Penerapan kecerdasan buatan dalam operasi, pengendalian dan perencanaan sistem tenaga: tinjauan

(1)

Energi bersih, 2023, Jil. 7, No.6, 1199–1218 https://doi.org/10.1093/ce/zkad061 Publikasi akses lanjutan 17 November 2023

Mengulas artikel

Penerapan kecerdasan buatan dalam operasi,

pengendalian dan perencanaan sistem tenaga: tinjauan

Utkarsh Pandey1, Anshuman Pathak1, Adesh Kumar1dan Surajit Mondal1,*,

1Departemen Teknik Elektro dan Elektronika, Sekolah Teknik Lanjutan, Universitas Studi Perminyakan dan Energi, Dehradun, 248007, India

*Penulis yang sesuai. Surel:[email protected]

Abstrak

Seiring dengan berkembangnya berbagai teknik kecerdasan buatan (AI), sistem tenaga listrik mengalami perubahan teknologi yang signifikan dengan tujuan utama mengurangi waktu komputasi, mengurangi biaya utilitas dan konsumen, serta memastikan pengoperasian sistem tenaga listrik yang andal.

Teknik AI menghitung data dalam jumlah besar dengan kecepatan lebih cepat dibandingkan metode optimasi numerik dengan kecepatan pemrosesan lebih tinggi. Dengan fitur-fitur ini, teknik AI dapat lebih mengotomatisasi dan meningkatkan kinerja sistem tenaga. Makalah ini menyajikan gambaran komprehensif tentang beragam teknik AI yang dapat diterapkan dalam pengoperasian, pengendalian, dan perencanaan sistem tenaga, yang bertujuan untuk memfasilitasi berbagai penerapannya. Kami menjelaskan bagaimana AI dapat digunakan untuk mengatasi perubahan frekuensi sistem, menjaga profil tegangan untuk meminimalkan kerugian transmisi, mengurangi tingkat kesalahan dan meminimalkan arus reaktif dalam sistem terdistribusi untuk meningkatkan faktor daya dan memperbaiki profil tegangan.

Abstrak Grafis Saraf buatan jaringan

Neuro-fuzzy adaptif sistem interferensi Logika kabur

Meningkatkan tegangan

Profil

Frekuensi sistem Sistem tenaga

Domain

perubahan Memperkecil

Operasi sistem tenaga:

ELD, Aliran daya, komitmen unit

Koloni semut

optimasi

kerugian transmisi

Mengurangi tingkat kesalahan

Koloni lebah buatan optimasi

Kontrol sistem tenaga, gangguan, pengendalian optimasi

Minimalkan reaktif saat ini

Minimalkan total Kawanan partikel

optimasi Perencanaan sistem tenaga FAKTA, permintaan, distribusi, kapasitor.

biaya listrik Model regresi

Pengendalian dan perencanaan

Masalah Ditujukan Teknik AI

Kata kunci:jaringan saraf tiruan; algoritma genetika; logika kabur; sistem interferensi neuro-fuzzy adaptif; optimalisasi koloni lebah buatan;

optimalisasi koloni semut; optimasi kawanan partikel

Perkenalan

data tersebar di seluruh sistem tenaga listrik. AI dapat menangani data dalam jumlah besar dan memanfaatkannya untuk membuat

pengoperasian, pengendalian, dan perencanaan sistem tenaga menjadi lebih efisien. Penggunaan teknologi AI dalam sistem tenaga listrik telah diselidiki dan diperdebatkan di bidang terkait dan menghasilkan lebih banyak bahan kajian dan hasil tertentu, yang diulas dalam makalah ini.

Permintaan akan penelitian dan teknologi maju terus meningkat di sektor jaringan listrik. Penerapan teknologi AI pada otomatisasi pengendalian sistem tenaga dapat meningkatkan

Permintaan akan penelitian dan teknologi maju terus meningkat di sektor jaringan listrik [1]. Otomasi dan teknologi cerdas telah banyak digunakan sebagai respons terhadap tuntutan pembangunan dari waktu ke waktu. Metode penelitian tradisional dengan cepat menjadi tidak cukup untuk memungkinkan ilmuwan dan peneliti data menghadapi tantangan global apa pun yang mungkin dapat dibantu oleh kecerdasan buatan (AI) dalam memecahkan dan mengungkap wawasan penting di antara miliaran data.

Diterima:15 Mei 2023.Diterima:21 Juli 2023

Ini adalah artikel Akses Terbuka yang didistribusikan di bawah ketentuan Lisensi Atribusi-NonKomersial Creative Commons (https://creativecommons.org/licens/by-nc/4.0/), yang mengizinkan penggunaan kembali, distribusi, dan reproduksi non-komersial dalam media apa pun, asalkan karya asli dikutip dengan benar. Untuk penggunaan kembali secara komersial, silakan hubungi [email protected]

Diunduh dari https://academic.oup.com/ce/article/7/6/1199/7425141 oleh tamu pada 20 Februari 2024

(2)

efisiensi manajemen otomasi kelistrikan, memitigasi risiko kecelakaan dan memastikan kelancaran pengoperasian sistem tenaga listrik dalam jangka waktu lama [2]. Mengevaluasi

penggunaan teknologi AI dalam sistem tenaga memerlukan analisis komprehensif terhadap penelitian yang ada di bidang kecerdasan buatan dan industri terkait.

Sistem tenaga listrik merupakan suatu jaringan yang terdiri dari tiga komponen yaitu pembangkitan, distribusi dan transmisi. Dalam sistem tenaga listrik, sumber energi (seperti batu bara, sinar matahari, angin, reaksi nuklir, dan solar) diubah menjadi energi listrik [3]. Ada sistem tenaga yang berbeda, seperti sistem tenaga surya, sistem tenaga angin, pembangkit listrik tenaga panas [4], pembangkit listrik tenaga nuklir, pembangkit listrik tenaga panas bumi, dll. Semua sistem tenaga memiliki struktur dan peralatan yang berbeda untuk pembangkitan listrik [5].

Struktur dasar suatu sistem tenaga listrik meliputi:

riset. Luasnya aplikasi ML akan terus berkembang seiring kemajuan teknologi ML dan munculnya isu-isu unik baru dalam penelitian bahan baterai yang dapat diisi ulang [9]. Meskipun ML telah menunjukkan potensi besar dalam memodelkan sistem yang kompleks, penerapannya menimbulkan tantangan baru. Tantangan-tantangan ini mencakup kesulitan dalam mengakses kumpulan data yang relevan dan andal, serta mengatasi ketidakakuratan dalam prediksi model sebelum ML dapat diterapkan secara luas. Untuk menerapkan ML secara efektif dalam skala besar, penting untuk memiliki bukti kuat mengenai efektivitasnya di berbagai bidang seperti proses manufaktur, pembangkitan energi, penyimpanan, dan manajemen. Selain itu, ketersediaan perangkat lunak komersial dan tenaga kerja terampil yang berspesialisasi dalam domain yang relevan sangatlah penting [10]. ML telah terbukti bermanfaat dalam menciptakan model berbasis data yang secara akurat mengkorelasikan sifat material dengan kinerja katalitik, termasuk aktivitas, selektivitas, dan stabilitas. Hasilnya, terdapat kemajuan dalam pengembangan desain yang efektif dan kriteria penyaringan untuk katalis padat dengan sifat yang diinginkan [11]. Namun demikian, masih terdapat kesulitan dalam menerapkan algoritme ML yang ada untuk memprediksi kinerja katalis secara akurat atau merancang strategi untuk merancang katalis berkinerja tinggi. Tinjauan ini menekankan kemajuan terkini dalam ML yang diterapkan pada katalisis heterogen padat, serta keterbatasan dan kendala yang dihadapi ML di bidang ini, dan juga membahas beberapa prospek penggunaan ML secara efektif dalam desain katalis heterogen padat. Keberhasilan penggunaan ML dalam penjadwalan hidrotermal jangka pendek akan memperkuat hubungan antara operasi nyata dan perumusan masalah, dan mempersiapkan sektor pembangkit listrik tenaga air untuk otonomi dengan mengidentifikasi kebutuhan dan ketersediaan sistem otonom saat ini dan di masa depan. Dalam penelitian ini, tinjauan tentang penerapan ML yang canggih untuk sektor

pembangkit listrik tenaga air ditawarkan [12]. Teknologi digital memiliki dampak yang signifikan terhadap layanan pasar energi dan keselamatan penghuni serta konsumen energi, khususnya di rumah pintar. Jaringan rumah pintar yang berkelanjutan dapat meningkatkan efisiensi energi, memanfaatkan energi terbarukan lokal, mendekarbonisasi sistem pemanas dan pendingin, dan mendorong pengisian kendaraan listrik yang bertanggung jawab [13]. Dekade berikutnya sangat penting untuk mencapai target pengurangan CO global yang ambisius dan

dekarbonisasi bangunan merupakan tantangan besar. Pembangunan hemat air dan rumah berketahanan sangat penting untuk mengatasi dampak perubahan iklim. Penelitian mengenai keberlanjutan dan efisiensi energi sangat penting untuk meningkatkan kualitas hidup dalam menghadapi perubahan iklim [14]. Beberapa aspek penting disorot [15]

sehubungan dengan kondisi saat ini dan prospek rumah pintar. Diakui bahwa meskipun prevalensi rumah pintar semakin meningkat dan semakin banyak orang yang mengenalnya, masih terdapat hambatan signifikan yang harus diatasi oleh para peneliti untuk mencapai adopsi yang luas [16].

Salah satu kendala teknis yang disorot adalah keragaman produsen dan perangkat, masing-masing dengan sistem pengisian daya, frekuensi, dan metode komunikasi yang berbeda-beda [17]. Fragmentasi ini dapat menghambat interoperabilitas dan kompatibilitas antar perangkat dan sistem. Penerimaan yang lebih besar terhadap teknologi rumah pintar menimbulkan tantangan yang signifikan. Tinjauan ini menyoroti tugas penting untuk meyakinkan konsumen tentang keamanan dan keandalan teknologi ini. Pendekatan [18] dipresentasikan untuk mengembangkan model prediksi yang mampu mengidentifikasi kesalahan dan malfungsi pada peralatan listrik, menunjukkan efektivitasnya dalam memprediksi perkembangan fenomena degradasi. Tantangannya dibahas [19] terkait dengan prediksi indeks kondisi teknis peralatan dan menentukan kemungkinan kondisi saat ini mengalami cacat. Penelitian ini memberikan kontribusi yang signifikan terhadap kemajuan

(i) gardu induk pembangkit;

(ii) gardu transmisi;

(iii) substasiun transmisi;

(iv) gardu distribusi.

Dalam pemecahan masalah sistem tenaga, pendekatan konvensional seperti metode optimasi numerik praktis (misalnya iterasi lambda dan metode Newton–Rapson) telah digunakan. Masalah optimasi bersifat non- linier dan, dengan adanya berbagai kendala yang disertakan, masalah optimasi ini menjadi lambat dan kompleks. Jadi, beberapa teknik AI dibahas di sini untuk menyelesaikan banyak masalah optimasi dengan waktu komputasi yang lebih sedikit. Selanjutnya, percobaan dilakukan untuk mengidentifikasi algoritma backpropagation mana yang akan memberikan pelatihan jaringan yang paling efisien dan andal [6].

Pendekatan sistematis diperkenalkan [7] untuk mengembangkan jaringan saraf berulang (RNN) yang dapat secara efektif memprediksi perilaku dinamis gasifier aliran masuk skala pilot. RNN dilatih menggunakan kumpulan data yang terdiri dari data input dan output yang dikumpulkan dari sistem memori read-only (ROM) dinamis yang dibuat pada penelitian sebelumnya. Untuk mengevaluasi keakuratan RNN, perbandingan dilakukan dengan model komputasi dinamika fluida dan data eksperimen yang diperoleh dari gasifier skala pilot. Temuan menunjukkan bahwa RNN melampaui kinerja model ROM dinamis, menunjukkan kemampuan prediktif yang kuat untuk menangkap perilaku transien gasifier. Selain itu, hal ini dicapai sekaligus mengurangi sumber daya komputasi yang diperlukan secara signifikan. Sistem tenaga adalah salah satu topik studi utama untuk pengembangan AI tingkat lanjut. Penggunaan algoritma AI di pembangkit listrik telah terus diselidiki sejak munculnya teknik sistem pakar [8]. Namun, dalam sebagian besar situasi, masalah seperti waktu siklus yang panjang, komputasi yang rumit, dan kesulitan dalam pembelajaran muncul pada metode AI klasik. Dalam beberapa tahun terakhir, efisiensi telah meningkat secara signifikan seiring dengan kemajuan algoritma AI. Model multi-sumber data besar yang heterogen telah berkembang secara bertahap, volume data terus bertambah, dan kemungkinan serta masalah baru tercipta dengan penggunaan AI dalam sistem tenaga listrik. AI mencakup beberapa teknologi seperti sistem pakar, pengenalan pola, algoritma genetika (GA) dan jaringan saraf.

Dengan menggabungkan AI ke dalam otomasi pengendalian sistem tenaga listrik, hal ini berpotensi meningkatkan efisiensi manajemen otomasi kelistrikan, memitigasi risiko kecelakaan, dan memastikan kelancaran pengoperasian sistem tenaga listrik dalam jangka panjang.

Pembelajaran mesin (ML) juga telah menemukan aplikasi yang luas dalam memprediksi sifat bahan baterai yang dapat diisi ulang, khususnya bahan elektrolit dan elektroda, serta pengembangan bahan baru, menurut penelitian yang relevan.

2

(3)

alat analisis prediktif di industri, memungkinkan pemeliharaan peralatan secara proaktif. Pendekatan ML dan berbasis data menunjukkan harapan yang signifikan dalam bidang analisis prediktif dalam sistem tenaga listrik, terutama dalam konteks jaringan listrik pintar. Metode-metode ini dapat menganalisis secara efisien sejumlah besar data yang dikumpulkan dari smart meter dan perangkat lain secara real-time, sehingga memfasilitasi aliran energi yang optimal dalam lanskap yang semakin berfokus pada energi terbarukan [20]. Mereka menawarkan keuntungan seperti peningkatan akurasi, pengurangan biaya dan peningkatan efisiensi.

Namun, ada beberapa tantangan yang harus diatasi, seperti memastikan ketersediaan data berkualitas tinggi dan mengelola potensi risiko kelebihan informasi [21].

2 teknik AI

2.1 Jaringan saraf tiruan

Dalam AI, sekumpulan masukan diubah menjadi keluaran menggunakan jaringan neuron. Sebuah neuron menghasilkan satu daya hanya dengan mengoperasikan masukannya dengan cara yang sama seperti prosesor [ 26]. Kelompok kerja neuron dan pola koneksinya dapat digunakan untuk membangun komputer dengan permasalahan dunia nyata dalam pengenalan model dan kategorisasi pola. Saat proses otak manusia direplikasi, sinyal masukan diproses menggunakan operasi matematika yang memanfaatkan neuron buatan.

Jaringan terdiri dari neuron yang disusun berlapis-lapis dan terhubung untuk memastikan aliran informasi input-output [27]. Dengan

menggunakan apa yang disebut fungsi aktivasi, pada lapisan 'i', setiap neuron dihubungkan ke lapisan 'i+1' dari semua neuron. Sinyal masukan untuk neuron tertentu berasal dari semua neuron pada lapisan sebelumnya dan daya eksitasinya berubah untuk mengatur derajat sinyal yang mencapai setiap neuron [28].

Dalam beberapa disiplin ilmu, seperti diagnosis medis, suara, pengenalan pola, dll., jaringan saraf tiruan (JST) digunakan. ANN adalah sistem komputasi yang sebagian didasarkan pada jaringan saraf biologis, diekspresikan oleh node yang terhubung (neuron buatan), terstruktur dengan benar dalam lapisan yang ditemukan di otak manusia atau hewan. Semua neuron buatan terhubung dan mampu, menggunakan koneksi mereka (sinapsis) untuk mengirim sinyal, umumnya nilai nyata, yang menghasilkan keluaran yang dihitung berdasarkan masukan asli, bergantung pada ukuran yang dialokasikan ke semua neuron [29].

ANN diakui sebagai pendekatan penambangan data yang mampu memodelkan beberapa karakteristik independen dengan fungsi dependen dalam fungsi non-linier. JST dapat memprediksi nilai masa depan dari variabel dependen setelah pelatihan dengan sampel yang sebanding, mereplikasi proses pembelajaran otak manusia [30].

Pada gilirannya, perbedaan kekuatan sinyal mempengaruhi aktivasi neuron dan, sebagai akibatnya, sinyal yang ditransmisikan ke neuron lain seperti yang ditunjukkan pada gambar.Gambar 2.

Lapisan masukan—mendistribusikan unit lain tetapi tidak memproses data.

Lapisan tersembunyi—kemampuan untuk memetakan masalah non-linier disediakan melalui lapisan tersembunyi.

Output nanti—unit output mengkodekan nilai yang akan ditetapkan ke instance ini.

1 Metode dan tantangan diatasi

Artikel yang dipilih untuk ditinjau didasarkan pada parameter dan kriteria seleksi yang berbeda. Daftar pendek didasarkan pada parameter seperti durasi, analisis, perbandingan dan aplikasi, seperti yang tercantum dalam Tabel 1. Tantangan yang diselidiki untuk pengoperasian, pengendalian, dan perencanaan sistem tenaga listrik dalam artikel ini adalah sebagai berikut dan diagram yang memvisualisasikan domain sektor tenaga listrik beserta teknik AI yang digunakan dan penerapannya disajikan sebagai Gambar 1. Operasi sistem tenaga [22] mencakup total kebutuhan daya yang harus memenuhi pembangkitan real-time secara andal, termasuk rugi-rugi transmisi. Permasalahan yang terlibat dalam tugas ini adalah pengiriman beban ekonomis (ELD), aliran daya, komitmen unit dan jadwal pemeliharaan generator.

Desain sistem tenaga yang kompleks dan besar disajikan [23] dan gangguan pada sistem tenaga listrik menjadi masalah. Apabila terjadi gangguan yang besar maka diperlukan tugas pengendalian untuk menemukan daerah yang terganggu, mengendalikan dampak yang ditimbulkan dan mengembalikan proses ke bentuk normal. Solusi heuristik bersifat non-linier dan karenanya tidak dirancang untuk menangani gangguan yang terjadi dengan cepat. Oleh karena itu, banyak teknik optimasi pengendalian seperti pengendalian tegangan (VC), pengendalian stabilitas sistem tenaga dan pengendalian frekuensi beban dibahas untuk mengatasi masalah ini.

Perencanaan sistem tenaga listrik mempunyai susunan suatu sistem tenaga listrik yang kompleks dan besar dengan banyak bagian seperti perangkat sistem transmisi arus bolak-balik fleksibel (FACTS) dan sistem distribusi. Tujuan utama dari perencanaan berbiaya rendah adalah mengoptimalkan komponen yang diperlukan untuk menghasilkan daya yang cukup dengan biaya minimal.

Banyak faktor seperti penempatan dan permintaan FACTS yang dianggap penting dalam perluasan perencanaan sistem tenaga listrik. Optimalisasi daya reaktif, perencanaan sistem distribusi (DSP) [24] dan penempatan kapasitor adalah masalah optimasi yang dipertimbangkan dalam tugas ini [25].

2.2 Sistem interferensi neuro-fuzzy adaptif

Sistem interferensi neuro-fuzzy adaptif (ANFIS) membuat kumpulan data input/output yang parameter fungsi keanggotaannya dimodifikasi dengan tipe metode kuadrat minimum atau

Tabel 1:Kriteria seleksi untuk makalah penelitian terpilih

Parameter Kriteria seleksi Kriteria eliminasi

Durasi Artikel penelitian diterbitkan antara tahun 2007 dan

2021 Artikel penelitian diterbitkan sebelum tahun 2007

Analisis Penelitian tersebut mencakup berbagai kecerdasan buatan

teknik dan aplikasi dalam sistem tenaga listrik Penelitian ini mencakup berbagai operator dan modifikasi dalam teknik kecerdasan buatan dalam sistem tenaga Perbandingan Penelitian berkonsentrasi pada variasi buatan

pendekatan sistem kekuatan intelijen Penelitian difokuskan pada beberapa variasi metaheuristik.

Algoritma genetika adalah bagian dari beberapa penelitian Aplikasi Penelitian multimedia, manajemen operasional

dan jaringan nirkabel disertakan Penelitian meliputi teknik, penambangan data, perangkat lunak dan aplikasi astronomi

Belajar Landasan matematika dan eksperimental

hasil adalah bagian dari penelitian Paten, kasus dan publikasi termasuk dalam riset

(4)

Domain Sistem tenaga -

Operasi Sistem Tenaga - Kontrol Sistem tenaga -

Perencanaan

Generasi Penularan

Distribusi Pelanggan

Pusat Komputer Kekuatan

Sistem Operasi

Jasa Pelanggan

Terminal Pembangkit listrik Memuat Digital Sungguh Kontrol Relai Kontrol Pusat Pasar

Aliran Listrik

Distribusi Kontrol

Penularan Generasi Massal

Aplikasi Beban Ekonomi

Menugaskan

Kontrol Tegangan Perencanaan untuk

Distribusi Stabilitas Sistem Tenaga

Kontrol Penjadwalan untuk

Generator Pemeliharaan

Penempatan Kapasitor Kontrol Frekuensi Beban

Sistem dan Layanan

Optimasi untuk Daya Reaktif Aliran energi

Komitmen Satuan

Penetrasi Tinggi Fotovoltaik Terbarukan Generasi Metodologi Metode AI Kawanan Partikel

Optimasi Jaringan Hibrid dengan

PSO PSO

Logika Fuzzy dan PSO MILP dengan GA ANN dengan GA Neuro-Adaptif

Antarmuka kabur Sistem (ANFIS)

Saraf Buatan Jaringan (JST) dan

PSO Koloni semut

Optimasi dengan

TIDAK

Linier Integer Campuran Pemrograman (MILP)

ANN Propagasi Kembali Neuro-Fuzzy

Sistem dengan PSO Algoritma genetika

tidak)

Kontrol nonlinier Gambar 1:Penggambaran visual domain sektor tenaga listrik, penerapannya, dan teknik AI yang digunakan

X1 1

X2 2

kamu(h,h) Keluaran

X3 3 Lapisan Keluaran

X32 32

Lapisan Masukan Lapisan tengah

Gambar 2:Diagram sederhana dari jaringan saraf tiruan

algoritma backpropagation dengan sendirinya, menggunakan sistem interferensi fuzzy [31]. Modifikasi ini telah membantu sistem fuzzy belajar dari data yang dimodelkannya. Dengan menerapkan pembelajaran hybrid, ANFIS menggunakan pendekatan sistematis untuk menentukan distribusi fungsi keanggotaan yang optimal, memungkinkan pemetaan hubungan antara data masukan dan keluaran secara efektif [32].

Arsitektur ANFIS menggabungkan ANN dengan logika fuzzy, menjadikan proses pemodelan lebih terstruktur dan tidak terlalu bergantung pada pengetahuan ahli. Sistem inferensi ini dikon-

disusun menggunakan lima lapisan dalam bentuk dasarnya. Setiap lapisan ANFIS memiliki beberapa node yang ditentukan dalam spesifikasi lapisan menggunakan fungsi node. Input lapisan saat ini dari node lapisan sebelumnya dikumpulkan. Struktur ANFIS ditunjukkan padaGambar 3[33].

Metode inferensi fuzzy melibatkan pengorganisasian informasi empiris secara profesional, yang menghadirkan tantangan dalam mengukurnya melalui fungsi keanggotaan (MF) dan basis aturan fuzzy [34]. Selain itu, jaringan saraf memiliki pembelajaran

(5)

Memasukkan LAPISAN1 LAPISAN2 LAPISAN3 LAPISAN4 LAPISAN5 KELUARAN

A1 XY

X∼ ω1 ω∼1

π N

ω∼1F1

A2

Fkeluar

Σ B1

ω∼F21²

∼ π

kamu N

B2 ω2 ω∼2

XY

Gambar 3:Diagram sederhana dari sistem interferensi neuro-fuzzy buatan

kemampuan. Dari atas hingga bawah, mereka sangat mudah beradaptasi dalam pengaturan sistemnya dan memiliki pemrosesan paralel serta toleransi kesalahan yang baik. Teori untuk sistem neuro-fuzzy jaringan saraf secara aktif dieksplorasi di beberapa bidang [35].

Pemanfaatan sistem neuro-fuzzy, yang meniru pembelajaran manusia dan kemampuan pengambilan keputusan, dapat menghasilkan performa model yang bervariasi dibandingkan dengan pendekatan matematika tradisional. Proses pembuatan aturan dan pengelompokan dalam sistem inferensi neuro-fuzzy, yang disesuaikan dengan model tertentu, dapat didekati melalui metodologi berbasis grid, yang dikenal sebagai ANFIS.

Pengetahuan Basis

Fuzzifikasi Kesimpulan Defuzzifikasi

Gambar 4:Sistem logika fuzzy

terdiri dari empat bagian: basis pengetahuan, fuzzifikasi, inferensi dan defuzzifikasi. Berdasarkan konstanta fuzzy yang diberikan, proses mengubah masukan yang diberikan ke tahap fuzzifikasi.

Berdasarkan basis pengetahuan, kesimpulan dibuat. Kemudian, pada tahap defuzzifikasi, setiap keluaran fuzzy dipetakan ke MF keluaran yang kompleks [41,42].

2.3 Logika kabur

Untuk mengidentifikasi himpunan fuzzy dari mana nilai berasal dan derajat keanggotaan dalam himpunan tersebut, sistem logika fuzzy mendasarkan pilihannya pada input berupa variabel yang dihasilkan dari fungsi anggota [36]. Variabel-variabel tersebut kemudian dikombinasikan dengan persyaratan bahasa IF-THEN (aturan logika fuzzy) dan implikasi yang dapat digunakan untuk menjawab setiap aturan [37]. Respons setiap aturan diberi bobot sesuai dengan keyakinan atau tingkat masukan dari setiap aturan dan bagian utama dari jawaban dihitung untuk memberikan keluaran yang sesuai dan mencapai aturan penghormatan komposisi.

Saat ini, perancangan sistem logika fuzzy bukanlah pendekatan yang sistematis. Cara termudah adalah dengan mendefinisikan fungsi dan aturan anggota secara subyektif dengan sistem yang dioperasikan manusia atau pengontrol yang sudah ada, lalu menguji desain untuk mendapatkan keluaran yang tepat. Jika desain gagal dalam pengujian, MF dan/atau aturan harus diubah. Arah penyelidikan terkini melibatkan penciptaan sistem logika fuzzy yang dapat belajar dari pengalaman.

Saat ini, hanya temuan yang dipublikasikan yang dapat membuat dan memodifikasi aturan kendali fuzzy berdasarkan pengalaman [38]. Diantaranya adalah sistem kendali robotik yang dapat diatur sendiri oleh Scharf [39] dengan menggunakan matriks kinerja untuk mengubah matriks aturan dan mengubah aturan yang membentuk strategi pengelolaan. Contoh menarik lainnya adalah kendaraan fuzzy Sugeno, yang dapat dilatih untuk berbelok dan parkir sendiri.

Alih-alih fungsi keanggotaan, pengaruh aturan dipandang sebagai persamaan linier dari variabel keadaan proses. Melalui optimalisasi indeks kinerja kuadrat terkecil menggunakan sistem regresi linier tertimbang, tantangannya disederhanakan menjadi estimasi parameter. Meskipun pendekatan- pendekatan ini memberikan hasil yang menjanjikan, pendekatan-pendekatan tersebut bersifat subyektif, agak heuristik dan bergantung pada trial and error dalam pemilihan MF. Dengan demikian, kemampuan mempelajari jaringan saraf dapat menawarkan pendekatan yang lebih menjanjikan terhadap sistem logika fuzzy [40]. Seperti yang ditunjukkan diGambar 4, sistem logika fuzzy

2.4 Optimasi koloni semut

Semut menunjukkan perilaku mengingat dan mengikuti jalur tertentu antara koloninya dan sumber makanan. Mereka mencapai hal ini dengan meninggalkan jejak feromon selama pencarian makanan [43]. Ketika semut lain menemukan jejak feromon ini, mereka mulai mengikutinya. Karena meningkatnya kehadiran bahan kimia di jalur tersebut mempunyai efek menarik lebih banyak semut untuk mengikutinya, maka semut akan menekankan jejak feromon tersebut. Untuk menemukan solusi terbaik terhadap masalah yang diteliti, optimasi koloni semut (ACO) membangun beberapa solusi berulang. Tujuan dari [44] adalah untuk mengevaluasi fitur area pencarian masalah dan menggunakan pengetahuan ini untuk mengatasi proses solusi. Proses solusi-konstruksi adalah proses pengambilan keputusan berurutan karena keputusan stokastik parametrik. Algoritma ACO bergantung pada urutan pembelajaran parameter yang digunakan dalam pengambilan keputusan untuk mencapai kebijakan global yang memberikan solusi optimal untuk situasi tertentu [45]. Parameter objek pembelajaran dianggap feromon dan disebut variabel feromon.

Metode ACO berisi teknik pencarian lokal stokastik untuk mengatur jalur perutean yang dapat ditentukan oleh semut buatan.

Semut-semut ini bekerja sama melalui pertukaran informasi tidak langsung untuk menciptakan rute terbaik dan terpendek. Konsep ACO diambil dari karakteristik pencarian makanan dari koloni sebenarnya dalam algoritma optimasi cerdas dan bagaimana semut bekerja sama dalam pekerjaan sulit ini. Hal ini dapat diharapkan

(6)

ACO menemukan rute tercepat dari sarang ke makanan menurut studi biologis semut. Teknik distribusi feromon semut disebut terhuyung-huyung (staggered), yaitu informasi dibagikan kepada semut lain secara tidak langsung. Pembaruan feromon adalah dasar dari algoritma ACO. Pembaruan feromon ini bergantung pada feromon dan jumlah semut yang bekerja paling baik. Semut alami dapat menentukan rute tercepat berdasarkan pengetahuan terbaiknya dan jejak feromon yang kuat. Jalur terpendek berbanding terbalik dengan jumlah feromon dan panjang jalur menggunakan metode ACO. Berikut ini adalah penjelasan langkah demi langkah algoritma yang mereplikasi properti tersebut [46]. Pseudocode untuk ACO ditunjukkan padaMeja 2.

saat ini sedang digunakan atau sebanyak solusi individu [49].

Prosedur ini dilanjutkan sampai optimasi ABC memenuhi kriteria berhenti.

ABC_Optimasi (n, m, k) populasi <- inisialisasi (n, m, k)

global_best <- menetapkan_random_food_source(populasi[m]) sementara! stop_kriteria_bertemu()

untuk lebah dalam populasi

kebugaran <- kalkulasi_kebugaran (bee.food_source) jika kebugaran > global_best. kebugaran

global_best <- lebah. sumber_makanan untuk lebah dalam populasi

lebah. update_food_source (global_best, bee.next_partner) update_food_source (global_best, next_partner)

prob <- random_probability () jika prob < pengalaman

sumber_makanan <- global_best

lain jika mungkin < pengalaman + mitra_berikutnya. pengalaman food_source <- next_partner. sumber makanan

kalau tidak

sumber_makanan <- sumber_makanan_acak()

• Tetapkan jalur feromon: Algoritme dimulai dengan menetapkan jalur feromon awal dalam ruang pencarian masalah. Jalur ini bertindak sebagai panduan bagi semut untuk bernavigasi dan menemukan solusi.

• Menghasilkan populasi semut acak: Selanjutnya, algoritma menghasilkan populasi solusi acak (semut) untuk mulai mencari solusi optimal.

• Pilih posisi optimal: Setiap semut kemudian menggunakan kombinasi informasi feromon dan heuristik untuk menentukan langkah (posisi) berikutnya yang harus diambil. Tujuannya adalah untuk menemukan posisi yang memaksimalkan fungsi target.

• Mendapatkan semut pencari terbaik: Setelah semua semut menyelesaikan pencariannya, algoritma memilih semut terbaik, yaitu semut dengan nilai fungsi target tertinggi.

• Memulihkan jejak feromon: Jejak feromon semut terbaik kemudian diperbarui untuk memperkuat jalurnya, sehingga mendorong semut lain untuk mengikutinya.

• Periksa kondisi akhir: Algoritme mengulangi langkah-langkah di atas hingga kriteria penghentian terpenuhi.

• Selesai: Algoritme menyimpulkan ketika memenuhi kondisi penghentian dan memberikan solusi terbaik yang ditemukan.

Fase inisialisasi:

InisialisasiXaku jpopulasi solusi dalam parameter domain j. Deskripsi persisnya dapat digunakan untuk tujuan itu:

Xaku j=Xmenitj+RDan(0, 1)∗(X^maksJ-XmenitJ) (1) Di manaXmaksj adalah batas atas parameter j danXmenitj adalah batas bawah parameter j.

Fase lebah pekerja:

Setiap lebah pekerja menggunakan formula untuk mengidentifikasi dan menilai sumber makananay^{aku j}mewakili suatu lokasi seperti sumber makanan di dalam dirinya

Xaku jPenyimpanan. Setiap pekerja menawarkan informasi tentang sumber makanan

mereka kepada pengunjung yang memilih situs web sumber makanan berdasarkan informasi yang dikumpulkan dari lebah mereka saat mereka menunggu di sarang sesuai denganPersamaan (2):

2.5 Optimalisasi koloni lebah buatan

_ay_{aku j}_=X_{aku j}_+ϕ_{aku j}_·(X_{aku j}_{− x}_kj₎

Optimalisasi koloni lebah buatan (ABC) meniru perilaku lebah. Koloni lebah terdiri dari lebah pengamat, pengintai, dan pekerja.47]. Lebah buatan diterbangkan dalam sistem ini di ruang pencarian multidimensi dan, bergantung pada pengalaman yang mereka peroleh dan berdasarkan pengalaman pasangan berikutnya, lebah bekas memilih sumber makanan dan lebah untuk berganti posisi. Lebah pengintai memilih sumber makanannya secara acak tanpa pengalaman apa pun. Setiap sumber makanan menghindari kemungkinan solusi untuk masalah yang sedang dibahas [48]. Jumlah lebah yang dipekerjakan sama banyaknya dengan sumber makanannya, masing- masing dalam satu lokasi

(2)

JikaX^kadalah solusi yang dipilih secara acak, j adalah parameter yang dipilih secara acak danaku jadalah bilangan bulat acak dalam rentang [–a, a]. Pilihan serakah di antara keduanyaay^SayaDanX^Sayaditerapkan setelah produksi solusi baruaySaya.

Fase lebah pengamat:

Sebelumnya telah disebutkan perbandingan jumlah sumber makanan dengan lokasinya dalam larutan. Penonton diposisikan pada sumber makanan dengan menggunakan strategi seleksi berdasarkan kebugaran, seperti cara memilih roda roulette. Solusi baru XSayaberdasarkan pi dipilih untuk menilai solusi baruaySayadan solusi baruaySayauntuk penonton tercipta. Lebah sewaan di antaranyaaySaya

DanXSayamenerima pilihan serakah.

Meja 2:Pseudocode dari algoritma optimasi koloni semut

Langkah

Awal:

Mengatur jalur dan parameter feromon; Hasilkan populasi semut (solusi) secara acak;

Fase lebah pramuka:

Mantan pekerja yang kehilangan sumber daya mulai mencari persediaan makanan secara acak. Setiap koloni lebah mempunyai lebah pengintai. Para pramuka hanya mendapat sedikit instruksi saat mencari makanan. Mereka kebanyakan fokus mencari makanan. Lebah buatan dapat menemukan jawaban yang tersedia dengan cepat. ABC memutuskan bahwa pramuka buatan adalah lebah yang persediaan makanannya telah hilang atau yang profitabilitasnya turun di bawah tingkat profitabilitas tertentu. Parameter kontrol yang menentukan kelas adalah kriteria penarikan atau 'batas'. Setelah sejumlah upaya yang telah ditentukan, seekor lebah pekerja

Pilih posisi optimal sesuai dengan fungsi target setiap individu semut;

Dapatkan semut pencari terbaik;

Kembalikan jejak feromon; Periksa apakah akhirnya benar;

Akhir;

(7)

meninggalkan solusi yang belum diperbaiki yaitu sumber makanan.

Jumlah tes yang diperlukan untuk mengeluarkan jawaban ditentukan oleh 'batas'.

prediktor yang disertakan dalam model. εaku jmewakili istilah kesalahan acak.

MembangunPersamaan (5), model level 2 dapat dirumuskan sebagai berikut:

2.6 Optimasi kawanan partikel

0j = γ00+ γ01W1j + γ02W2j +u0j (2) β1j = γ10+

γ11W1j + γ12W2j +u1j Optimasi kawanan partikel (PSO) adalah teknik komputasi evolusioner berbasis

populasi yang digunakan untuk mengatasi pemecahan masalah stokastik. Itu termasuk dalam kategori kecerdasan gerombolan dan didasarkan pada prinsip- prinsip sosial dan psikologis. PSO memberikan wawasan berharga ke dalam aplikasi teknik dan berkontribusi terhadap pengembangannya [50]. Dampak sosial dan pembelajaran sosial memungkinkan konsistensi kognitif bagi orang tersebut. Masyarakat dapat menyelesaikan persoalan dengan berbicara kepada masyarakat dan dengan mengubah gagasan, sikap, dan perilaku mereka;

mereka biasanya dapat digambarkan sebagai orang-orang yang bergerak dalam ruang sosio-kognitif satu sama lain. Namun PSO memiliki kelemahan tertentu seperti konvergensi global; tidak seperti beberapa algoritma optimasi lainnya, PSO tidak memiliki jaminan konvergensi global, yang berarti bahwa PSO mungkin tidak menemukan solusi optimal yang sebenarnya. Untuk mengatasi kelemahan ini, PSO baru dan PSO chaos dirancang untuk mengatasi permasalahan optimalisasi sistem energi secara efisien. Analisis masalah komitmen unit dalam sistem yang diatur mengarah pada pemeriksaan UCP (kebiasaan dan praktik seragam untuk kredit dokumenter) di dalam pasar yang dideregulasi. Keuntungan keseluruhan, waktu eksekusi dan kriteria konvergensi dibandingkan antara berbagai pendekatan.

Salah satu elemennya adalah kecepatan partikel saat iniay(T). Lainnya adalah posisi optimalY∗^(T)untuk mendekati partikel tersebut.

Faktor ketiga adalah komunitas atau sub komunitas mendapat informasi secara optimalY∗ ∗^(T)[51]. Pada setiap langkah iterasi, kecepatan partikel diubah menjadiY∗(T)DanY∗ ∗(T). Sementara itu, bobot acak dialokasikan secara independen kepadaVSaya,Y∗^(T)DanY∗ ∗^(T

). Kecepatan dan posisi diperbarui berikut iniPersamaan (3)dan (4):

(6) Di dalamPersamaan (5)Dan(6),kamu0J,...,kamu1Jmewakili efek acak. W1 JDanW2Jmasing-masing sesuai dengan variabel rata-rata terpusat dan tidak terpusat.

Persamaan ini digunakan dalam penelitian untuk menggambarkan hubungan antara variabel terikat, prediktor, dan efek acak.Persamaan (5) berfungsi sebagai persamaan model inti, yang menangkap pengaruh prediktor terhadap variabel terikat sambil memperhitungkan kesalahan acak.Persamaan (5)Dan(6)memperluas model dengan menentukan hubungan dan efek acak yang terkait dengan koefisien intersep dan prediktor pada analisis level 2. Secara kolektif, persamaan-persamaan ini menawarkan kerangka komprehensif untuk menganalisis variabel- variabel yang berdampak pada penerimaan teknologi rumah pintar dan kemampuan beradaptasi permintaan dalam konteks penelitian tertentu.

2.8 Masalah regresi dan klasifikasi menggunakan AI

RNN adalah variasi jaringan saraf yang sering digunakan dalam domain sistem tenaga untuk mengatasi masalah regresi dan klasifikasi yang melibatkan data sekuensial. Tidak seperti model jaringan saraf langsung, struktur dan prinsip operasi RNN berbeda secara signifikan [54]. Dalam RNN, data masukan diumpankan ke model secara berurutan pada setiap langkah waktu (T), seperti yang ditunjukkan pada diagram propagasi sinyal. Pada setiap langkah, keadaan saat ini (keluaran) dihitung dengan mempertimbangkan data masukan saat ini dan keadaan yang dihitung sebelumnya. Proses berulang ini

ayk+1(Saya,J)=ωvk(aku j)+C1RDan1(PmenjadiTk(Saya,J)-Yk(Saya,J)) +C2RDan2(GmenjadiTk− kamu^k(Saya,k))

(3) berlanjut untuk sejumlah langkah tetap (N) hingga keluaran yang diinginkan (nilai prediksi) tercapai atau hingga seluruh data masukan (memasukkan) telah diproses [55].

Yk+1aku j=Yk+1aku j+Vk+1aku j, (Saya=1, 2...Nhal=1, 2...M) (4) Dalam persamaan yang diberikan, v mewakili kecepatan partikel diSayapartikel -th danJ-dimensi ke-th pada iterasik+1.

Faktor bobot ω menentukan sejauh mana kecepatan sebelumnya mempengaruhi kecepatan baru.

v menunjukkan kecepatan partikel diSayapartikel -th danJ-dimensi ke-th pada iterasik.

CDanCadalah parameter pembelajaran yang masing-masing menentukan pengaruh solusi terbaik pribadi dan terbaik global.

R1 danR2 adalah angka yang dihasilkan secara acak dalam rentang [0,1].

Pt mewakili posisi terbaik pribadiSayapartikel -th dalamJDimensi ke-yang dicapai sejauh ini.

Y mewakili posisi saat iniSayapartikel ke-dalam Jdimensi -th.

Gtmenandakan posisi terbaik global yang ditemukan oleh semua partikel hingga iterasi saat ini.

Diagram alir untuk PSO ditunjukkan padaGambar 5.

k+1(Saya,J) Perambatan sinyal pada model RNN diilustrasikan dengan nilai-nilai yang

diberikan pada setiap keadaan tersembunyi (hidden). Status tersembunyi ini dihitung menggunakan status tersembunyi sebelumnya (tersembunyi-1)

k(Saya,J)

Inisialisasi

1 2

Dan Dan Mulai Partikel dengan vektor kecepatan dan posisi acak

lebih baik k(Saya,J)

Evaluasi kecepatan untuk setiap posisi partikel (x)

k(SAYA,J)

Periksa apakah fungsi kebugaran f(x) lebih baik dari kebugaran, Centang P(terbaik) dari P(terbaik) = X Bes k

Lingkaran adalah bekerja sampai semua partikel sudah selesai

Lingkaran Melanjutkan sampai

maksimum

pengulangan

Perlu memilih P (terbaik) sebagai G (terbaik)

2.7 Model regresi

Terus perbarui posisi dan kecepatan partikel Model penelitian [52,53] dapat didefinisikan menggunakanPersamaan (5):

Yij = β0j +β1jX1ij + β2jX2ij +... + βnjXnij + εij (5) Dapatkan solusi terbaik untuk G (terbaik)

Di manaYmewakili variabel terikat; ini mengacu pada indikasi respondenSayakesediaan mereka untuk mengadopsi teknologi rumah pintar dan tingkat fleksibilitas mereka dalam hal permintaan teknologiJ. β mengacu pada intersepsi.X1aku j,...,Xnijbersifat dikotomis

Akhir eksekusi Gambar 5:Diagram alir optimasi kawanan partikel

(8)

dan data masukan saat ini (memasukkan) [56].tersembunyi=〈(w

〈w, masukan〉)Di sini, σ () mewakili fungsi aktivasi (seperti

sebagai fungsi sigmoid, tangen hiperbolik atau satuan linier tersearahkan (ReLU)), sedangkanw Danw adalah bobot bagi yang tersembunyi dan status masukan, masing-masing.

Nilai keluaran pada setiap langkah penghitungan diperoleh dengan mengambil perkalian titik dari bobot yang terkait dengan status keluaran dan nilai status tersembunyi, mirip dengan persamaan regresi:keluaran=〈w ,tersembunyi〉[57].

Selama pelatihan, tahap awal melibatkan penghitungan sinyal keluaran, setelah itu fungsi kesalahan dihitung untuk menentukan perbedaan. Untuk permasalahan regresi, biasanya kita

menggunakan akar kuadrat dari simpangan baku antara keluaran RNN dan nilai dari ruang respons (kamu):

, tersembunyi–1〉+ telah dimodelkan. Penulis telah melakukan simulasi dengan banyak unit pembangkitan yang memiliki batas laju ramp dan zona operasi terlarang sebagai kendala dan kinerja yang dihasilkan dibandingkan dengan teknik ANN, GA dan ACO, namun teknik ABC memberikan keluaran yang lebih baik dengan konvergensi yang cepat. Prosedur seleksi yang rakus dan pengabaian tepat waktu terhadap sumber makanan bekas yang terkandung dalam ABC memberikan potensi ini. Operasi dasar optimasi ABC mencegah solusi berhenti dan membuat algoritma lebih eksploitatif.

tersembunyi

memasukkan

tersembunyi memasukkan

keluaran

3.1.2 Penjadwalan pemeliharaan genset

Penjadwalan pemeliharaan generator (GMS) adalah masalah optimasi kombinatorial yang rumit bagi penyedia listrik. Pendekatan matematis mencakup cara-cara tradisional untuk mengatasi masalah RUPS. Untuk mengevaluasi fungsi tujuan yang diperlukan, pendekatan model matematika menggunakan prosedur coba-coba. Matematis

T w^keluaran,wtersembunyi,w^memasukkan) =

∑ T=1(keluaranT)2N)− − − − − − − − − − − − − − −−→menitw

(7) Dengan menerapkan aturan rantai, gradien fungsi kesalahan dihitung. Koefisien bobot (w)disesuaikan sedemikian rupa sehingga mengurangi fungsional, mengikuti arah penurunan nilai, hingga mencapai nilai minimum atau iterasi pelatihan mencapai batas yang telah ditentukan. Penting untuk dicatat bahwa bobot terkait dengan

keadaan tersembunyi RNN (w )

tetap tidak berubah setelah menyebarkan kesalahan dari setiap keluaran (keluaran). Sebaliknya, koefisienw setiap langkah gradien [ 58].

pendekatan bahkan gagal memberikan jawaban yang masuk akal seperti di beberapa keadaan.

kondisi yang mengharuskan operator bergantung pada asumsi dan model tertentu yang mungkin tidak mencerminkan kondisi dunia nyata secara akurat.

Dalam beberapa kasus, operator mungkin perlu dilibatkan untuk memberikan masukan dan keahlian tambahan guna membuat keputusan yang tepat mengenai jadwal pemeliharaan. Selain itu, mungkin terdapat faktor-faktor yang tidak dapat diprediksi, seperti kegagalan peralatan atau perubahan permintaan, yang tidak dapat dijelaskan secara akurat hanya dengan model matematika.

Pemeliharaan adalah program pemadaman preventif terhadap unit-unit pembangkit dalam jangka waktu tertentu dalam suatu sistem tenaga listrik.

Ketika terdapat berbagai macam unit pembangkit spesifikasi dalam sistem energi dan beberapa keterbatasan untuk menghasilkan solusi yang

berkelanjutan dan praktis, perencanaan pemeliharaan menjadi tantangan yang sulit. Perencanaan pemeliharaan generator dilakukan untuk jangka waktu yang berbeda-beda. Rencana pemeliharaan jangka pendek dari 1 jam hingga 1 hari sangat penting untuk operasional sehari-hari, keterlibatan, dan perencanaan operasional pembangkit listrik. Perencanaan jangka menengah diperlukan untuk pengelolaan sumber daya antara 1 hari dan 1 tahun. Perencanaan jangka panjang dari 1 hingga 2 tahun sangat penting untuk perencanaan masa depan.

Pemeriksaan sedang dilakukan untuk menyelesaikan beberapa metode AI, termasuk pengembangan simulasi, jaringan saraf, dan GA. Penerapan algoritma genetika melalui penelitian kasus menunjukkan bahwa parameter GA yang sesuai dijaga, serta fungsi pengkodean dan pengembangan masalah.

Penggunaan pengkodean bilangan bulat menurunkan kecepatan penyelidikan metode pencarian genetik. Dengan menggunakan pengkodean bilangan bulat, algoritme perlu melakukan operasi tambahan untuk mengubah solusi menjadi bilangan bulat, yang dapat memperlambat proses pencarian. Perencanaan pembangkitan tenaga listrik masih menjadi penghalang bagi solusi teknologi yang kompeten dan merupakan masalah optimasi yang sulit. Tantangan dalam perencanaan pembangkit listrik terletak pada menemukan keseimbangan optimal antara biaya dan efisiensi, serta mempertimbangkan faktor-faktor seperti dampak lingkungan, keandalan, dan keamanan pasokan. Jawaban atas kesulitan dalam perencanaan pembangkitan adalah dengan mencari UC (unit komitmen) pada setiap titik dalam periode pemrograman untuk setiap pembangkit dalam satu sistem tenaga listrik. Suatu sistem kelistrikan harus ditentukan dalam setiap interval perencanaan untuk setiap pembangkit listrik untuk pengambilan keputusan dan tingkat keluaran. Proses solusi harus ditangani secara bersamaan untuk keputusan biner dan variabel kontinu.

Kesulitan pembangkitan dalam penjadwalan biasanya cukup sempit dan bersifat gabungan. Pendekatan optimasi kawanan pertandingan telah digunakan untuk mencapai jadwal yang layak dalam waktu tertentu. Studi tersebut menemukan bahwa pendekatan berbasis optimasi menggunakan PSO memberikan hasil yang lebih baik daripada GA atau strategi evolusi. Data dari sistem tenaga sebenarnya digunakan

aku j

tersembunyi

Danw ubah pada

keluaran memasukkan

3 Penerapan AI di sektor ketenagalistrikan

3.1 Pengoperasian sistem tenaga listrik

3.1.1 TUA

ELD adalah proses penetapan keluaran pembangkitan ke unit pembangkitan untuk mensuplai beban sistem secara penuh dan ekonomis. Seluruh unit pembangkit yang terlibat menghasilkan total biaya listrik untuk meminimalkan energi. Perhatian utama dari masalah ELD adalah mengurangi biaya bahan bakar secara keseluruhan. Hal ini dicapai dengan menghasilkan listrik dengan cara yang mengoptimalkan penggunaan sumber daya dan mengurangi keseluruhan biaya produksi listrik dalam sistem ketenagalistrikan. Beberapa generator menyediakan total output yang cukup untuk memenuhi kebutuhan konsumen dalam sistem tenaga listrik pada umumnya. Biaya produksi setiap unit pembangkit dalam sistem ketenagalistrikan berbeda-beda, hal ini disebabkan jarak unit pembangkit dengan unit pemuatan tidak sama. Selama bertahun-tahun, beberapa pendekatan AI telah diciptakan untuk mengatasi tantangan ini. Setelah simulasi, penulis menyimpulkan bahwa penggunaan teknik algoritma genetika untuk memecahkan masalah ELD dapat menghasilkan biaya produksi listrik yang lebih rendah secara keseluruhan, namun juga dapat menghasilkan emisi yang lebih tinggi. Namun, memilih solusi dengan biaya lebih tinggi dapat menghasilkan emisi yang minimal. Kerugian transmisi biasanya diabaikan jika kerugiannya kecil. Namun untuk transmisi jarak jauh dalam jaringan yang besar dan saling terhubung, rugi-rugi transmisi menjadi signifikan dan berdampak pada optimalisasi penyaluran pembangkit listrik. Dimungkinkan untuk mengoperasikan sistem multitasking yang sama dengan profil voltase yang lebih baik dan dengan teknologi perhitungan evolusioner, nilai biaya dan emisi kompromi terbaik.

Hasil yang diusulkan dari simulasi ANN menekankan bahwa hasilnya tidak dapat dibedakan dari metode konvensional, meskipun waktu yang digunakan oleh jaringan saraf lebih sedikit dibandingkan metode konvensional. Banyaknya generator meningkatkan

kesalahan prediksi karena banyak data input dan output yang harus dipelajari. Untuk memantau kinerja, jaringan saraf memiliki

(9)

untuk mengevaluasi kinerja berbagai teknik optimasi. 3.2 Pengendalian sistem tenaga listrik

3.2.1 VC

3.1.3 Universitas Tujuan utama dari sistem tenaga pengontrol tegangan adalah untuk

menjaga profil tegangan dalam batas yang ditentukan, sehingga meminimalkan rugi-rugi transmisi dan menghindari kasus ketidakstabilan tegangan.81]. Sistem VC terdiri dari tiga tingkat kendali hierarki: AVR (pengatur tegangan otomatis), kendali tegangan tersier (TerVC) dan kendali tegangan sekunder (SecVC). AVR ditujukan untuk mengendalikan tegangan bus yang dilengkapi dengan sumber daya reaktif (misalnya kompensator sinkron, sinkron, var statis dan STATCOM (kompensator sinkron statis)). Tindakan dilakukan secara lokal pada tingkat kendali ini.

SecVC digunakan untuk memonitor tegangan pada bus tertentu yang mengontrol bus kargo.

Dalam situasi di mana terdapat perangkat keras di sekitar yang mengubah titik referensi untuk AVR, tingkat kendali biasanya beroperasi pada kecepatan yang lebih lambat dibandingkan dengan tingkat kendali AVR. SecVC

bertanggung jawab untuk mengidentifikasi wilayah VC dan korelasinya dengan bus beban individual. Untuk mengakomodasi berbagai kondisi sistem tenaga listrik, SecVC harus menunjukkan fleksibilitas dalam menyesuaikan wilayah kontrol untuk mengakomodasi semua kondisi jaringan listrik. Di sisi lain, TerVC menentukan nilai referensi optimal untuk jaringan tegangan pada setiap bus beban. Tujuannya adalah untuk meminimalkan kehilangan daya,

mengoptimalkan daya reaktif, dan mempertahankan pelepasan atau reservasi beban minimum. TerVC biasanya diperbarui setiap 30 menit hingga 1 jam.

Algoritme propagasi kesalahan mundur melatih persepsi umpan maju berlapis-lapis. Metode nilai singular minimum menganalisis keruntuhan tegangan statis. Prosedur ini menggunakan waktu evaluasi stabilitas tegangan minimum setelah pelatihan jaringan selesai. Untuk memantau jatuhnya tegangan, metodologi pelengkap jaringan saraf dan sistem pakar akan digabungkan untuk digunakan dalam aplikasi [82].

GA merupakan teknik optimasi berulang dengan beberapa solusi dari kandidat (disebut populasi). Dalam kasus dimana tidak ada pengetahuan mengenai bidang permasalahan, maka GA mulai mencari solusi dari populasi acak. Pengkodean (atau tampilan) yang sesuai harus ditentukan terlebih dahulu untuk menyelesaikan masalah. Fungsi kebugaran juga harus didefinisikan sehingga setiap solusi pengkodean diberikan gambaran manfaatnya. Jika induk tidak puas dengan syarat terminasi, untuk reproduksi harus dipetik [83].

Mereka kemudian digabungkan untuk menghasilkan keturunan melalui reproduksi dan, untuk menyegarkan populasi kandidat solusi, operator persilangan dan mutasi digunakan. Biasanya, dalam algoritma genetika dasar, tiga operator terlibat: seleksi, persilangan, dan mutasi. Operasi ini dilakukan untuk menghasilkan keturunan baru, individu dan generasi berikutnya. Proses yang sama diulangi pada generasi baru hingga kriteria yang diinginkan terpenuhi.

Pendekatan metode ini digunakan untuk mengajarkan gerombolan pada awal PSO. Dalam hal ini, 10 variabel kontrol digunakan untuk input ANN. Neuron dan prasangkanya ada 11. Lapisan tersembunyi terdiri dari kelompok neuron dan bias ini. Tersedia sepuluh keluaran/

tujuan. Tujuan tersebut dicapai dengan menggunakan nilai PSO yang optimal. Keluaran terakhir adalah inisialisasi dalam optimasi gerombolan partikel non-linier yang bervariasi waktu (TVNL-PSO).

Langkah-langkahnya adalah sebagai berikut:

UC dijadwalkan dengan benar untuk status ON/OFF dan output daya generator asli dari sistem. Untuk memenuhi sejumlah besar keterbatasan sistem dan menurunkan biaya bahan bakar keseluruhan pada setiap interval waktu, diperlukan cadangan pemintalan (cadangan pemintalan mengacu pada kapasitas pembangkitan tambahan yang tersedia dan berjalan tetapi tidak secara aktif memasok daya ke jaringan listrik). UC memenuhi persyaratan beban yang diharapkan sebelumnya. Untuk mengimplementasikan UC, digunakan peramalan beban jangka menengah menggunakan ANN. Struktur jaringan saraf dilatih melalui pembelajaran dan pembelajaran parameter. Total biaya operasional di bawah 24 jam digunakan untuk kriteria penilaian. Studi ini menunjukkan efektivitas pendekatan yang diusulkan dengan membandingkan kinerja model peramalan beban berbasis ANN dengan metode tradisional seperti regresi linier dan peramalan time-series. Hasilnya menunjukkan bahwa model peramalan beban berbasis ANN secara signifikan meningkatkan akurasi peramalan beban dan mengurangi biaya penjadwalan dengan mengurangi jumlah unit yang dibutuhkan untuk penjadwalan. Studi ini juga menyoroti pentingnya mempertimbangkan ketidakpastian dan variabilitas permintaan beban dalam penjadwalan UC dan menyarankan bahwa model peramalan beban berbasis ANN dapat menjadi alat yang berguna untuk mencapai penjadwalan yang lebih efisien dan andal dalam sistem tenaga listrik. Harga marjinal lokasi telah dievaluasi melalui ANN yang terlatih. Temuan menunjukkan bahwa teknik saat ini memberikan mekanisme UC yang berbeda. Untuk mengembangkan komitmen unit digunakan teknik PSO. Pada implementasinya, seiring dengan

bertambahnya ukuran maka waktu pelaksanaan juga semakin bertambah.

Untuk mempercepat PSO juga diterapkan metode perbaikan konvergensi.

3.1.4 Aliran daya optimal

Aliran daya optimal (OPF) adalah teknik yang sangat penting untuk mengidentifikasi pengaturan parameter kontrol optimal yang meningkatkan atau menurunkan fungsi target yang diinginkan, namun juga dalam berbagai keterbatasan. Instrumen penting untuk merancang dan mengoperasikan sistem tenaga listrik adalah masalah aliran daya optimal untuk mengidentifikasi pengaturan parameter terbaik yang dapat memaksimalkan atau meminimalkan fungsi tujuan yang diinginkan dalam batasan tertentu. Kontrol tegangan dan reaktif, juga disebut OPD, adalah sub-masalah OPF yang berupaya mengurangi kehilangan transmisi secara keseluruhan dengan melanjutkan aliran daya reaktif. Pengiriman daya reaktif yang optimal adalah solusi non-linier untuk masalah pencampuran bilangan bulat karena beberapa variabel kontrol seperti rasio tap untuk transformator, keluaran kapasitor shunt, dan reaktor berbeda.

Strategi alternatif untuk memitigasi masalah GA-ANN dijelaskan dalam artikel ini. Kumpulan jaringan ANN dilatih secara offline dalam jumlah sistem tertentu untuk menangani masalah OPF umum. Untuk memilih input ANN yang sesuai digunakan teknik k-mean clustering.

Saat mempelajari fungsinya dengan benar, ANN dapat dengan mudah memperkirakan hasil terkait dengan sangat presisi.

ANFIS mengembangkan kumpulan data input/output sistem inferensi fuzzy (FIS) yang mencocokkan parameter keanggotaan (penyesuaian) dengan tipe proses propagasi mundur atau kuadrat minimum. Pembaruan ini

memungkinkan Anda mempelajari data sistem fuzzy, implementasi sistem bus IEEE 39, dan perangkat lunak simulasi dari dunia tenaga listrik yang digunakan untuk pembentukan ANFIS. Hasilnya menunjukkan bahwa ANFIS menawarkan solusi yang sama akuratnya dengan solusi konvensional. Namun, ini membutuhkan waktu lebih sedikit dan bekerja dengan cepat. Beberapa makalah tambahan mengenai penerapan AI dalam pengoperasian sistem tenaga listrik disajikan padaTabel 3.

• PSO digunakan untuk mengambil input ANN; nilai bobot diterapkan secara acak;

• input dan partisi ANN dalam lapisan cache ditimbang dan kemudian diaktifkan oleh fungsi biner sigmoid;

• pembobotan keluaran pada lapisan tersembunyi dan aktivasi fungsi linier;

(10)

Tabel 3:Penerapan kecerdasan buatan dalam pengoperasian sistem tenaga listrik

Aplikasi Referensi Tahun Objektif Teknik

Beban ekonomi

menugaskan

Alqutamidkk.[59] 2020 Dapatkan hasil terbaik dengan jumlah uang terendah dan dalam waktu yang paling singkat dibandingkan dengan teknik sebelumnya

Lebah buatan koloni optimasi sahaydkk.[60]

Mishradkk.[61]

Dixitdkk.[62]

2018 2015 2011

Untuk mengurangi biaya bahan bakar, biaya transmisi, biaya tenaga kerja dan

biaya perawatan Algoritma genetika

Solusi kompromi yang lebih baik, misalnya biaya dan emisi,

antara kedua tujuan tersebut Algoritma genetika

Masalah dengan fungsi tujuan tunggal yang setara untuk mengatasi masalah ekonomi, emisi dan kombinasi masalah ekonomi dan pengiriman emisi

Lebah buatan koloni optimasi Danieldkk.[63]

Ruiz-Abellondkk.[64]

Alidkk.[65]

Fudkk.[66]

2018 2019 2020 2020

Periode di mana pengiriman muatan dihitung bervariasi secara dinamis untuk setiap interval waktu yang dipilih

Saraf buatan jaringan

Tujuannya adalah untuk meminimalkan kerugian ELD menggunakan berbasis GA sistem aliran daya yang optimal

Kawanan partikel optimasi

Untuk memulainya, ELD diselesaikan dengan menggunakan algoritma genetika dengan kendala yang ada, tetapi tidak ada kendala aliran jalur

Algoritma genetika Generator

pemeliharaan penjadwalan

Melakukan pemeliharaan preventif pada komponen-komponen itu beresiko membantu jaringan distribusi menghindari kegagalan dengan mencegahnya sebelum terjadi

perangkat FAKTA

Esmailidkk.[67] 2014 Kerangka kerja multi-target untuk manajemen kemacetan adalah disajikan di mana tiga fungsi target yang bersaing dioptimalkan secara bersamaan, total biaya operasional, tegangan dan margin untuk stabilitas transien

perangkat FAKTA

Tentu sajadkk.[68]

Lakshminarayanandkk.[69]

2013 2018

Untuk sistem tenaga listrik, meminimalkan cadangan pasokan tahunan deviasi rasio dan mengurangi kemungkinan hilangnya beban

Kawanan partikel optimasi

Tujuannya adalah untuk memaksimalkan dan mendistribusikan cadangan

listrik secara merata selama 52 minggu sambil memenuhi berbagai batasan

Algoritma genetika

Scalabrini Sampaiodkk.[70] 2019 Pengumpulan data untuk pelatihan dan pengujian buatan jaringan saraf untuk mengantisipasi dan mengidentifikasi cacat pada mesin di masa depan

Saraf buatan jaringan

Aliran energi Fikridkk.[71] 2019 Implementasi ANN tanpa adanya beberapa masalah

data dan, yang lebih penting, tidak adanya konvergensi metode numerik dengan presisi tinggi

Saraf buatan jaringan Rahuldkk.[72] 2012 Tujuannya adalah untuk meminimalkan kerugian transmisi menggunakan

sistem aliran daya optimal berbasis GA untuk sistem daya uji IEEE 30-bus

Algoritma genetika

Nakawirodkk.[73] 2009 Jaringan saraf tiruan offline menggantikan aliran daya dalam OPF, yang merupakan campuran non-linier dari optimasi integral dan tujuan pengurangan jaringan

Algoritma genetika dan buatan jaringan syaraf Sumpavakupdkk.[74] 2010 Metode ini telah digunakan untuk mengidentifikasi yang optimal

solusi untuk setiap unit produksi dan mengurangi biaya produksi secara keseluruhan

Lebah buatan koloni optimasi Abdellahdkk.[75] 2015 Agar optimal, program aliran daya harus standar

ditingkatkan (OPF) adaptif

neuro-fuzzy gangguan sistem

Satuan

komitmen Nematidkk.[76] 2018 Sistem tenaga modern seperti microgrid harus menghadapi tantangan ini

berbagai rintangan berat akibat revolusi energi saat ini Algoritma genetika dan campuran- bilangan bulat linier

pemrograman Alshareefdkk.[77]

Aoradkk.[78]

2011 2016

Dalam studi ini, biaya, emisi dan biaya dan

emisi sistem semuanya diminimalkan Kawanan partikel optimasi Penggunaan hasil pembelajaran jaringan syaraf tiruan pada medium-

perkiraan beban jangka disajikan sebagai metode komitmen unit

Saraf buatan jaringan Liudkk.[79] 2008 Pada penelitian ini diberikan teknik hybrid ANN

mengatasi masalah optimasi kombinasional dalam sistem tenaga listrik, termasuk komitmen unit

Lagrangian relaksasi dan saraf buatan jaringan Kumardkk.[80] 2010 Untuk memulainya, komitmen unit diselesaikan dengan menggunakan a

algoritma genetika dengan batasan yang berlaku tetapi tidak ada batasan aliran garis. Pada fase kedua, dengan menggunakan OPF berbasis GA, jumlah pelanggaran di jalur diminimalkan untuk jadwal yang berkomitmen

Algoritma genetika

(11)

• untuk mengoptimalkan daya reaktif dan VC oleh TVNL-PSO,

output ANN dikirimkan sebagai nilai inisialisasi awal. 3.3 Perencanaan sistem tenaga listrik

3.3.1 DSP

DSP memainkan peran penting dalam meningkatkan keandalan dan meminimalkan biaya bagi utilitas dan konsumen. Jaringan distribusi tenaga listrik merupakan komponen fundamental dalam sistem tenaga listrik. Secara umum, jaringan transportasi lebih padat dan kompleks dibandingkan jaringan transportasi yang menyediakan stasiun trafo [110]. Otomatisasi pekerjaan yang sebelumnya manual meningkat seiring dengan semakin kompleksnya jaringan distribusi. Alat baru dikenal sebagai fungsi otomatisasi tingkat lanjut yang mendukung pengoperasian jaringan tersebut. Fungsi-fungsi ini memungkinkan operator jaringan untuk secara efektif mengatasi masalah yang timbul. Selain itu, konfigurasi ulang jaringan distribusi sangat penting untuk mengidentifikasi solusi optimal yang selaras dengan kebutuhan dan kendala operator, sehingga memastikan pasokan listrik yang aman dan optimal secara ekonomi.

Rancangan jaringan distribusi yang optimal bukanlah solusi tetap, melainkan suatu proses yang melibatkan pertimbangan berbagai opsi yang layak secara teknis dan menggunakan alat perbaikan untuk membuat keputusan terbaik berdasarkan faktor-faktor seperti permintaan, keandalan transmisi daya, dan struktur jaringan. Semua jalur potensial pada awalnya diidentifikasi dengan data sistem yang diunggah dan kemudian perhitungan biaya kehilangan energi diterapkan untuk setiap teknik aliran beban penyapu maju/mundur jalur yang diidentifikasi. Untuk pendistribusian tenaga listrik, dipilih jalur kehilangan energi minimum. Pemilihan optimal konduktor cabang sistem radial dilakukan dengan menggunakan optimasi PSO.

Dalam hal ini, parameter seperti kehilangan daya, profil tegangan, dan penyusutan investasi modal meningkatkan optimalisasi.

Parameter ini digunakan sebagai kriteria optimasi untuk menentukan konduktor cabang optimal yang meminimalkan kehilangan daya, meningkatkan profil tegangan, dan mengurangi penyusutan investasi modal. Algoritme PSO secara iteratif memperbarui posisi setiap partikel dalam ruang pencarian berdasarkan pengalamannya sendiri dan pengalaman tetangganya.

Algoritme berlanjut hingga titik optimum global ditemukan atau kriteria penghentian terpenuhi. Solusi akhir yang dihasilkan oleh algoritma PSO mewakili konduktor cabang optimal yang memenuhi kriteria optimasi [111]. Optimalisasi PSO menghasilkan penghantar optimal dan gardu induk terbaik, dipilih posisi penghantar optimal kemudian tercapai distribusi daya gardu optimal.

Algoritma multi-target diusulkan yang menggunakan teknik optimasi fluida untuk menangani target yang kontradiktif [112]. Perumusan rencana dan algoritme mencakup fungsi multi-target yang menggunakan sistem penyimpanan energi baterai (BESS) dan sumber daya tradisional untuk memilih opsi perencanaan terbaik. Microgrid BESS telah menerima manajemen daya dan peningkatan kualitas daya. Algoritma yang diusulkan didasarkan pada proses pengambilan keputusan berbasis sekering dari pendekatan FIS tipe Mamdani dan pendekatan Bellman – Zadeh.

Dalam makalah ini [113], dua algoritma yaitu program linier bilangan bulat campuran (MILP) dan GA dibandingkan untuk perancangan pengumpan sistem distribusi radial. Tujuan utamanya adalah meminimalkan total investasi dan penghentian operasional sekaligus memaksimalkan keandalan sistem. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kedua teknik optimasi tersebut ditinjau dari optimalitas, kompleksitas dan kebutuhan waktu. Aspek unik dari model optimasi adalah pertimbangan biaya operasional yang terkait dengan kegagalan, yang secara langsung terkait dengan desain sistem.

Tingkat kesalahan dan biaya kerusakan pada setiap titik pemuatan diperbarui berdasarkan konfigurasi yang diusulkan. Penting untuk menentukan metode mana yang memberikan hasil unggul dalam hal optimalitas, kompleksitas, dan efisiensi waktu.

3.2.2 Pengendalian kestabilan sistem tenaga

Stabilitas sistem tenaga listrik adalah fitur yang memungkinkannya tetap berada dalam keseimbangan dalam kondisi operasi normal dan mendapatkan kembali keseimbangan yang dapat diterima setelah perubahan. Margin stabilitas terlihat menurun di seluruh dunia [84]. Kami menyoroti tiga dari banyak alasan untuk hal ini:

• Terhambatnya kendala ekonomi dan lingkungan dalam transmisi atau konstruksi lebih lanjut. Oleh karena itu, sistem tenaga listrik harus dioperasikan dengan margin keselamatan yang lebih rendah.

• Restrukturisasi industri ketenagalistrikan. Proses restrukturisasi mengurangi batas stabilitas, karena sistem tenaga listrik tidak dapat bekerja sama secara efektif [85].

• Meningkatnya kompleksitas sistem tenaga listrik melipatgandakan sifat kompulsif. Ini termasuk osilasi non-linier yang besar;

perbedaan frekuensi antara wilayah sistem energi yang berikatan lemah; interaksi dengan perangkat jenuh.

Logika fuzzy berupaya untuk mengatasi masalah dengan meniru pemikiran manusia, memungkinkan pengambilan keputusan yang optimal berdasarkan informasi yang tersedia. Ini juga dapat digunakan untuk mengatur stabilitas sistem yang tidak dimodelkan. Untuk mencapai peningkatan kinerja, pengontrol logika fuzzy (FL) dikombinasikan dengan pengontrol PID (proportionalintegral–derivative). Dalam skenario khusus ini, kontrol logika fuzzy menyesuaikan penguatan pengontrol PID berdasarkan sistem tenaga.

Pengontrol logika fuzzy pada dasarnya terdiri dari empat bagian utama: fuzzifikasi, basis aturan fuzzy, inferensi fuzzy, dan defuzzifikasi.

FACTS telah terbukti sangat menjanjikan dalam meningkatkan kinerja dalam kondisi stabil. Perangkat FACTS yang paling menjanjikan adalah pengontrol aliran daya terpadu (UPFC). Tiga faktor kontrol dapat disesuaikan: tegangan bus, garis reaksi, dan sudut fasa antara dua bus.

Aliran listrik harus didistribusikan kembali ke seluruh saluran sambil menjaga kondisi stabil. Hal ini juga dapat dimanfaatkan untuk meningkatkan redaman ketika frekuensi rendah diredam untuk sementara.

Kontrol stabilitas sistem tenaga.

Kontrol frekuensi beban sebagaimana ditentukan oleh kontrol keluaran daya generator yang dapat dikontrol di area yang ditentukan

menyelesaikan perubahan frekuensi sistem, pembebanan dua saluran, atau interaksi untuk mempertahankan pertukaran dengan wilayah lain dalam batas tetap atau frekuensi sistem terjadwal [86]. Pengontrol proporsional-integral (PI) tradisional adalah yang paling banyak digunakan di antara berbagai jenis pengontrol frekuensi beban.

Pengontrol PI dapat dengan mudah diimplementasikan dan memberikan respons yang lebih cepat, namun kinerjanya menurun ketika gangguan yang tidak diinginkan, seperti dinamika perubahan beban, menambah kesulitan dalam sistem. Dalam tulisan ini, lebih sedikit komputasi yang diperlukan untuk arsitektur kontrol non-linear autoregressive moving average-L2 (NARMA-L2). Sinyal keluaran, referensi, dan kontrol pabrik disertakan. Oleh karena itu pengontrol diajarkan untuk memantau keluaran model referensi. Jaringan model yang memperbarui pengaturan pengontrol memprediksi dampak perubahan kinerja pabrik. Beberapa makalah tambahan mengenai penerapan AI dalam pengendalian sistem tenaga disajikan padaTabel 4.