real-time SCADA home energy monitoring system,” in IEEE 8th Inter-national Power Engineering and Optimization Conference, 2014.
[5] L. Sachs, Applied Statistics: A Handbook of Techniques, New York: Springer-Verlag, 1984.
