PROFIL BEBAN PENYULANG PANDU PADA GARDU INDUK TALANG KELAPA 150 kv/20 kv

(1)

Artikel Hasil Penelitian

PROFIL BEBAN PENYULANG PANDU

PADA GARDU INDUK TALANG KELAPA 150 kV/20 kV Erliza Yuniarti1*, Aldo Aji Saputra 2,Amri Malulu 3, Budi Santoso4

1,2,3,4

Universitas Muhammdiyah Palembang, Palembang, Indonesia

. Jl. Jendral Ahmad Yani 13 Ulu Palembang Indonesia

E-mail: erlizay@yahoo.com 1*

Abstrak

Pemenuhan akan kebutuhan atau permintaan energi listrik harus dilakukan, dengan membuat profil beban sistem dapat di desain menjadi supply yang responsif dan sebagaibahan pertimbangan untuk pengambilan keputusan oleh pihak manajemen untuk pemenuhan kebutuhan energi listrik. Tujuan penelitian ini adalah mengetahui profil beban tahunan, profil beban mingguan. faktor beban dan faktor kebutuhan dari transformator daya yang mensupply ke penyulang. Data set yang dipergunakan dari PT. PLN (Tbk), gardu induk Talang Kelapa pada penyulang Pandu. Hasil penelitian didapatkan profile beban untuk bulan Mei-Juni 2019 menunjukkan adanya perubahan yang signifikan, dan asumsi penggunaan energi listrik periode musim kemarau lebih tinggi dari musim penghujan tidak terpenuhi berdasarkan kurva beban tahun 2018-2019. Penggunaan tranformator daya saat ini pada gardu induk Talang Kelapa mampu mensupply beban-beban pada penyulang, dengan faktor beban dan faktor kebutuhan lebih kecil dari ketentuan.

Kata Kunci: : penyulang. profil beban, transformator

PENDAHULUAN

Kebutuhan energi listrik selalu berubah dari waktu ke waktu, seiring dengan meningkatnya pertumbuhan penduduk yang diikuti berkembangnya sektor pembangunan perumahan sektor industri yang akan memerlukan energi listrik. Pengurangan beban listrik dengan pembatasan konsumsi sangat tidak mungkin dilakukan (Panklib et al., 2015). Pemenuhan akan kebutuhan atau permintaan energi listrik harus dilakukan, dengan membuat profil beban sistem dapat di desain menjadi supply yang responsif. Hal ini dapat dilakukan dengan melakukan perencanaan sistem penyaluran, diintegrasikan dengan sumber energi alternatif dalam variabel sistem tenaga lainnya (Mcbee et al., 2019), dan sebagai pertimbangan untuk pengambilan keputusan oleh pihak manajemen untuk pemilihan lokasi pemenuhan kebutuhan energi listrik termasuk sistem tarif listrik (Beigait, 2018);(Y. Wang et al., 2015).

Perencanaan penyaluran beban harus mempertimbangkan besarnya kapasitas pada gardu induk, karena pada dasarnya proses penyaluran tenaga listrik dari sistem transmisi konsumen baik konsumen menegah ataupun konsumen terendah. Sistem dalam tenaga listrik yang mempunyai peran penting karena berhubungan langsung dengan konsumen, terutama tegangan menengah dan tegangan rendah. Selain berfungsi menerima daya listrik dari sumber daya (traformator daya), juga akan mengirimkan serta mendistribusikan daya tersebut ke konsumen melalui penyulang atau feeder. Untuk itu kualitas listrik selayaknya harus sangat diperhatikan. Perhitungan beban pada setiap sektor dilakukan untuk mengetahui solusi apa yang harus di lakukan untuk mendapatkan sistem penyaluran listrik yang baik (Ardianto et al., 2013).

(2)

Copyright © 2020, Universitas Muhammadiyah Metro 56 Setiap beban memiliki karakteristik yang berbeda-beda, karena beban bergantung dengan pola pemakaian konsumen. Faktor penentu yang berpengaruh dalam studi peramalan beban dan klasifikasinya adalah cuaca atau suhu (Phuangpornpitak & Prommee, 2016); (Su et al., 2017); (Gari et al., 2014), ekonomi (Samuel et al., 2017);(Bunnoon et al., 2012);(Panapakidis & Dagoumas, 2016), kegiatan sosial (Miguel et al., 2019); (S. Wang et al., 2014), perencanaan daerah industri (Bunnoon et al., 2012); (Ward et al., 2019) dan demografi (Bobric et al., 2009). Profil beban jangka pendek dapat di klasifikasikan berdasarkan, hari kerja dan libur serta hari besar, mingguan, dan bulan (Miguel et al., 2019). Profile beban dalam penelitian ini menggunakan data beban dari klasifikasi berdasarkan hari dalam satu minggu dan bulanan dam tahun perioda. Kurva beban yang dihasilkan dari pengukuran pada transfor daya di gardu induk dapat menghasilkan data karakteristik beban atau profil beban yang dilayani. Data yang dihasilkan dapat dianalisa dengan baik, dan dari analisa tersebut dapat digunakan untuk menentukan kondisi pembebanan pada saat ini maupun untuk perencanaan pembangunan kedepannya (Sunanda, 2017); (Yuniarti et al., 2019).

Tujuan penelitian ini adalah mengetahui profil atau karakteristik beban tahunan, karakteristik beban mingguan, faktor beban dan faktor beban dari transfor daya yang mensupply ke penyulang. Data set yang dipergunakan dalam satu perode tahun yaitu Nopember 2018-Oktober 2019 dari PT. PLN (Tbk), gardu induk Talang Kelapa pada penyulang Pandu Palembang.

METODE PENELITIAN

Diagram alir penelitian

Diagram alir (Gambar 1) merupakan kerangka kerja proses penelitian. Penelitian dimulai dengan mengumpulkan data set yang diperlukan yang disusun dalam bentuk tabel, melakukan asumsi-asumsi terhadap data yang tidak tercantum keterangan pada data sekunder, melakukan preprocessing dengan mereksi data yang tidak dipergunakan dalam penelitian ini, imputasi data, menyusun interval yang sama, melakukan pengecekan terhadap data outlier. Selanjutnya dataset yang telah tersusun dari data harian dibuatkan dalam bentuk dataset harian, bulanan, dan tahunan untuk dilakukan analisa dan perhitungan faktor-faktor yang mempengaruhi profil beban.

Dataset

Dataset diperoleh dari tabulasi penyulang Pandu diperoleh dari trafo Unindo 60 MVA 150kV/20 kV, dalam bentuk logsheet harian dari data catatan operator sistem gardu induk. Logsheet tranformator dibuah dalam bentuk harian dengan satuan jam. Di dalam satu hari terdiri dari 27 catatan jam dengan adanya pengulangan catatan dalam jam 24.00 dan 00.00 serta catatan interval 30 menit pada jam 18.30 dan 19.30. Logsheet terdiri dari data: arus phasa (A), tegangan (kV), daya aktif (kW), daya semu (kVA), dan suhu transformator disisi transmisi (0C).

(3)

Gambar 1. Diagram Alir Penelitian

Data daya aktif setiap jam merupakan daya konsumsi energi listrik, sebelum membuat profile di penyulang dilakukan preprocessing pada data set dengan mereduksi data arus phasa (A), tegangan (kV), daya semu (kVA), dan suhu transformator (Yuniarti et al., 2019). Interval waktu dari data harian yang tidak sama disesuaikan dalam interval waktu dalam sayuan jam, dengan mereduksi data setip harinya pada jam 24.00, 18.30 dan 19.30. Proses pembuatan data set selanjutnya dilakukan pembersihan data, dengan mengisi data-data yang kosong atau tidak lengkap dengan data yang sama pada dari data 2 minggu sebelumnya atau sesudah data yang kosong (imputation). Data pencilan atau outlier diidentifikasi dan dihilangkan untuk menghindari analisis data menjadi bias atau tidak mencerminkan fenomena yang sebenarnya.

Asumsi musim pada penelitian ini dilakukan untuk tegangan trasnformator dan musim. Tegangan diasumsikan konstan dengan faktor daya 0,8. Asumsi musim untuk musim penghujan dibulan November sampai dengan April tahun berikutnya sedangkan musim penghujan mulai dari Mei sampai dengan Oktober pada tahun yang sama.

HASIL DAN PEMBAHASAN

Karakteristik Beban

Data beban (Gambar 2) dikumpulkan melalui sistem pembacaan di gardu induk bisa melalui sistem manual atau otomatis. Permintaan listrik pada interval 1 jam dikelompokan dalam pola yang sama dan dikembangkan menggunakan data profil beban. Sebagai hasil dari klasifikasi, kurva representatif untuk data yang dihasilkan sama sebagai ketidakseimbangan beban dengan melakukan peyeimbangan agar profil beban selalu berada pada batas-batas yang diperbolehkan (Bobric et al., 2009).

(4)

Gambar 2, menunjukkan karakteristik beban dalam periode 1 tahun. Beban di penyulang Pandu rerata 164 kW tetapi di akhir November 2018 beban bertambah walaupun tidak signifikan. Di bulan Desember 2018 sampai bulan Februari 2019 karena musim penghujan beban mengalami penurunan hingga 100 kW. Sebaliknya pada bulan Maret terjadi lonjakan beban yaitu pada tanggal 4 Maret 2019 beban mengalami penurunan sampai 71 kW yang sebelumnya berada pada kisaran 180 kW hal ini terjadi karena adanya gangguan dan penyulang Pandu harus memikul beban dari penyulang lainnya. Beban di mulai Maret-pertengahan April 2019 cendrung stabil, penurunan beban secara signifikan terjadi diawal sampai dengan minggu ketiga bulan bulan dimana terjadi transisi antara musim penghujan dan kemarau. Beban listrik secara umum diatas rerata mulai minggu ke empat juni sampai dengan akhir oktober 2019.

Gambar 2. Kurva Beban Penyulang Pandu

Beban rerata dalam 1 periode tahunan (November 2018 –Oktober 2019) 165,22 kW, beban maksimum 288 kW dan beban terendah 50 kW. Tranformator saat ini mampu memikul beban konsumen di penyulang pandu walaupun transformator daya ini juga mensupply 5 feeder yang lainnya.

Faktor beban

Faktor beban adalah acuan perbandingan antara beban rata-rata terhadap beban puncak yang didapat dalam periode tertentu. Beban tersebut dinyatakan dalam satuan kW, kVA harus disamakan terlebih dahulu satuannya, dalam periode tertentu biasanya dipakai dalam bentuk harian, bulanan, tahunan. Pada beban puncak sesaat atau beban puncak rata-rata dalam interval tertentu (demand maximum) yang dipakai ialah beban maksimum 15 menit, 30 menit.

Faktor beban dapat diketahui melalui kurva bebannya, sedangkan untuk perkiraan besaran faktor beban di masa yang akan datang dapat dinyatakan dengan data statistik yang ada berdasarkan jenis beban (Gonen, 1985). Faktor beban harian selama satu minggu (Gambar 2) diambil dari data1–7 November 2018, dan faktor beban bulanan selama satu tahun (Gambar 3) dihitung dari perbandingan beban rerata dengan beban puncaknya.

0 100 200 300 400 01 n o ve m be r 2 018 12 no ve m be r 2 018 23 no ve m be r 2 018 03 D e se m be r 201 8 14 D e se m be r 2018 25 D e se m be r 2018 05 Ja nua ri 2019 16 Ja nua ri 2019 27 Ja nua ri 2019 07 F ebr ua ri 201 9 18 F ebr ua ri 201 9 01 Ma re t 2019 12 Ma re t 2019 23 Ma re t 2019 03 A pr il 2019 14 A pr il 2019 25 A pr il 2019 06 M ei 201 9 17 Me i 2019 28 Me i 2019 08 J un i 2 019 19 Jun i 2 019 30 Jun i 2 019 11 Jul i 201 9 22 Jul i 201 9 02 A gust us 2019 13 A gust us 2019 24 A gus tus 201 9 04 S ept e m be r 20 19 15 S ept e m be r 20 19 26 S ept e m be r 20 19 07 O ktob er 2 01 9 18 O ktob er 2 01 9 29 O ktob er 2 01 9 D aya (k W )

(5)

Berdasarkan Gambar 3, faktor beban harian sampling mendapatkan hasil yang berbeda besar, dengan kata lain kebutuhan hampir sama di hari Senin-Rabu dan tertinggi di hari Jum’at-Sabtu dengan range faktor beban 0,03. Faktor beban bulanan terendah terjadi di bulan April dengan penurunan sebesar 0,19 point, dan pada bulan yang lainmya faktor beban dikisaran 0,8-0,9.

Perhitungan faktor beban puncak tahunan dilakukan dengan cara yang sama, sehingga didapatkan faktor beban puncak tahunan 0,71 dan faktor beban saat beban puncak 0,56 dengan nilai asumsi faktor daya (Cos ) kurang dari 1. Faktor beban puncak tahunan dan saat beban puncak dalam batas normal dari traformator sehingga traformator masih layak pakai, sebaliknya bila nilai faktor daya trafo lebih besar dari 1 maka trafo harus di ganti karena melebihi kapasitas trafo (Gonen, 1985).

Gambar 3. Faktor Beban Harian

Gambar 4. Faktor Beban Bulanan

Faktor kebutuhan

Faktor kebutuhan dinyatakan dalam persen (%), dengan melakukan perbandingan beban puncak (Bp) dengan seluruh beban terpasang pada sistem (Bc). Selain beban terpasang faktor

kebutuhan dipengaruhi oleh konsumen. Sifat pemakaian energi listrik berubah sesuai dengan pengguna atau konsumen. Toko-toko, pusat perbelanjaan, kantor-kantor dan industri memiliki faktor kebutuhan tinggi sedangkan gudang dan tempat reakrasi memiliki faktor kebutuhan rendah. 0,2 0,22 0,24 0,26 0,28

Senin Selasa Rabu Kamis Jumat Sabtu Minggu

0,6 0,7 0,8 0,9 Nov-18 Des 2018

Jan-19 Feb-19 Mart 2019 Apr-19 Mei 2019 Juni 2019 Juli 2019 Agust 2019 Sep-19 Okt 2019

(6)

Besarnya faktor kebutuhan hari dari 1–7 November 2018 dapat dilihat pada Gambar 3, dan faktor beban bulanan selama tahun pada Gambar 4. Grafik pada Gambar 3 faktor beban harian Senin-Kamis hampir sama, sedangkan pada hari Jum’at sampai minggu cendrung turun sebagaimana karakteristik beban listrik. Sebaliknya Grafik kebutuhan bulanan cendrung tidak stabil disepanjang tahun, sehingga sulit menentukan faktor kebutuhan bulanan (Gambar 4) berdasarkan musiman, padaabulan Maret memiliki faktor kebutuhan bulanan tertinggi sebesar 0,6 dan yang terendah berada pada bulan Januari sebesar 0,41

Gambar 3. Faktor Kebutuhan harian

Gambar 4. Faktor Kebutuhan Bulanan KESIMPULAN

Berdasarkan hasil dan pembahasan dapat di simpulkan sebagai berikut :

1. Profile beban November 2018 sampai bulan Februari 2019 dimusim penghujan terjadi penurunan beban, dan pada akhir bulan Mei-Juni 2019 menunjukkan adanya perubahan penurunan nilai beban yang signifikan, karena memasuki peralihan musimkemarau dan musim penghujan.

2. Penggunaan tranformator daya 600 MVA 150 kV/12kV pada gardu induk Talang Kelapa mampu mensupply beban-beban pada penyulang, dengam faktor beban dan faktor kebutuhan lebih kecil dari 1 (satu).

,2000 ,3000 ,4000 ,5000

Senin Selasa Rabu Kamis Jumat Sabtu Minggu

0,3 0,4 0,5 0,6 0,7 0,8 Nov-18 Des 2018

Jan-19 Feb-19 Mart 2019 Apr-19 Mei 2019 Juni 2019 Juli 2019 Agust 2019 Sep-19 Okt 2019

(7)

Kami berterima kasih kepada staff dosen Prodi Teknik Elektro Universitas Muhammadiyah Palembang, tim penyusun dataset forecasting 2019-2020 yang telah banyak membantu penelitian dan menulis makalah ini.

DAFTAR PUSTAKA

Ardianto, F., Studi, P., Elektro, T., & Teknik, F. (2013). Studi penentuan penggantian transformator gardu induk dengan memprediksi beban konsumen. Online, 3(2), 518–529.

http://jurnal.um-palembang.ac.id/berkalateknik/article/view/357

Beigait, R. (2018). Electricity price forecasting for Nord Pool data. November. https://doi.org/10.1109/PlatCon.2018.8472762

Bobric, E. C., Cartina, G., & Grigoras, G. (2009). Clustering Techniques in Load Profile Analysis for Distribution Stations. Advance in Electrical and Computer Engineering, 9(1), 84–87.

Bunnoon, P., Chalermyanont, K., & Limsakul, C. (2012). Energy Procedia Mid-Term Load Forecasting : Level Suitably of Wavelet and Neural Network based on Factor Selection. International Conference on Advances

in Energy Engineering, 14, 438–444. https://doi.org/10.1016/j.egypro.2011.12.955

Gari, J., Junior, F., Oozeki, T., Ohtake, H., & Shimose, K. (2014). Forecasting Regional Photovoltaic Power Generation - A Comparison of Strategies to Obtain One-Day-Ahead Data. 2013 ISES Solar World

Congreaa, 57, 1337–1345. https://doi.org/10.1016/j.egypro.2014.10.124

Gonen, T. (1985). Electric Power Distrbution System Engineering. Mc. Graw Hill.

Mcbee, K. D., Chong, J., & Rudraraju, P. (2019). Demand Side Management E ff ects on Substation Transformer Capacity Limits. Applied Sciences, 6(3266), 1–19.

Miguel, L., Sans, C., Valero, S., & Senabre, C. (2019). Classification of Special Days in Short-Term Load Forecasting : The Spanish Case Study. Energies, 12(1253), 1–31. https://doi.org/10.3390/en12071253 Panapakidis, I. P., & Dagoumas, A. S. (2016). Day-ahead electricity price forecasting via the application of

artificial neural network based models. APPLIED ENERGY, 172, 132–151. https://doi.org/10.1016/j.apenergy.2016.03.089

Panklib, K., Prakasvudhisarn, C., & Khummongkol, D. (2015). Electricity Consumption Forecasting in Thailand Using an Artificial Neural Network and Multiple Linear Regression. Energy Sources, Part B: Economics,

Planning and Policy, 10(4), 427–434. https://doi.org/10.1080/15567249.2011.559520

Phuangpornpitak, N., & Prommee, W. (2016). A Study of Load Demand Forecasting Models in Electric Power System Operation and Planning. GMSARN International Journal, 10, 19–24.

Samuel, I. A., Adetiba, E., & Odigwe, I. (2017). A Comparative Study of Regression Analysis and Artificial Neural Network Methods for Medium-Term Load Forecasting. Indian Journal of Science Ang Technology,

10(March), 1–7. https://doi.org/10.17485/ijst/2017/v10i10/86243

Su, P., Tian, X., Wang, Y., Deng, S., Zhao, J., An, Q., & Wang, Y. (2017). Recent Trends in Load Forecasting Technology for the Operation Optimization of Distributed. Energies, 10(1303), 1–13.

https://doi.org/10.3390/en10091303

Sunanda, W. (2017). Profil Beban Pada Sistem Kelistrikan Universitas Bangka Belitung. Jurnal ECOTIPE, 4(1), 1– 6. https://doi.org/10.33019/ecotipe.v4i1.11

Wang, S., Lu, Z., Ge, S., & Wang, C. (2014). An Improved Substation Locating and Sizing Method Based on the Weighted Voronoi Diagram and the Transportation Model. Journal of Applied Mathematcs, 2014, 1–9. Wang, Y., Chen, Q., Kang, C., Zhang, M., Wang, K., & Zhao, Y. (2015). Load profiling and its application to

demand response: A review. Tsinghua Science and Technology, 20(2), 117–129.

Ward, R. M., Choudhary, R., Heo, Y., Aston, J. A. D., Choudhary, R., Heo, Y., & Aston, J. A. D. A. (2019). A data-centric bottom-up model for generation of stochastic internal load profiles based on space- use type.

Journal of Building Performance Simulation, 12(5), 620–636.

https://doi.org/10.1080/19401493.2019.1583287

Yuniarti, E., Nurmaini, Suprapto, B. Y., & Naufal Rachmatullah, M. (2019). Short Term Electrical Energy Consumption Forecasting using RNN-LSTM. ICECOS 2019 - 3rd International Conference on Electrical

Engineering and Computer Science, Proceeding, 287–292.