Peramalan Loss Of Life Tranformator Berdasarkan Loading dan Temperature Menggunakan LSTM di Gardu Induk 150KV Buduran

Abstract

Transformator ialah peralatan penting pada Gardu Induk yang mempunyai tugas penting seperti menstransformasikan tegangan, menyesuaikan arus, dan mempertahankan kualitas daya, namun seiring dengan waktu faktor-faktor seperti kenaikan temperatur operasi, kondisi pembebanan dan jadwal pemeliharaan dapat mempengaruhi kinerja transformator dan menyebabkan loss of life transformator. Pada penelitian ini bertujuan untuk membahas tentang metode Deep Learning-(Long Short Term Memory) LSTM untuk peramalan loss of life dengan efektif dan akurat. Metode LSTM yaitu jaringan saraf yang dalam dan informasi yang dikirimkan adalah aliran informasi yang berisi memori historis. Sumber data yang diterapkan penelitian ini dari transformator 6 di Gardu Induk 150 kV Buduran yang meliputi data beban dan temperatur minyak tahun 2021 dan 2022. Pengukuran kinerja LSTM dilakukan melalui Mean Squared Error (MSE) serta Root Mean Squared Error (RMSE). Hasil peramalan menunjukkan bahwa metode LSTM memiliki kinerja yang baik, dengan nilai MSE terbilang 0,0002 dan RMSE terbilang 0,014. Melalui metode ini, peramalan loss of life transformator untuk tahun 2023 diperoleh sebesar 17,89% atau setara dengan 0,1789 pu. Hasil studi ini menunjukkan bahwa metode LSTM dapat menghasilkan peramalan yang akurat dalam memprediksi loss of life transformator. Tingkat loss of life transformator tidak selalu konsisten setiap tahunnya, karena dipengaruhi oleh faktor-faktor seperti pembebanan, temperatur minyak, kondisi lingkungan, dan perawatan. Penelitian ini memberikan kontribusi penting dalam bidang perawatan transformator dengan menggunakan metode peramalan yang canggih. Dengan memperoleh perkiraan yang akurat tentang loss of life transformator, operator Gardu Induk 150 kV Buduran dapat merencanakan pemeliharaan secara lebih efisien.