Simulasi Sistem Operasi PLTA Menggunakan Artificial Neural Network
Transcript of Simulasi Sistem Operasi PLTA Menggunakan Artificial Neural Network
-
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' åan 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'
åan 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
åan 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 åan 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 åan 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 åan 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
åan 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
åan yang tidak memerlukan sejumlah besar waduk
simulasi untuk sepenuhnya terlatih digunakan Neural ini
åan 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