Bagaimana Memodelkan Profil Beban Listrik Eropa Menggunakan Jaringan Saraf Tiruan

Bagaimana Memodelkan Profil Beban Listrik Eropa Menggunakan Jaringan Saraf Tiruan

Christian Behn, Lars Nolting, Aaron Praktiknjo

RWTH Aachen University, Institute for Future Energy Consumer Needs and Behaviour (FCN), Mathieustr. 10, 52074, Aachen, Germany

Sorotan

 Menghitung profil beban listrik yang bergantung pada cuaca sintetis dalam resolusi per jam.

 Pengenalan pendekatan baru menggunakan jaringan saraf tiruan.Aplikasi untuk Jerman, Prancis, Spanyol dan Swedia (analisis ex-post)

 Peningkatan akurasi yang substansial dibandingkan dengan pendekatan entso-e yang didasarkan pada regresi linier.

 Potensi untuk meningkatkan akurasi prakiraan beban di masa mendatang.

Sekilas Tentang Artikel Kata Kunci:

 Kecerdasan Buatan Jaringan

 Jaringan Syaraf Tiruan

 Pemodelan Sistem Energi

 Keamanan Pasokan Listrik

 Pembelajaran Mesin (Machine Learning)

Abstrak

Kami menyajikan sebuah metode untuk membuat profil beban listrik tahunan sintetis yang bergantung pada cuaca untuk negara-negara Eropa dengan resolusi per jam menggunakan jaringan syaraf tiruan sebagai dasar yang diperlukan untuk perkiraan jangka panjang. Untuk tujuan ini, kami melatih jaringan saraf tiruan padat yang terhubung penuh dengan 5 lapisan tersembunyi dan 1.024 simpul tersembunyi per lapisan menggunakan data historis untuk Jerman dari tahun 2006 hingga 2015. Parameter input yang digunakan dalam model terdiri dari informasi cuaca, beban puncak tahunan, dan data cuaca. Kami membandingkan hasil kami dengan metode yang ada saat ini untuk menghasilkan profil beban sintetis yang digunakan dalam prakiraan kecukupan jangka menengah yang diterbitkan oleh European Network of Transmission System Operators (entso-e). Untuk tahun validasi 2016, pendekatan kami menunjukkan persentase kesalahan absolut rata-rata sebesar 2,8%, sedangkan metode yang digunakan oleh entso-e menunjukkan kesalahan rata-rata sebesar 4,8%.

Kami kemudian melakukan prakiraan untuk Jerman, Swedia, Spanyol, dan Prancis dengan menggunakan profil beban sintetis untuk skenario tahun 2025 untuk menunjukkan penerapannya di seluruh Eropa. Terakhir, kami menilai variasi parameter yang menunjukkan pengaruh besar suhu luar ruangan dan kecepatan angin terhadap beban listrik. Pendekatan kami dapat membantu meningkatkan akurasi prediksi beban listrik di masa depan karena profil beban listrik merupakan masukan yang diperlukan untuk prakiraan ini.

1. Pendahuluan

Terdapat beberapa aplikasi peramalan beban listrik seperti: penyediaan data yang dibutuhkan untuk perencanaan beban dalam jangka pendek, menengah, hingga panjang yang dibutuhkan oleh penjual dan pembeli di pasar oleh operator jaringan listrik.

Selanjutnya, spekulator, operator pembangkit listrik, dan operator penyimpanan

membutuhkan perkiraan beban listrik yang akurat sebagai dasar penentuan perkiraan harga untuk keputusan investasi. Dengan latar belakang privatisasi dan deregulasi sektor ketenagalistrikan yang sedang berlangsung, ketergantungan dan keakuratan metode peramalan semakin mendapat perhatian. Selain berpotensi meningkatkan kinerja manajemen dalam industri ketenagalistrikan, prakiraan

yang tepat juga dapat mengurangi frekuensi pemadaman listrik. Seperti yang dipublikasikan oleh Bunn dan Farmer, pengurangan kesalahan peramalan sebesar 1%

berarti penghematan biaya operasional sebesar

£10 juta per tahun untuk kasus di Inggris.

Selain itu, prakiraan beban berkualitas tinggi juga diperlukan sebagai dasar yang kuat untuk analisis sistem energi dan rekomendasi kebijakan: selain kompatibilitas dan keberlanjutan lingkungan hidup, efisiensi ekonomi, dan keamanan pasokan merupakan salah satu tujuan utama para pembuat kebijakan di sektor energi. Untuk mengatasi tantangan transisi energi dan peningkatan risiko keamanan pasokan, pembuat kebijakan memerlukan informasi yang dapat diandalkan tentang kemungkinan tindakan dan skenario yang berbeda. Oleh karena itu, penilaian keamanan pasokan listrik menjadi semakin penting untuk memberikan informasi yang diperlukan mengenai kendala lingkungan, sosial, ekonomi, dan teknis yang relevan.

(Nolting dan Praktiknjo). Untuk meningkatkan analisis sistem energi berbasis model yang digunakan untuk pendekatan holistik dan sistematis , diperlukan masukan data berkualitas tinggi.

Dengan latar belakang ini, kami memperkenalkan metodologi yang memungkinkan pembuatan profil beban listrik tahunan sintetis, bergantung pada cuaca, untuk negara-negara Eropa dalam resolusi per jam menggunakan jaringan syaraf tiruan (ANN).

Hingga saat ini, profil beban ini telah dibuat menggunakan fungsi regresi polinomial yang bergantung pada suhu. Profil beban misalnya.

saat ini sedang digunakan oleh Jaringan Operator Sistem Transmisi Listrik Eropa (entso-e) dalam Laporan Kecukupan Jangka Menengah (MAF) tahunan mereka. Laporan- laporan ini memberikan angka-angka penting yang sangat relevan mengenai keamanan pasokan listrik di negara-negara Eropa dan digunakan sebagai dasar perencanaan kapasitas pembangkit listrik. Kami meneliti bagaimana pendekatan saat ini dapat ditingkatkan dengan menggunakan ANN. Oleh karena itu, kami membandingkan profil yang diusulkan dengan pendekatan umum ini dengan menggunakan

tolok ukur tahun 2016. Untuk menguji penerapan dan generalisasi metode ANN, kami menerapkannya di empat negara Eropa yang mencakup zona iklim berbeda: Jerman, Spanyol, Prancis, dan Swedia .

Secara keseluruhan, kontribusi utama kami adalah menyajikan metode baru yang memungkinkan dihasilkannya profil beban yang bergantung pada cuaca untuk berbagai negara Eropa dan dapat meningkatkan keakuratan penilaian keamanan pasokan seperti yang dilakukan oleh entso-e. Profil ini dibuat menggunakan data cuaca dan beban historis. Oleh karena itu, data tersebut berisi informasi tentang hubungan masa lalu antara cuaca dan beban listrik. Untuk menghasilkan prediksi beban masa depan menggunakan profil kami, diperlukan dua langkah lebih lanjut:

(1) peningkatan efisiensi di masa depan dan peningkatan permintaan listrik oleh konsumen konvensional perlu diperhitungkan, dan

(2) munculnya konsumen baru perlu dipertimbangkan. Langkah pertama dapat dilakukan dengan pendekatan kami, karena keseluruhan konsumsi listrik dan beban puncak merupakan parameter masukan yang dapat disesuaikan untuk ANN, sedangkan langkah kedua memerlukan pendekatan pemodelannya sendiri di luar profil beban sintetik (Lindberg dkk.).

Bagian lain dari penelitian ini disusun sebagai berikut: Bagian 2 memberikan latar belakang literatur mengenai prediksi beban listrik dan menyoroti karakteristik paling penting dari ANN. Bagian 3 menjelaskan secara singkat dasar data yang digunakan dalam penelitian ini. Bagian 4 terdiri dari derivasi langkah demi langkah dari ANN yang digunakan dan replikasi metode MAF seperti yang digunakan oleh entso-e. Di bagian 5, kami memvalidasi prediksi ANN dan MAF menggunakan data beban yang ada.

Selanjutnya kami memberikan prediksi beban listrik pada tahun 2025 dan menganalisis pengaruh suhu terhadap prediksi tersebut.

Selain itu, penerapannya untuk negara-negara Eropa lainnya juga ditampilkan. Bagian 6 menyimpulkan penelitian ini dan memberikan

pandangan tentang potensi penelitian di masa depan.

2. Latar Belakang Literatur

Bagian ini merangkum literatur yang ada mengenai prediksi jangka pendek dan jangka panjang pada rangkaian waktu beban listrik. Selain itu, kami menyajikan metode MAF secara rinci sebagai metode benchmark untuk memperoleh profil beban listrik. Kami kemudian memperkenalkan ANN dan menilai penerapannya untuk kasus penggunaan kami.

Pada akhirnya, kami merangkum kesenjangan pencarian yang teridentifikasi.

2.1. Perkiraan Beban Listrik

Prediksi beban listrik dapat dibagi ke dalam waktu yang berbeda-beda. Pembagian yang paling umum menurut Srinivasan et al.

dan diperluas oleh Hong dan Fan membedakan empat interval yang ditunjukkan pada Tabel 1.

Tabel 1. Diskripsi Waktu untuk Prediksi Deret Waktu

Istilah Perkiraan Interval VSTLF Perkiraan

Beban Jangka Sangat Pendek

Kurang dari 30 menit STLF Perkiraan

Beban Jangka Pendek

30 menit hingga 1 hari MTLF Perkiraan

Beban Jangka Menengah

1 hari hingga 1 tahun LTLF Perkiraan

Beban Jangka Panjang

Lebih dari 1 tahun

Tergantung pada jangka waktunya, prakiraan beban listrik memenuhi berbagai fungsi: prakiraan jangka pendek sangat penting bagi pemasok listrik untuk mengoperasikan pembangkit listrik. Prakiraan jangka menengah digunakan untuk perencanaan sumber daya.

Prakiraan jangka panjang digunakan oleh pengambil keputusan dari industri dan pemangku kepentingan lainnya untuk merencanakan dan membangun fasilitas pasokan dan transmisi listrik. Secara khusus, prakiraan jangka panjang digunakan sebagai

parameter masukan untuk analisis sistem energi.

Profil beban yang bergantung pada cuaca dapat berfungsi sebagai dasar prakiraan jangka panjang. Profil tersebut dapat digunakan untuk mentransfer informasi historis tentang pengaruh cuaca pada beban listrik ke struktur permintaan di masa depan.

Agar pembangkit listrik dapat beroperasi secara teratur dan pasokannya seimbang, prakiraan jangka pendek harus mampu memprediksi beban dalam hal besaran dan distribusi geografis. Hobbs dkk. memberikan perkiraan konservatif bahwa pengurangan kesalahan prediksi sebesar 1% dapat menghasilkan penghematan tahunan sebesar

$1,6 juta untuk utilitas 10.000 MW.

2.1.1 Perkiraan Beban Jangka Pendek (STLF)

Terdapat sejumlah besar publikasi tentang STLF (seperti yang ditunjukkan dalam tinjauan literatur komprehensif oleh Alfares dan Nazeeruddin dan baru- baru ini oleh Zor, Timur dan Teke).

Berdasarkan tinjauan tersebut, kami

dapat membedakan sembilan

pendekatan berbeda terhadap STLF sebagai berikut:

 regresi berganda

 exponential smoothing

 least-square yang ditimbang secara berulang

 prediksi beban adaptif

 deret waktu stokastik

 model ARMAX

 fuzzy logic

 jaringan saraf tiruan (ANN)

 sistem pakar

Penerapan ANN dan deret waktu stokastik saat ini mendapat perhatian penelitian paling intensif. Metode analisis stochastic time series meliputi model autoregressive (AR), model moving average (MA) dan kombinasinya menjadi model autoregressive moving average (ARMA). Dalam proses non-stasioner, model rata-rata bergerak terintegrasi autoregresif (ARIMA) juga dapat

digunakan untuk memperkenalkan transformasi integratif. Selanjutnya, model yang dibuat khusus untuk kasus penggunaan tertentu seperti regresi gabungan juga digunakan. Model deret waktu ini biasanya digunakan sebagai acuan pendekatan peramalan lainnya.

Kajian terbaru sebagian besar berkonsentrasi pada tingkat bangunan atau jaringan pintar (smart grid), dengan mempertimbangkan perubahan dari produksi energi yang terpusat ke yang terdesentralisasi. Li dan Cai dkk.

memprediksi beban listrik di sistem jaringan pintar dan gedung masing- masing menggunakan model ANN.

Zheng dkk. menerapkan pendekatan bottom-up berbasis filter Kalman untuk memperkirakan beban rumah tangga.

omu dkk. menggunakan LSTM-ANN untuk memperkirakan konsumsi energi bangunan. Metode ini dapat diterapkan pada peramalan jangka pendek maupun jangka panjang.

2.1.2 Perkiraan Beban Jangka Panjang (LTLF)

Berbeda dengan literatur komprehensif mengenai STLF, publikasi mengenai LTLF agak jarang. Terdapat juga perbedaan besar antara jenis prediksi yang digunakan untuk perkiraan jangka panjang. Di Bianco et al., total konsumsi listrik di tahun-tahun mendatang diprediksi untuk Italia menggunakan regresi dan tingkat pertumbuhan rata-rata 2%. Wang dkk.

juga mempertimbangkan prediksi total beban tahunan. Metode berikut untuk memperkirakan beban total disebutkan:

 jaringan saraf tiruan,

 particle swarm optimization,

 mendukung mesin vektor,

 logika fuzzy

 kombinasi metode tersebut Ali dkk. menggunakan logika fuzzy untuk memprediksi beban rata- rata setiap bulan dalam setahun sebagai fungsi suhu dan kelembaban. Hal ini menghasilkan kesalahan persentase absolut rata-rata (MAPE) sebesar 6,9%

untuk 12 nilai numerik ini. Al-Hamadi dan Soliman memperkirakan beban rata- rata setiap jam dalam sehari sebagai rata-rata mingguan, yaitu beban dalam beberapa jam 1 hingga 24 dalam 52 minggu mencapai MAPE sebesar 3,8%.

Literatur lain membahas prediksi beban puncak pada hari, minggu, atau tahun tertentu. Al Rashidi dan El- Naggar menggunakan particle swarm optimization untuk memprediksi beban puncak bulanan di Mesir (sekali lagi, mencapai MAPE sebesar 3,8%). Untuk prediksi beban puncak bulanan, metode prediksi klasik seperti deret waktu dan regresi juga dapat digunakan. El Desouky dan El Kateb memprediksi beban puncak bulanan di Arab Saudi dengan model ARIMA atau model hybrid ARIMA-ANN dan mencapai MAPE kurang dari 5%. Hyndman dan Fan mengembangkan metodologi untuk memperkirakan kepadatan probabilitas permintaan puncak tahunan dan mingguan di Australia Selatan. Lindberg dkk. meninjau tren perkiraan beban listrik jangka panjang untuk beban puncak tahunan serta resolusi per jam.

Dalvand dkk. menggunakan ANN untuk memprediksi beban puncak tahunan jaringan listrik Iran. Melodi dkk.

memperkirakan beban puncak listrik untuk Nigeria, Pappas dkk. untuk sistem tenaga Hellenic menggunakan model ARMA.

Feinberg dan Genethliou menyebutkan dua metode untuk prediksi beban jangka panjang, metode pengguna akhir dan metode ekonometrik. Metode pertama menggabungkan informasi tentang peralatan rumah tangga yang digunakan, perkembangan teknologi, perilaku pelanggan, dan perubahan populasi. Analisis ini juga memasukkan faktor-faktor ekonomi seperti distribusi pendapatan, pendapatan per kapita, tingkat pengangguran dan harga listrik untuk meningkatkan prediksi perkembangan ketenagalistrikan secara umum. Laporan tahunan MAF yang

diterbitkan oleh Entso-e dapat menjadi contoh penerapan metode ekonometrik untuk memprediksi beban listrik di masa depan. Metode yang disebutkan oleh Feinberg dan Genethliou dapat digunakan untuk memprediksi beban puncak dalam jangka menengah dan panjang, dimana prediksi jangka panjang harus memiliki prakiraan ekonomi atau populasi sebagai masukannya.

Metode pertama untuk prakiraan data beban per jam sepanjang tahun dipresentasikan pada Kompetisi Peramalan Energi Global 2014 dan menyertakan model yang bergantung pada cuaca untuk prediksi beban menggunakan regresi kuantil.

Seperti halnya peramalan beban jangka pendek, studi-studi terbaru berfokus pada prakiraan beban bangunan dan jaringan pintar. Rahman dkk. menggunakan ANN berulang dan Xu et al. menggunakan ANN untuk memprediksi konsumsi listrik bangunan komersial dan perumahan. Selain itu, fokus juga diberikan pada pengembangan yang mengubah komposisi permintaan beban listrik, seperti kendaraan listrik. Zheng dkk.

[38] menyelidiki pengaruh kendaraan listrik (EV) terhadap beban listrik, terutama pada beban puncak. Huber dkk. fokus pada fleksibilitas yang akan diberikan oleh armada kendaraan listrik.

2.2. Metode Perkiraan Kecukupan Jangka Menengah (MAF)

Laporan MAF yang dibuat oleh entso-e merupakan studi tahunan pan-Eropa yang menilai sejauh mana sistem pasokan listrik memenuhi permintaan listrik dalam skenario masa depan. Edisi 2018 secara eksplisit menetapkan rangkaian waktu listrik per jam untuk tahun 2020 dan 2025 untuk tahun cuaca 1982, 1984, dan 2007. Metode yang mendasarinya menjadi tolok ukur prediksi yang dibuat dalam penelitian ini. Pada bagian 4.2, kami mendemonstrasikan reproduksi

metode ini. Prosedurnya dijelaskan sebagai berikut:

a. Penentuan suhu rata-rata harian (Tavg,i) b. Penentuan daya minimum dan maksimum

(yaitu maksimum konsumsi) setiap hari Pmin,i , dan Pmin,i untuk tahun 2015

c. Pembuatan bentuk polinomial kubik yang bergantung pada suhu rata-rata (Pmin/Pmax = f (Tavg)

d. Perhitungan deret waktu per jam pada suhu rata-rata menggunakan profil beban standar e. Penskalaan data cuaca pada tahun cuaca

yang diinginkan

f. Pertimbangan sumber listrik tambahan seperti pompa kalor dan kendaraan listrik

Pencilan terjadi pada hari libur umum dan sekolah dan tidak diperhitungkan dalam pembuatan fungsi polinomial. Profil beban standar yang berbeda dibuat untuk hari kerja, Sabtu, dan Minggu untuk beberapa bagian dalam setahun. Profil beban nominal Pnom

disesuaikan dengan beban pada tahun cuaca tertentu Ptahun menggunakan persamaan (1):

P_nom−P_{nom ,min}

P_{nom. max}−P_{nom , min}= P_year−P_{year , min} P_{year. max}−P_{year ,min}

2.3. Jaringan Saraf tiruan (ANN)

ANN dapat memperkirakan hampir semua relasi fungsional dan terutama digunakan untuk pengenalan pola, klasifikasi, dan prediksi. Saling ketergantungan antara variabel keluaran dan parameter masukan tidak diperkirakan menggunakan koherensi fungsional yang dapat dilacak. Sebaliknya, ANN mewakili kotak hitam. Meningkatnya jumlah data membuat penggunaan ANN dapat dilakukan dalam prakiraan beban listrik jangka pendek dan jangka panjang. Dibandingkan dengan metode lain, ANN lebih kuat dan kurang sensitif terhadap komponen outlier dan chaos. Pada gambar berikut ini, hanya ANN padat yang dipertimbangkan. ANN meniru pemrosesan informasi, misalnya. otak manusia dan terdiri dari node pemrosesan individual, yang disebut neuron, lihat Gambar 1.

Neuron j menerima nilai masukan yang dijumlahkan xi,...xn, dikalikan dengan bobotnya yang sesuai wij. Fungsi aktivasi aj menghitung seberapa kuat neuron menyala dan memberikan nilai keluaran oj. Nilai keluaran

diteruskan sebagai sinyal masukan ke setiap neuron pada lapisan berikutnya. Fungsi aktivasi yang ada terdiri dari:

 Fungsi Sigmoid (0,1)

Gambar 1. Neuron tunggal dengan masukan xi, bobot wi,j, fungsi aktivasi aj dan keluaran oj.

 Rectified Linear Unit (ReLU) [0, ∞),

 Hyperbolic Tangent function (tanh) (−1, 1),

 e-function (0, ∞), and the

 Softmax function (−∞ ∞, ).

Diantaranya, fungsi sigmoid adalah fungsi aktivasi yang paling umum digunakan.

Pengaturan paling sederhana dari ANN adalah apa yang disebut jaringan Backpropagation Feed Forward, juga dikenal sebagai Multi-Layer Perceptron (MLP). Ini terdiri dari setidaknya tiga tingkat, lapisan masukan, sejumlah lapisan tersembunyi, dan lapisan keluaran. Aliran informasi dalam jaringan feed-forward berjalan searah dari input ke output. Level-level individual biasanya terhubung penuh, yaitu setiap neuron pada level n − 1 terhubung ke setiap neuron pada level n. Masing-masing koneksi ini mempunyai bobot wi,j masing-masing. Bobot ini menyimpan pengetahuan jaringan yang terlatih. Arsitektur jaringan tersebut ditentukan oleh jumlah nilai masukan, lapisan tersembunyi, dan neuron per lapisan tersembunyi. Pendekatan yang paling luas saat ini untuk menemukan arsitektur ANN yang sesuai didasarkan pada proses coba-coba yang berulang dan bergantung pada kumpulan data.

Model dengan jumlah node tersembunyi yang sedikit sudah memiliki sifat generalisasi yang baik. Dengan bertambahnya jumlah node, bahaya overfitting pun meningkat. Jika terjadi overfitting, model memprediksi data dengan sangat baik, namun kehilangan kemampuan

generalisasi. Percobaan jaringan dilakukan dengan data percobaan (xi, yi). Bobot disesuaikan menggunakan pembelajaran yang dipantau. Berikut ini disajikan metode untuk membangun jaringan saraf:

a. pemilihan variabel yang relevan, b. pengumpulan data,

c. persiapan data,

d. pembagian menjadi set percobaan, set pengujian dan set validasi, e. penentuan arsitektur jaringan, f. definisi kriteria evaluasi (kerugian

fungsi),

g. penentuan parameter peecobaan dan

h. penerapan.

Kami menerapkan metode ini untuk mengembangkan jaringan saraf pada penelitian ini di bagian 4.1.

2.4. Kesenjangan Penelitian Yang Teridentifikasi

Berdasarkan tinjauan literatur yang kami rangkum di atas, kami menyimpulkan bahwa perlu untuk menggabungkan pengetahuan yang ada tentang peramalan beban menggunakan kecerdasan buatan dengan pendekatan entso-e untuk menghasilkan profil beban listrik yang bergantung pada cuaca: Meskipun sudah terdapat sejumlah literatur yang penting berfokus pada peramalan beban listrik jangka pendek dan jangka panjang (lih. bagian 2.1.1 dan 2.1.2), penilaian keamanan pasokan listrik saat ini dilakukan berdasarkan profil beban yang dihitung menggunakan pendekatan regresi (lih. bagian 2.2). Oleh karena itu, kami mengidentifikasi perlunya mentransfer metode yang menjanjikan dari bidang pembelajaran mesin ke persiapan profil beban untuk penilaian internasional terhadap keamanan pasokan listrik. Sejauh pengetahuan kami, perbandingan langsung antara pendekatan berbasis regresi yang ada dan pendekatan baru berdasarkan kecerdasan buatan belum dilakukan dalam bidang penerapan ini. Untuk memungkinkan perbandingan langsung, kami memilih pendekatan berbasis ANN (lihat bagian 2.3) karena pendekatan ini memungkinkan kami untuk menggambarkan hubungan yang sama antara data masukan dan

keluaran seperti yang dilakukan oleh pendekatan berbasis regresi pada umumnya.

Meskipun ada pendekatan lain yang lebih rumit (misalnya memori jangka pendek, mesin vektor dukungan, atau peningkatan gradien stokastik), kami menggunakan ANN yang lebih sederhana untuk menyelidiki keunggulan pendekatan pembelajaran mesin untuk kasus penggunaan kami. Selain itu, pendekatan ini memungkinkan kami memberikan prakiraan

setiap langkah waktu tanpa

menghubungkannya (seperti halnya prediksi deret waktu). Hal ini menghindari penyebaran kesalahan dan lebih terkait dengan pendekatan regresi yang ada seperti yang digunakan oleh entso-e.

Gambar 2. Tampilan detail beban listrik pada bulan Februari

Selain itu, pendekatan terkini untuk memperkirakan beban puncak di masa depan dan permintaan tambahan melalui teknologi penghubung sektor (seperti kendaraan listrik dan pompa panas) menunjukkan bahwa perkiraan yang didasarkan pada data historis hanya memiliki signifikansi terbatas untuk prediksi jangka panjang di masa depan. Oleh karena itu, penting untuk membedakan antara profil beban yang mencerminkan dampak berjangka dan cuaca dan prakiraan beban aktual yang menggabungkan skenario transformasi sistem energi di masa depan.

Kami memperhitungkan hal ini dalam pendekatan baru yang kami kembangkan dengan menghitung profil beban listrik per jam

yang bergantung pada cuaca, dan bukan prediksi deret waktu.

3. Deskripsi Input Data

Untuk menghasilkan profil beban sintetik, diperlukan data beban masa lalu dan data cuaca. Kami mengambil data beban listrik dari Portal Data dan Statistik Daya dan Platform Transparansi (keduanya oleh entso-e) dan data cuaca dari Analisis Ulang MERRA-2 NASA. Data beban Jerman tahun 2016 ditunjukkan pada Gambar 3, dan tampilan detail selama satu bulan disajikan pada Gambar 2. Data cuaca mencakup seluruh negara Eropa pada periode Januari 1980 hingga Desember 2016. Untuk Jerman, berikut ini data rata-rata populasi tersedia:

a. Kecepatan angin pada ketinggian 10 m dalam ms^-1

b. Temperatur dalam ^oC

c. penyinaran matahari langsung dalam Wm⁻²

d. radiasi matahari menyebar dalam Wm⁻²

Data kecepatan angin hanya ada untuk Jerman dan negara tetangganya kecuali Luksemburg. Ketersediaan data terkait ketenagalistrikan bervariasi dari satu negara ke negara lain. Informasi paling rinci tersedia untuk Jerman. Data yang ditunjukkan pada Tabel 2 tersedia dalam rangkaian waktu 15, 30 dan 60 menit untuk periode waktu yang berbeda.

Beberapa periode hingga satu minggu mungkin hilang. Data untuk Jerman juga tersedia untuk wilayah keempat operator jaringan. Bagi sebagian besar negara lain, data Statistik Daya terkait tersedia mulai tahun 2006. Pengecualian adalah negara-negara Skandinavia (Denmark, Swedia, Norwegia, Finlandia), yang data bebannya tidak tersedia hingga tahun 2010, Inggris Raya (dari tahun 2010) dan Swiss (sejak 2011). Platform Transparansi berisi data beban per jam Jerman mulai 1 Oktober 2012 dan seterusnya. Mulai tahun 2015, data tersedia setiap triwulan.

Tabel 2. Jenis dan Periode Data Yang Tersedia

Tipe Data Tersedia dari

Beban listrik (Statistik

Daya entso-e) January 2006

Beban listrik

(Platform

Transparansi entso-e)

December 2014 Harga listrik (hari ke

depan) January 2006

Kapasitas

pembangkitan tenaga surya

January 2006 Pembangkit listrik

sebenarnya tenaga surya

December 2012 Pemanfaatan

berdasarkan

persentase, tenaga surya

December 2012 Kapasitas

pembangkitan angin August 2009 Pembangkit listrik

tenaga angin

sebenarnya

January 2010 Pemanfaatan

berdasarkan persentase, angin

January 2010 Kapasitas

pembangkitan angin, lepas pantai

August 2009 Pembangkit listrik

tenaga angin

sebenarnya, di lepas pantai

January 2016 Pemanfaatan

berdasarkan

persentase, angin lepas pantai

January 2016 Kapasitas

pembangkitan angin, di darat

January 2006 Pembangkit listrik

tenaga angin

sebenarnya, di darat

January 2016 Pemanfaatan

berdasarkan

persentase, angin di darat

January 2016

4. Metodologi

Setelah menguraikan data yang digunakan dalam penelitian ini, kini kami memperkenalkan metode yang kami kembangkan secara lebih rinci. Kita mulai

dengan prosedur untuk menyiapkan ANN dan kemudian memperkenalkan perkiraan metode MAF sebagai patokan.

4.1. Prosedur untuk membuat jaringan syaraf tiruan (ANN)

Nilai output dari ANN yang dibahas mewakili kebutuhan listrik pada jam tertentu dalam setahun dalam kondisi cuaca tertentu.

Data masukan berupa vektor satu dimensi yang terdiri dari tiga kategori kategori data:

1. data kalender, 2. memuat data, dan 3. data cuaca.

Data kalender secara tepat menggambarkan jam dalam setahun yang akan diprediksi. Hal ini dicerminkan oleh bulan menggunakan parameter yang berkisar antara 1 dan 12; hari dalam sebulan dengan parameter berkisar antara 1 hingga 31; dan jam dalam sehari dengan parameter berbeda mulai dari 0 hingga 23. Selain itu, hari kerja dari Senin hingga Minggu (0 hingga 6) digunakan untuk memanfaatkan periodisitas mingguan. Hari libur nasional diubah menjadi hari Minggu.

Satu-satunya masukan data beban adalah beban puncak tahunan. Untuk set pelatihan, nilai ini dihitung sebagai nilai maksimum dari data Statistik Daya entso-e per jam. Untuk memperhitungkan langkah-langkah efisiensi dan kemungkinan peningkatan permintaan konsumsi konvensional, beban puncak tahunan harus diprediksi secara terpisah, lihat misalnya.

Hyndman dan Shu, Melodi dkk., Pappas dkk.

Untuk data cuaca, faktor yang paling berpengaruh adalah suhu luar ruangan. Namun berdasarkan uji coba pertama, integrasi kecepatan angin, iradiasi langsung dan difusi mempunyai pengaruh positif terhadap akurasi.

Kelembapan dan kekeruhan juga mempunyai pengaruh. Data mengenai kelembapan tidak tersedia, dan tingkat kekeruhan secara implisit dimasukkan melalui rasio pancaran cahaya. Ini menghasilkan parameter input yang ditunjukkan pada Tabel 3.

Untuk menghitung prediksi beban pada setiap langkah waktu, ANN menerima vektor masukan yang berisi 9 nilai ini. Pada langkah prapemrosesan, vektor ini diskalakan ke rentang antara 0 dan 1 menggunakan MinMaxScaler dari pustaka python scikit- learn. Setiap nilai diskalakan secara independen dengan nilai minimum dan

maksimum kolomnya di set pelatihan. Karena vektor masukan tidak berisi prediksi beban langkah waktu lainnya, setiap langkah waktu dapat dihitung secara independen. Ini juga melarang fungsi kesalahan yang mengaitkan prediksi yang berdekatan seperti MASE.

Tabel 3. Parameter input data waktu, beban dan cuaca termasuk rentang nilainya. Urutan yang ditampilkan diimplementasikan di ANN Kategori Parameter Rentang

Nilai

Unit

Waktu Hari Kerja 0-6 (-)

Bulan 1-12 (-)

Hari 1-31 (-)

Jam 0-23 (h)

Beban Beban puncak tahunan

72,974 – 79,884

(MW) Cuaca Temperatur -16,38-

34,3 (^oC) Kecepatan

Angin

0-17,64

(ms^-1) Penyinaran

langsung 0-

845,66 (Wm^-2) Penyinaran

yang menyebar

0-

397,83 (Wm^-2)

Untuk melatih ANN, diperlukan keluaran yang diinginkan untuk masing- masing data masukan, yaitu beban aktual dalam MW, yang tersedia dari tahun 2006 hingga 2016. Untuk membuat arsitektur jaringan, diperlukan tiga kumpulan data yang saling eksklusif: set pelatihan, set pengujian, dan set validasi. Selama pelatihan, jumlah epoch menggambarkan seberapa sering data masukan dijalankan melalui ANN dan bobotnya disesuaikan. Setelah setiap zaman, set pengujian digunakan untuk menentukan kekuatan prediksi ANN, ANN terbaik dalam set pengujian dipilih. Set validasi, dalam hal ini data terbaru dari tahun 2016, digunakan pada ANN yang dihasilkan untuk memeriksa overfitting. Data uji secara acak terdiri dari 10% data latih. Selama pelatihan, bobot diperbarui agar sesuai dengan keluaran yang diprediksi dengan nilai keluaran yang diinginkan. Fungsi kerugian menggambarkan kecocokan prediksi dengan nilai sebenarnya.

Untuk pelatihan, kami menggunakan pengoptimal Adam. Kecepatan pembelajaran

diatur ke nilai default 0,001, peluruhan diatur ke 10^-6.

Untuk memprediksi nilai keluaran yang tepat, arsitektur ANN terbaik, yaitu jumlah lapisan tersembunyi dan node tersembunyi harus ditemukan. Karena tidak ada prosedur umum untuk ini (lih. bagian 2.3), metode brute force diterapkan, dan berbagai pengaturan berbeda dinilai untuk menemukan struktur yang sesuai. Pada pengujian pertama, jumlah lapisan bervariasi dari 1 hingga 10, jumlah node dapat berupa 128, 256, 512, 1.024, dan 2.048. Agar jumlah kombinasi dapat dikelola, setiap lapisan memiliki jumlah node yang sama. Masalahnya sangat besar dalam hal jumlah lapisan dan node. Terdapat beberapa perbedaan, namun perbedaan antar arsitektur lebih kecil dibandingkan variasi umum antar proses. Kisaran kombinasi yang menjanjikan ditunjukkan pada Tabel 4. Perhitungan dijalankan dengan ukuran batch 128 dan 200 epoch.

Seperti yang ditunjukkan pada Gambar 4, optimal lokal terlihat pada 5 lapisan (dengan dropout) dan 6 lapisan (tanpa dropout) dengan masing-masing 768 atau 1.024 node. Haeffele dan Vidal menunjukkan bahwa dalam kondisi tertentu, optimalitas global dalam pelatihan ANN dapat dicapai dengan menggunakan pendekatan penurunan gradien, misalnya untuk ANN dengan hanya satu lapisan tersembunyi.

Diasumsikan bahwa untuk ANN yang cukup besar, nilai maksimum lokalnya cukup mendekati nilai maksimum global. Dengan mempertimbangkan ukuran besar ANN yang digunakan, pendekatan penurunan gradien ini diterapkan. (Lihat Gambar 5).

ANN tanpa dropout lebih kuat dalam hal lapisan dan node tersembunyi dan secara keseluruhan memiliki koefisien determinasi yang lebih tinggi. ANN dengan 1.024 node memiliki maksimum yang kecil pada 6 layer, ANN dengan 768 node menunjukkan hasil yang hampir konstan pada semua layer, sehingga 5 layer dianggap cukup. ANN dengan tingkat dropout tidak sekuat ANN tanpa tingkat dropout. Mereka mempunyai koefisien determinasi yang lebih rendah untuk semua kombinasi yang dipertimbangkan. Untuk 1.024 lapisan dan 5 lapisan, maksimum yang berbeda dapat ditemukan. Untuk ANN dengan 768 node tidak ada batas maksimalnya, karena ANN dengan 4 atau 5 layer menunjukkan hasil

yang sama. Untuk membuat model yang optimal, parameter pembelajaran, yaitu kecepatan pembelajaran dan peluruhan kecepatan pembelajaran, divariasikan untuk 4 kombinasi yang dipilih:

 768 node, 5 lapisan, tidak ada dropout,

 1024 node, 6 lapisan, tidak ada dropout,

 768 node, 4 lapisan, 10% dropout, dan

 1.024 node, 5 lapisan, 10% dropout.

Tabel 4. Kombinasi jumlah lapisan tersembunyi dan node tersembunyi untuk ANN

Parameter Nilai

Lapisan 3, 4, 5, 6, 7

Node 256, 512, 768, 1,024

Dropout 0, 0.1

Jumlah kombinasi 5 x 4 x 2 = 40

Gambar 3. Total beban listrik untuk Jerman pada tahun 2016

Gambar 4. Perbandingan langsung dari kombinasi jaringan saraf terbaik dengan dan tanpa dropout Variasi kecepatan pembelajaran dan

peluruhan ditunjukkan pada Tabel 5. Grafik masing-masing ditunjukkan pada Gambar 6.

Gambar tersebut menunjukkan bahwa kecepatan pembelajaran hanya memiliki pengaruh kecil terhadap R2. Variasi peluruhan hampir tidak menunjukkan pengaruh. Tiga ANN menunjukkan R² maksimum untuk kecepatan pemelajaran (LR) default sebesar 0,001, terlepas dari peluruhannya. Semua

tiga mencapai R² maksimal ketika peluruhan 10^-7 diterapkan. ANN dengan 768 node dan 10% dropout merupakan pengecualian dengan LR 0,005 dan peluruhan 10-5.

Pada semua variasi, hasil learning rate LR = 0,005, 0,001, dan 0,0005 berada dalam kisaran yang sempit dan menunjukkan

kekokohan masalah dalam kaitannya dengan parameter ini.

Tanpa dropout R² maksimum pada kedua ANN adalah sekitar R² = 0.99 2, dengan dropout 10% adalah sekitar R² = 0.98 2 . Secara umum, jaringan dengan dropout tidak terlalu rentan terhadap overfitting selama pelatihan sehingga memiliki kemampuan generalisasi yang lebih baik. Nilai R² maksimum untuk setiap ANN tercantum pada Tabel 6. Selama pelatihan ANN, kerugian ANN diminimalkan. Karena pelatihan dilakukan dengan meminimalkan mean square error (MSE), R² digunakan sebagai skor untuk mengevaluasi ANN, karena MSE yang lebih kecil setara dengan R² yang lebih besar. Untuk setiap latihan yang dijalankan, set pengujian dipilih secara acak dari set pelatihan dan dikeluarkan. Hal ini secara implisit membentuk validasi silang selama pelatihan.

Menguji prediksi arsitektur yang berbeda untuk kelayakan umum dengan beban puncak 60 GW dan 90 GW menunjukkan bahwa ANN dengan dropout dapat melakukan generalisasi dengan lebih baik. Dengan demikian, jaringan yang dipilih untuk analisa lebih lanjut adalah ANN dengan dropout 10%, 5 layer dan 1.024 node. Tak satu pun dari ANN mampu memperkirakan perkembangan kurva untuk beban puncak yang diinginkan, namun ANN dengan dropout setidaknya menunjukkan perkembangan relatif yang wajar. ANN tidak mengembangkan hubungan fungsional yang tepat antara beban puncak dan keluaran di luar rentang pelatihan untuk beban puncak. Oleh karena itu, beban prediksi kemudian diskalakan untuk mengakomodasi beban puncak yang diinginkan sebagaimana yang juga diterapkan saat ini dalam pendekatan ekonometrik.

Kisaran pelatihan untuk beban puncak adalah antara Pmin = 72.9GW dan Pmax = 79.9GW . Tujuannya adalah untuk memetakan kisaran 60 GW hingga 100 GW karena hal ini mewakili kerangka skenario komprehensif untuk beban puncak di masa depan di Jerman.

Data masukan dibatasi pada rentang pelatihan.

Penskalaan berikut dapat dilakukan secara aditif atau perkalian. Dalam kasus aditif berlaku hal berikut:

Pskala,i = Pi + ∆P,

Dimana faktor skala ∆P didefinisikan sebagai:

∆P = beban puncak yang diinginkan - prediksi beban puncak

Dalam kasus multiplikatif, beban ditransformasi oleh:

Pskala,i = Pi.k,

Dimana skala multiplikatif faktor k diperoleh dari:

k=beban puncak yang diinginkan prediksi beban puncak

Dalam tulisan ini, kedua metode tersebut diuji. Akurasi yang dihasilkan ditunjukkan pada bagian 5.2, Tabel 10. Hal ini menunjukkan bahwa penskalaan multiplikatif ternyata lebih akurat. Algoritme yang diperkenalkan di bagian 2.3 menghasilkan ANN yang terdiri dari 5 lapisan, 1.024 node, dan 10% dropout selama pelatihan. Kutipan kode dapat dilihat pada Gambar 17 pada lampiran.

Gambar 5. Koefisien determinasi R² untuk variasi learning rate dan peluruhan yang berbeda

4.2. Perkiraan pendekatan berbasis regresi seperti yang saat ini digunakan dalam laporan Kecukupan Jangka Menengah (MAF) oleh entso-e

Pada paragraf berikut, kami memperkirakan metode MAF untuk memungkinkan perbandingan antara pendekatan ekonometrik yang saat ini digunakan dan pendekatan berbasis ANN yang diusulkan. Dengan model ini, prediksi tahun-tahun sebelumnya dapat dilakukan untuk memvalidasi metode terhadap data beban sebenarnya. Kumpulan data MAF yang diterbitkan untuk tahun 2025 untuk tahun cuaca 1982, 1984 dan 2007 digunakan untuk mengekstrak polinomial kubik yang mendasarinya. Metode ini menimbulkan beberapa kesalahan karena polinomial sudah disesuaikan dengan tahun cuaca, namun mencakup penyesuaian yang dilakukan setelahnya untuk memperhitungkan jumlah EV dan pompa panas yang lebih banyak. Beban harian minimum dan maksimum diplot pada suhu rata-rata harian untuk hari kerja, Sabtu dan Minggu, lihat Gambar 6. Pada hari kerja terjadi penyimpangan malam hari dari Minggu ke Senin yang ditandai dengan tanda ‘+’.

Pencilan adalah hari libur umum dari tahun-tahun cuaca. Karena setiap tahun biasanya dimulai pada hari Senin, maka akan lebih sulit untuk menyesuaikannya dengan hari libur nasional.

Polinomial beban yang bersesuaian memiliki bentuk berikut dengan T sebagai suhu dalam °C dan P sebagai beban listrik dalam MW:

Pmin,bulan8 = 0,942T³ – 1.957T² – 812.652T + 52179.731

Pmin,minggu = 0,661T³ – 6.400T² – 900.312T + 57124.580 Pmin,mingguan = 0,858T³ – 6.523T² – 585.329T + 80722.553 Pmin,sabtu = 1,253T³ – 24.164T² – 460.741T + 52556.504 Pmin,sabtu = 0,623T³ – 5.519T² – 525.152T + 68398.781 Pmin,minggu = 1.314T³ – 31.614T² – 381.427T + 4771.457 Pmin,minggu = 1.377T³ – 1.957T² – 812.652T + 52179.731

Untuk membuat profil beban standar pada suhu rata-rata, diperlukan profil beban harian rata- rata untuk hari kerja, Sabtu, dan Minggu (lihat Gambar 7). Untuk reproduksi dengan metode MAF, ini dilakukan satu kali selama musim panas dan musim dingin. entso-e membagi tahun menjadi sekitar 12 bagian. Mereka diskalakan ke Pprofile min , = 0 dan Pprofile max , = 1. Waktu musim panas tidak mencakup peralihan aktual ke waktu musim panas, karena prediksi MAF tidak memperhitungkan pergeseran waktu apa pun.

Dengan profil beban rata-rata yang ada dan polinomial untuk beban minimum dan maksimum yang bergantung pada suhu, profil beban nominal dihitung sebagai berikut:

Pnorm = (Pnorm.max - Pnorm.min) Pprofil + Pnorm.min

Gambar 6. Ketergantungan beban minimum dan maksimum terhadap suhu rata-rata pada hari kerja, Sabtu dan Minggu.

Tabel 6. Nilai R² maksimum untuk berbagai arsitektur dan variasi kecepatan pembelajaran.

dimana Pnorm menggambarkan profil beban listrik untuk suhu harian rata-rata yang dinormalisasi, profil P menggambarkan profil beban standar per jam dan Pnorm mi, nand Pnorm max, adalah beban harian minimum dan maksimum menggunakan persamaan (6) hingga (12). Kurva beban yang dihasilkan ditunjukkan pada Gambar 8. Prediksi profil beban untuk tahun cuaca tertentu dilakukan dengan menggunakan Persamaan. (1).

Gambar 9 menunjukkan perbedaan skema antara metode MAF dan pendekatan berbasis ANN kami. Metode MAF menggunakan suhu rata-rata pada resolusi harian serta informasi tentang jenis hari sebagai nilai masukan, sedangkan ANN menggunakan suhu, kecepatan angin, radiasi langsung dan difusi dalam resolusi per jam untuk menghitung profil beban pada titik yang tepat pada waktunya.

Gambar 7. Profil beban harian rata-rata Pprofile,i untuk hari kerja, Sabtu, dan Minggu di musim panas dan musim dingin

Gambar 8. Kurva beban tahunan yang dinormalisasi pada suhu harian rata-rata

Gambar 8. Perbedaan skema antara parameter masukan NN– dan MAF serta penghitungan profil beban per jam

Tabel 7. Kesalahan mendetail dalam perbandingan antara replikasi dan data MAF asli untuk cuaca tahun 1984 dan 2007

Tahun Kalkulasi Beban

Total (TWh)

Rata-Rata (MW)

Standar Deviasi (MW)

MAPE (%) R²(-)

2007 MAF, MAF

replikasi, Perbedaaan asli

542.5 61,953 - - -

343.2 62,0062 - - -

-0.62 -71.2 1,485 1.634 0.981

1984 MAF, MAF

replikasi, Perbedaaan

asli

548.6 62,622 - - -

548.6 62,629 - - -

-0.06 -7,3 1,410 1.539 0,983

Gambar 10. Perbedaan perkiraan beban antara MAF atau NN dengan data beban aktual tahun 2016

Tabel 8. Validasi prediksi NN dan MAF terhadap data beban nyata tahun 2016 menggunakan beban total, beban rata-rata, MAE, MAPE, SMAPE, RMSE dan R²

Tabel 9. Analisis perkiraan prakiraan MAF terhadap data beban nyata untuk tahun beban antara tahun 2007 dan 2016

Tahun

Skala Beban Puncak Skala Beban Total

Total Beban (TWh)

MAPE (%) R²

Beban Puncak

(MW)

MAPE (%) R²

2007 15.8 4.914 0.844 -632 4.705 0.865

2012 9.0 5.076 0.878 1,895 5.051 0.880

2013 30.2 7.477 0.746 -1,238 5.651 0.845

2014 13.3 3.894 0.895 -653 3.651 0.914

2015 2.2 3.588 0.907 1,166 3.894 0.902

2016 13.4 3.846 0.905 -385 3.723 0.921

Rata-Rata 14.0 4.800 0.862 995 4.446 0.888

Tabel 10. Estimasi kesalahan kurva beban untuk validasi jaringan tahun 2016 dengan dropout.

Penskalaan aditif dan perkalian dipertimbangkan Ukuran Skala Tipe Skala Beban Puncak

(MW)

Beban Total (TWh)

Rata-rata

Deviasi (MW) MAPE (-)

Tidak ada 2,481 9 1,055 2,75

Beban Puncak Aditif 0 12 1,426 3,64

Multiplikatif 0 7 767 2,82

Beban Total Aditif 1,426 0 0 2,51

Multiplikatif 1,045 0 0 2,43

Tabel 11. Estimasi kesalahan kurva beban untuk data tahun 2015 yang terdapat dalam set pelatihan.

Seperti yang diharapkan, kesalahannya lebih kecil dibandingkan set validasi tahun 2016

Jaringan Skala Rata-Rata Deviasi

(MW) MAPE (-)

1,024 node, 5 lapisan, 10% dropout

- 722 1,97

Beban Puncak (Multiplikatif)

634 1,90

1,024 node, 5 lapisan, tanpa dropout

- 375 1.15

Beban Puncak -243 1.07

(Multiplikatif

. 5. Hasil dan Diskusi

Dalam paragraf berikut, kami memvalidasi dan mendiskusikan metode yang telah kami sajikan. Dengan demikian kami menilai kualitas perkiraan MAF dan membandingkan keakuratannya dengan pendekatan berbasis ANN kami. Kami melakukan ini dengan melakukan back casting untuk tahun 2016, di mana kami memvalidasi metode MAF berbasis ANN dan ekonometrik menggunakan data beban aktual. Kami kemudian menerapkan metode yang telah divalidasi untuk mendapatkan profil beban listrik untuk tahun 2025. Selain itu, ANN yang diterapkan memungkinkan untuk menyelidiki pengaruh variasi parameter (yaitu sensitivitas), yang kami diskusikan menggunakan suhu sebagai contoh. Penerapan metode ini di Eropa ditunjukkan dengan menggunakan tiga negara dengan zona iklim berbeda.

5.1. Perkiraan MAF

Tabel 7 menunjukkan kesalahan antara replikasi dan data MAF asli. Tingkat akurasi yang tinggi dapat disimpulkan dari rata-rata MAPE sebesar 1,6% dan R2 di atas 98%. Baik beban total maupun beban rata-rata sangat terwakili dalam dua tahun cuaca yang dipertimbangkan. Standar deviasi fluktuasi beban rata-rata lebih rendah dari 1.500 MW.

Penyimpangan rata-rata adalah −71 MW (0,1%) pada tahun 2007 dan −7 MW (0,01%) pada tahun 1984. Perkiraan yang baik menegaskan bahwa pilihan hanya dua profil beban harian untuk musim panas dan musim dingin dapat dibenarkan. Metode yang direplikasi mampu mereproduksi kumpulan data MAF asli dan dengan demikian dapat berfungsi sebagai tolok ukur untuk semua analisis lebih lanjut

5.2. Transmisi Kembali dan Validasi Metode MAF diadaptasi untuk memungkinkan perbandingan dengan data riil tahun 2016. Tahun kabisat dan pergeseran waktu diterapkan, dan tahun harus dimulai

dengan hari kerja yang benar, bukan hari Senin. Beban perlu ditingkatkan skalanya sesuai dengan beban puncak untuk menyesuaikan tingkat beban tahun 2016.

Perbedaan PNN real − P dan PMAF rea − P l ditunjukkan pada Gambar 10.

Perkiraan yang baik antara metode MAF dan ANN terhadap data riil dapat diamati sepanjang tahun 2016. Penyimpangan data MAF terjadi antara Natal dan Tahun Baru.

Terdapat penyimpangan yang besar, karena hari-hari tersebut tidak dianggap sebagai hari libur nasional, melainkan sebagai hari kerja biasa. ANN mampu memprediksi periode ini dengan tepat. Titik penyimpangan utama adalah hari libur daerah. Nilai tersebut diprediksi terlalu tinggi dengan metode MAF karena hanya memperhitungkan hari libur nasional. ANN juga menghitungnya sebagai hari kerja biasa atau hari libur nasional, sehingga beban yang dihitung bisa jadi terlalu tinggi atau terlalu rendah.

Tabel 8 menunjukkan total dan rata-rata beban kedua kurva untuk back casting tahun 2016. Deviasi maksimum, MAE, MAPE, kesalahan persentase absolut rata-rata simetris (SMAPE), kesalahan akar rata-rata kuadrat (RMSE) dan R² ditampilkan dalam kaitannya dengan data aktual tahun 2016. Evaluasi MASE tidak dimungkinkan karena prediksi tidak dilakukan secara runtut waktu. Kedua prediksi tersebut berskala pada beban puncak sebesar 79.487 MW.

Untuk beban total dan beban rata-rata, tidak terdapat perbedaan yang signifikan akibat penskalaan data MAF. Keduanya sedikit terlalu tinggi dibandingkan dengan data sebenarnya. ANN menunjukkan akurasi yang lebih tinggi dibandingkan data aktual dengan MAPE sebesar 2,8%, MAF memiliki error sebesar 3,8% untuk tahun 2016. Koefisien determinasi ANN juga jauh lebih tinggi.

Deviasi maksimum data MAF sebesar 20.000 MW terletak pada minggu Natal. Tanpa 2 minggu terakhir tahun ini, MAPE untuk data MAF adalah 3,4% dan R² 93,2%. Dengan

demikian, perkiraan untuk sisa tahun ini membaik namun masih kalah dengan ANN.

Tabel 9 menunjukkan perkiraan MAF terhadap data beban aktual selama beberapa tahun terakhir antara tahun 2007 dan 2016 dengan skala beban puncak dan total. Tahun validasi secara kebetulan menghasilkan kesalahan terendah. Rata-rata, MAPE adalah 4,4% untuk total dan 4,8% untuk penskalaan beban puncak. Terutama ketika melakukan penskalaan ke beban puncak, metode MAF dapat menghasilkan kesalahan yang tinggi di atas 5%. Hal ini terjadi ketika profil beban dasar berbeda secara signifikan dari profil beban tahunan sebenarnya. Perkiraan ini cukup jika beban puncak dan beban total secara kasar sesuai dengan data sebenarnya setelah penskalaan dan beban puncak tahunan berada dalam periode yang sama. Faktor-faktor ini tidak dapat diverifikasi untuk prakiraan tahun 2025. Selain itu, harus dipertimbangkan bahwa kumpulan data MAF sudah diskalakan ke data beban tahun 2025 berdasarkan polinomial

beban. Untuk peramalan, penskalaan yang mungkin menimbulkan distorsi tidak diperlukan.

Tabel 10 menunjukkan kesalahan untuk berbagai jenis penskalaan ANN. Penskalaan total beban menghasilkan kesalahan terendah.

Penskalaan beban puncak diperlukan agar konsisten dengan data masukan. Penskalaan multiplikatif menghasilkan kesalahan terendah.

Perbandingan dengan ANN untuk tahun- tahun selain tahun 2016 tidak bermakna, karena kesalahan pada periode pelatihan jauh lebih kecil dibandingkan dengan set validasi dan berkisar pada MAPE sebesar 1% hingga 2%, lihat Tabel 11. Hasilnya menunjukkan bahwa ANN memperkirakan semua data masa lalu dengan lebih tepat. Oleh karena itu, pendekatan berbasis ANN menghasilkan profil beban sintetis yang lebih cocok sebagai dasar prediksi rangkaian waktu muat di masa depan dibandingkan dengan pendekatan berbasis regresi saat ini.

Gambar 11. Prediksi data beban tahunan tahun 2025 untuk cuaca tahun 1982 dan 2016 menggunakan metode MAF dan neural network dengan skala multiplikatif hingga beban puncak 84 GW Tabel 12. Prediksi jaringan saraf dan kumpulan data MAF tahun 2025 untuk cuaca tahun 1982, 2007, dan 2016 untuk beban puncak, beban total, dan beban rata-rata

Cuaca Tahun Metode Beban Puncak

(MW)

Beban Total (TWh)

Rata-rata Beban (MW)

1982 PANN 84,000 524.7 59,900

PMAF 85,255 548.4 62,601

2007 PANN 84,000 522.2 59,608

PMAF 83,164 542.4 61,913

2016 PANN 84,000 525.1 59,938

PMAF 83,680 545.8 62,306

5.3. Peramalan

Untuk mendemonstrasikan penerapan profil beban sintetik untuk peramalan, Gambar 11 menunjukkan prakiraan beban untuk tahun 2025 berdasarkan cuaca tahun 1982 dan 2016.

Untuk memperhitungkan peningkatan efisiensi dan potensi peningkatan permintaan oleh konsumen konvensional, ANN digunakan secara multiplikatif ditingkatkan menjadi beban puncak sebesar 84 GW sesuai dengan rencana pengembangan jaringan listrik tahun 2025. Tabel 12 menunjukkan nilai pasti untuk beban puncak, beban total, dan beban rata-rata seluruh prakiraan untuk cuaca tahun 1982, 2007, dan 2016. Perhitungan beban puncak beban puncak dari metode MAF bervariasi antara 83 GW dan 85 GW. Total beban yang

dihitung secara signifikan lebih tinggi dibandingkan dengan beban ANN untuk semua tahun cuaca yang dipertimbangkan. Perbedaan ini tidak dapat dijelaskan hanya dengan nilai yang jauh lebih tinggi selama liburan Natal, yang menyebabkan sekitar 10% perbedaan ini.

Sepanjang tahun, metode MAF memberikan nilai beban yang lebih tinggi. Perkiraan total beban pada tahun 2025 adalah 538 TWh dan terletak di antara kedua perkiraan tersebut.

Dengan asumsi bahwa profil beban tidak berubah karena kebiasaan konsumsi yang berbeda, total beban yang diharapkan kemungkinan besar berkisar antara 520 TWh dan 530 TWh. Berdasarkan kesesuaian dengan data masa lalu, perkiraan ANN cenderung lebih akurat.

Pada periode dengan suhu yang sangat rendah, seperti Januari 1982, prediksi metode ini paling berbeda. Polinomial metode MAF hanya didefinisikan hingga –10 °C, dan ANN memiliki sangat sedikit data yang tersedia untuk rentang di bawah –10 °C. entso-e mengasumsikan bahwa antara –5 °C dan 25 °C beban naik seiring turunnya suhu dan tetap konstan di luar batas ini. Namun perkiraan

menunjukkan bahwa pendekatan MAF menghitung peningkatan beban yang signifikan untuk suhu yang sangat rendah.

Prediksi ANN menunjukkan penurunan beban.

Kedua metode tersebut tidak cocok untuk kisaran nilai di bawah –10 °C, plot bawah pada Gambar 11 menunjukkan perbedaan antara perkiraan ANN dan MAF PANN MA − P F untuk tahun 1982.

Gambar 12. Pengaruh variasi suhu ±5 °C terhadap beban pada cuaca tahun 2016

Gambar 13. Pengaruh variasi suhu 5°C terhadap prediksi beban MAF cuaca tahun 2016 Tabel 13. Pengaruh perubahan suhu cuaca tahun 2016 terhadap beban puncak dan rata-rata untuk prediksi beban ANN dan MAF

Metode Temperatur (^oC) Beban Puncak (MW)

Beban Rata-Rata (MW)

Deviasi Max (MW)

ANN +5 -2,703 -234 7,408

-5 1,442 745 10,138

MAF +5 -2,562 -1,484 5,098

-5 1,505 2,331 4,584

Tabel 14. Pengaruh relatif parameter masukan terhadap prediksi beban untuk persentase perubahan Parameter Input Temperatur Kecepatan Angin Radiasi Langsung Radiasi

Disebarkan Pengaruh pada

prediksi

34% 34% 12% 20%

Gambar 14. Rata-rata perbedaan absolut antara profil asli dan persentase perubahan +/- 1%, +/- 5%

dan +/- 10% untuk setiap parameter masukan dalam prediksi beban

Gambar 115. Validasi profil beban untuk Perancis, Spanyol dan Swedia berdasarkan data tahun 2016

Tabel 15. Perbandingan prediksi beban Perancis, Spanyol dan Swedia dengan data beban riil tahun 2016 untuk validasi. Jaringan dianggap tanpa penskalaan, dengan penskalaan beban puncak dan penskalaan beban total. Penskalaan beban total memberikan hasil terbaik.

Negara Skala MAPE (%) R² Rata-Rata

Deviasi (MW)

Standar Deviasi (MW)

Perancis Beban Total 3.249 0.965 0 2,156

Spanyol Beban Total 2.788 0.940 0 1,088

Swedia Beban Total 3.184 0,967 0 640

5.4. Variasi Suhu

Pengaruh suhu pada prediksi beban ANN dan MAF diselidiki dengan memvariasikan nilai masukan suhu dengan masukan konstan sebesar ± ° 5 C. Setiap langkah perhitungan tidak bergantung pada langkah waktu lainnya, karena inersia diabaikan.

Gambar 12 menunjukkan plot perbedaan P+5C° − P2016 dan P−5 C° − P2016 untuk prakiraan cuaca tahun 2016 dengan ANN. Pada prinsipnya kedua kurva untuk +°5C dan –°5C menunjukkan perilaku yang berlawanan. Pada suhu luar yang rendah (musim dingin), penurunan suhu menyebabkan peningkatan beban karena adanya kebutuhan pemanasan tambahan. Perubahan ini masih dalam kisaran kurang dari 5.000MW. Pada suhu luar yang tinggi di musim panas, kebutuhan listrik meningkat seiring dengan kenaikan suhu karena meningkatnya kebutuhan pendinginan.

Perilaku ini konsisten untuk pengujian cuaca pada tahun 1982 dan 2007. Pengaruh suhu lebih kuat di musim dingin, karena kapasitas pemanasan terpasang melebihi kapasitas pendinginan terpasang.

Gambar 13 menunjukkan kurva perbedaan yang sama untuk metode MAF

dengan perilaku yang umumnya serupa.

Berbeda dengan ANN, metode MAF menunjukkan kurva yang lebih seragam.

Selama periode pemanasan (Oktober hingga Mei) beban meningkat secara merata sebesar 3.000 MW hingga 4.000 MW karena penurunan suhu luar. Peningkatan beban pada pertengahan musim panas lebih rendah dibandingkan dan hanya terjadi pada hari-hari tertentu.

Tabel 13 menunjukkan simpangan beban puncak dan beban rata-rata serta simpangan maksimum prakiraan beban ANN dan MAF untuk variasi suhu ±° 5 C. Untuk perhitungan MAF, pengaruh terhadap beban rata-rata jauh lebih besar dan maksimum.

deviasinya lebih kecil. Beban puncak di musim dingin menurun pada suhu yang lebih tinggi dan meningkat pada suhu yang lebih rendah.

Hal ini konsisten dengan asumsi yang dibuat dan serupa pada kedua metode. Gambar.

Gambar 12 dan 13 menunjukkan anomali pada minggu ketiga bulan Januari, dimana terjadi peningkatan beban meskipun suhu lebih tinggi.

Minggu ini sering kali menunjukkan suhu yang sangat bervariasi di bawah –10 °C dalam data pelatihan. Karena suhu serendah ini jarang terjadi, ANN tidak mampu mengembangkan hubungan fungsional yang valid.

Gambar 16. Prakiraan beban untuk Perancis, Spanyol dan Swedia untuk tahun cuaca 2016 dan skala beban puncak

5.5. Analisis Sensitivitas

Untuk menganalisis pengaruh setiap parameter masukan pada file profil beban yang dihasilkan oleh ANN, kami melakukan analisis sensitivitas komprehensif dan menguraikannya dalam paragraf berikut. Masing-masing parameter diubah ceteris paribus sebesar ±1%,

±5% dan ±10%. Perbedaan rata-rata zat terlarut antara profil asli dan profil berdasarkan

parameter masukan yang diubah ditunjukkan pada Gambar 14. Dalam rentang yang diperiksa, semua parameter masukan menunjukkan perilaku proporsional antara persentase perubahan parameter masukan dan nilai prediksi. . Pengaruh relatif antara parameter masukan suhu, kecepatan angin, radiasi langsung dan difusi tetap konstan selama persentase perubahan yang berbeda.

Nilainya ditunjukkan pada Tabel 14.

Gambar 17. Ekstrak dari kode sumber menggunakan pustaka python tensorflow dan keras

5.6. Negara-Negara Eropa

Bagian ini menunjukkan penerapan metode ANN di tiga negara Eropa lainnya, yang mencakup tiga wilayah iklim berbeda:

Spanyol (mediterania), Prancis (kontinental), dan Swedia (kutub). Karena perluasan wilayah investigasi, timbul masalah data tambahan:

untuk Spanyol dan Swedia, tidak ada data angin yang tersedia dan untuk Swedia, data beban hanya tersedia mulai tahun 2010 dan seterusnya. Untuk setiap negara, ANN baru dilatih dengan arsitektur yang sudah ada.

Gambar 15 menunjukkan validasi profil berbasis ANN menggunakan data tahun 2016.

Ketiga negara tersebut menunjukkan perkiraan yang baik hampir sepanjang tahun. Nilai numerik untuk MAPE, R², serta mean dan standar deviasi ditunjukkan pada Tabel 15.

Total skala beban ditunjukkan untuk tahun validasi 2016. Perancis menunjukkan MAPE sebesar 3,4%, Spanyol 2,8% dan Swedia 3,2%

masing-masing. Secara keseluruhan, nilai kesalahan sebanding dengan Jerman dan lebih akurat dibandingkan prediksi literatur sebelumnya pada tingkat detail ini. Data yang tersedia cukup untuk memetakan kurva beban di seluruh negara Eropa. Arsitektur mencapai prediksi yang baik untuk data beban aktual.

Pengoptimalan tambahan untuk setiap negara dapat lebih meningkatkan prediksi. Oleh karena itu, profil tersebut dapat diklaim cukup akurat untuk dijadikan dasar prakiraan beban yang bergantung pada cuaca pada tingkat Eropa.

Gambar 16 menunjukkan prakiraan beban tahun 2025 menggunakan cuaca tahun 2016 dan skala beban puncak. Beban puncak diambil dari laporan MAF.

6. Kesimpulan dan Harapan

Dalam karya ini, kami menjelaskan dan menerapkan metodologi yang kami kembangkan, yang menyediakan profil beban listrik nasional yang bergantung pada cuaca menggunakan jaringan syaraf tiruan. Metode kami dapat menjadi dasar prediksi beban jangka panjang yang sangat dibutuhkan negara-negara Eropa. Prediksi ini diperlukan untuk menyediakan basis data yang kuat untuk analisis sistem energi, khususnya mengenai

keamanan pasokan listrik di masa depan.

Karena beban untuk menutupi beban listrik semakin dialihkan ke energi terbarukan yang berfluktuasi, maka diperlukan perkiraan yang lebih tepat. Profil beban dari pendekatan kami berdasarkan jaringan saraf tiruan dibandingkan dengan hasil pendekatan ekonometrik yang saat ini digunakan dalam Perkiraan Kecukupan Jangka Menengah (MAF) oleh entso–e. Untuk memungkinkan perbandingan, kami memperkirakan metode MAF. Replikasi ini mencapai rata-rata persentase kesalahan absolut (MAPE) sebesar ~1,6% dan R² lebih dari 98%.

Perbandingannya mengungkapkan bahwa pendekatan yang dikembangkan di sini menunjukkan peningkatan substansial dalam akurasi back casting: jaringan syaraf tiruan (ANN) memprediksi tahun validasi 2016 dengan MAPE sebesar 2,8%, sedangkan algoritma MAF yang diperkirakan mencapai MAPE sebesar 3,8%. Rata-rata selama beberapa tahun antara tahun 2007 dan 2016, metode MAF mencapai MAPE sebesar 4,4%

dengan total skala beban. Metode MAF memiliki masalah khusus dalam memperkirakan periode Natal. Oleh karena itu, kita dapat menyatakan bahwa hubungan antara variabel input (yaitu suhu luar ruangan, kecepatan angin, iradiasi dan tanggal) dan beban listrik yang dipelajari oleh ANN menghasilkan profil beban yang jauh lebih baik dibandingkan dengan pendekatan berbasis regresi sebelumnya.

Berfokus pada pengaruh variasi parameter pada file pro beban, kami menemukan bahwa kenaikan suhu menyebabkan penurunan beban di musim dingin dan peningkatan beban di musim panas dan sebaliknya. Pengaruh suhu yang lebih rendah lebih kuat dibandingkan pengaruh kenaikan suhu. Penurunan suhu sebesar ° 5 C di musim dingin menyebabkan peningkatan beban rata-rata sebesar 750 MW, sedangkan peningkatan suhu di musim panas menyebabkan penurunan beban hanya sebesar 230 MW untuk kasus Jerman. Hasil ini sejalan dengan temuan Chikobvu dan Sigauke untuk kasus Afrika Selatan. Metode MAF pada prinsipnya menunjukkan perilaku yang sama

namun menghasilkan perbedaan beban yang jauh lebih besar.

Meningkatkan cakupan di tingkat Eropa, kami mencapai MAPE sebesar 3,2% untuk Perancis dan Swedia dan 2,8% untuk Spanyol menggunakan tahun validasi 2016. Dengan ketiga negara ini, zona iklim kontinental, kutub, dan Mediterania tercakup. Prosedur pelatihan dapat diklaim cukup kuat untuk mencapai prediksi yang cukup akurat untuk semua negara Eropa dengan data yang tersedia saat kami menunjukkan kemampuan transfernya ke berbagai zona iklim dan kemampuannya untuk mengkompensasi titik data yang hilang.

Peningkatan metodologi yang mungkin dilakukan mencakup penyertaan interval prediksi (lihat Grushka dkk. untuk interval prediksi dan Koshravi dkk. untuk batas bawah dan atas dalam ANN), kombinasi pendekatan berbasis regresi dan metode berbasis ANN kami serta pengembangan pendekatan bertahap untuk membuat prakiraan beban aktual jangka panjang berdasarkan profil beban yang bergantung pada cuaca seperti yang diperkenalkan di sini. Selain itu, metode ini dapat diterapkan pada penghitungan profil yang bergantung pada cuaca untuk umpan angin dan matahari. Dalam jangka panjang, perlu diselidiki apakah metode yang disajikan dalam penelitian ini dapat berfungsi sebagai dasar untuk menggantikan secara permanen metode yang saat ini digunakan untuk meramalkan beban listrik seperti pendekatan berbasis egresi seperti yang digunakan oleh entso-e untuk laporan tahunan MAF. . Selain itu, profil beban kami dapat berfungsi sebagai dasar untuk prediksi yang lebih akurat mengenai apa yang disebut Hourly Price Forward Curves (HPFCs), yang merupakan faktor masukan utama untuk menghitung prospek profitabilitas pembangkit listrik.

Perkiraan beban yang lebih akurat memungkinkan analisis sistem energi yang lebih akurat yang pada akhirnya akan memberikan basis informasi yang lebih baik bagi pengambil keputusan di bidang kebijakan dan industri.

Deklarasi Kepentingan Bersaing

Para penulis menyatakan bahwa mereka tidak mempunyai kepentingan finansial atau hubungan pribadi yang saling bersaing yang dapat mempengaruhi pekerjaan yang dilaporkan dalam penelitian ini.

Ucapan Terima Kasih

Para penulis ingin mengucapkan terima kasih atas kontribusi Ray Galvin terhadap pekerjaan kami. Selanjutnya, kami berterima kasih kepada wasit anonim atas komentar dan saran mereka yang bermanfaat. Semua kesalahan yang tersisa adalah kesalahan kami sendiri. Penelitian ini didanai oleh Kementerian Federal Jerman untuk Urusan Ekonomi dan Energi (BMWi) dalam proyek KIVi (ID hibah: 03EI1022A).

Referensi

[1] Pai P-F, Hong W-C. Support vector machines with simulated annealing algorithms in electricity load forecasting. Energy Convers Manage 2005;46(17):2669–88.

[2] S. Shenoy, D. Gorinevsky. Risk adjusted forecasting of electric power load. In: 2014 American Control Conference; 2014, p. 914–

919.

[3] Ying L-C, Pan M-C. Using adaptive network based fuzzy inference system to forecast regional electricity loads. Energy Convers Manage 2008;49(2):205–11.

[4] Bunn DW, Farmer ED. Comparative models for electrical load forecasting.

Chichester: Wiley; 1985.

[5] Praktiknjo A. Sicherheit der Elektrizitätsversorgung. Wiesbaden: Springer Fachmedien Wiesbaden; 2013.

[6] Nolting Lars, Praktiknjo Aaron. Can we phase-out all of them? Probabilistic as- sessments of security of electricity supply for the German case. Applied Energy 2020;263(114704).

https://doi.org/10.1016/j.apenergy.2020.11470 4.

[7] ENTSOE. Mid-term Adequacy Forecast 2018: Executive Report. 2018 Edition. [April 07, 2019]; Available from:

https://www.entsoe.eu/Documents/ SDC

%20documents/MAF/MAF_2018_Executive_

Report.pdf.