7/26/2019 Simulasi Sistem Operasi PLTA Menggunakan Artificial Neural Network

1/4

Simulasi Sistem Operasi PLTA menggunakan Artifcial Neural Network

Abstrak Makalah ini menyajikan model simulasi untuk sistem pembangkit listrik

tenaga air Simulasi !"#S$ Model %eandalan #erbasis adalah tip umum untuk

simulasi sistem PLTA Metode ini didasarkan pada penentuan kapasitas

pembangkit listrik menggunakan proses iterasi disebutkan energi perusahaan

awal &uga' dalam persamaan energi metode ini adalah implisit dan memecahkan

memerlukan proses iterasi juga Metode ini memakan terutama dalam sistem

multi(waduk waktu Menggunakan Artifcial Neural Network !ANN$ parameter

yang diinginkan seperti siaran dari reser)oir dapat diperoleh lebih cepat

*ndeks Syarat("#S Model' sistem PLTA' &aringan Syara+ Tiruan

* P,N-A./L/AN

%ompleksitas masalah dan tantangan muncul dalam pengelolaan sumber daya

air telah menyerukan kolaborasi interdisipliner ahli dan pengembangan model

hydro Pembangkit listrik tenaga air memainkan peran kunci dalam sistem

tenaga listrik' karena biaya operasional yang rendah dan 0eksibilitas mereka

dalam operasi real time Selain itu' keberlanjutan dan masalah lingkungan

mendukung penggunaannya dalam sistem tenaga saat ini' bersama(sama

dengan sumber terbarukan energi lainnya' seperti angin dan energi surya Model

simulasi deskripti+' karena keuntungan komputasi mereka' dapat

mempertimbangkan rincian lebih lanjut dari sistem nyata daripada model

optimasi Namun' mereka membutuhkan bahwa model builder menentukan

kebijakan operasi Penggunaan kur)a aturan 123' aturan heuristik seperti aturan

ruang 143' New 5ork 6ity !N56$ aturan 173' aturan 183' lindung nilai 193 adalah cara

umum untuk mendefnisikan kebijakan operasi yang diperlukan dalam model

simulasi 1:3 membahas aturan operasi untuk sistem listrik tenaga air di seri dan

paralel Simulasi "eser)oir biasanya memerlukan upaya komputasi besar dan

konsumsi waktu yang cukup sehingga kegiatan yang berkaitan dengan simulator

reser)oir yang menderita keterbatasan parah yang membuat sulit dengan

perkembangan yang kuat #aru(baru ini beberapa teknik seperti Spline' %riging'

&aringan Syara+ Tiruan' ,ksperimental -esain 1;3' 1

7/26/2019 Simulasi Sistem Operasi PLTA Menggunakan Artificial Neural Network

2/4

diperoleh lebih cepat &uga' hasil penelitian yang berkaitan dengan penyelidikan

dari berbagai jenis Neural

** &A"*N?AN S5A"A@ T*"/AN

&aringan sara+ terdiri dari unsur(unsur sederhana yang beroperasi secara paralel

/nsur(unsur ini terinspirasi oleh sistem sara+ biologis Seperti di alam' +ungsi

jaringan ditentukan terutama oleh hubungan antara unsur(unsur %ita bisa

melatih jaringan sara+ untuk melakukan +ungsi tertentu dengan menyesuaikan

nilai(nilai dari koneksi !bobot$ antara elemen &aringan umumnya sara+

disesuaikan' atau dilatih' sehingga input tertentu menyebabkan output target

tertentu Situasi seperti ditunjukkan di bawah ini Ada' jaringan disesuaikan'

berdasarkan perbandingan output dan target' sampai output jaringan cocok

target #iasanya banyak seperti pasangan input target yang digunakan' dalam

belajar diawasi ini' untuk melatih Networks jaringan sebagai pro>y untuk waduksimulator dianalisis dan @eedbag Maju %embali(Propagation #erlapis(lapis yang

dipilih

?ambar < Skema peran &aringan Syara+ Tiruan

Pelatihan #atch dari hasil jaringan dengan membuat berat badan dan bias

perubahan berdasarkan seluruh set !batch$ dari )ektor input Pelatihantambahan perubahan bobot dan bias dari jaringan yang diperlukan setelah

presentasi dari setiap )ektor masukan indi)idu Pelatihan tambahan kadang(

kadang disebut sebagai Bon lineB atau Badapti+B pelatihan &aringan sara+ telah

dilatih untuk melakukan +ungsi kompleks dalam berbagai bidang aplikasi

termasuk pengenalan pola' identifkasi' klasifkasi' pidato' )isi dan sistem kontrol

-a+tar aplikasi diberikan dalam #ab ditempatkan pada paradigma jaringan sara+ yang

membangun untuk diri mereka sendiri atau digunakan dalam rekayasa'

keuangan dan aplikasi praktis lainnya

7/26/2019 Simulasi Sistem Operasi PLTA Menggunakan Artificial Neural Network

3/4

&aringan sara+ telah berhasil diterapkan di beberapa

bidang penelitian dari teknik perminyakan -ari reser)oir

karakterisasi untuk e(ladang Neural Networks telah menemukan

sejumlah besar aplikasi -i antara yang paling penting

Neural Networks adalah @eedbag Maju %embali(Propagation

#erlapis(lapis @leksibilitas dari jaringan ini memungkinkan

untuk digunakan dalam solusi dari beberapa masalah %esulitan dalam

penerapan Neural Network ini sebagai pro>y untuk waduk

simulator adalah bahwa Neural Network ini akan terlatih

membutuhkan jumlah besar simulasi waduk -i sisi lain

tangan' tujuan utama untuk pengembangan pro>y untuk

simulator waduk adalah akhirnya' penurunan yang signifkan dari

jumlah simulasi waduk' sehingga penerapan

/mpan(@orward #ack(Propagation #erlapis(lapis dalam pertama

saat ini tidak dianjurkan Pada artikel ini' Neural

&aringan yang tidak memerlukan sejumlah besar waduk

simulasi untuk sepenuhnya terlatih digunakan Neural ini

&aringan dilatih dengan berkurangnya jumlah waduk

simulasi dan disajikan akurasi tinggi

*** #,"#AS*S ( S*M/LAS* ",L*A#*L*T5

,nergi metode @irm atau Produksi ini kapasitas

reser)oir diasumsikan -alam keseimbangan massa persamaan akhir

Penyimpanan bulan dan rilis waduk tidak diketahui -alam langkah ini

akhir penyimpanan bulan !permukaan air normal rata(rata adalah

@ungsi akhir bulan penyimpanan$ diasumsikan kemudian menggunakan

energi rilis persamaan waduk ditentukan jumlah ini

pelepasan diatur ke dalam persamaan neraca massa dan akhir baru

7/26/2019 Simulasi Sistem Operasi PLTA Menggunakan Artificial Neural Network

4/4

Penyimpanan bulan diperoleh tetapi beberapa kendala harus

dipertimbangkan untuk itu Penyimpanan maksimum dan minimum dan

energi maksimum yang dihasilkan adalah +aktor yang paling penting jika

akhir akhir penyimpanan bulan adalah sama dengan akhir awal

penyimpanan' proses dapat pergi ke langkah berikutnya Persamaan < dan 4

menunjukkan persamaan keseimbangan dan energi massa masing(masing