Pemodelan Hybrid Decomposition Neural Network Untuk Klasifikasi Gangguan Sistem Tenaga Listrik Pada Disturbance Fault Rrcorder (DFR)

A. Ramadhan, Unit Three Kartini
{"title":"Pemodelan Hybrid Decomposition Neural Network Untuk Klasifikasi Gangguan Sistem Tenaga Listrik Pada Disturbance Fault Rrcorder (DFR)","authors":"A. Ramadhan, Unit Three Kartini","doi":"10.26740/jte.v12n1.p67-72","DOIUrl":null,"url":null,"abstract":"Disturbance Fault Recorder (DFR) adalah perangkat yang merekam kualitas daya dalam bentuk gelombang fasa yang memiliki  variable berupa current (ampere) dan voltage (volt) pada saat pre fault, in fault, dan after fault. Perangkat ini banyak digunakan pada peralatan jaringan listrik untuk terus memantau peralatan jaringan listrik  dan merekam kesalahan/ketidaknormalan yang terjadi.. Tujuan dari penelittian ini adalah memodelkan Hybrid Decomposition Neural Network untuk mengklasifikasi jenis gangguan sistem tenaga listrik pada Disturbance Fault Recorder (DFR). Metode dekomposisi digunakan untuk membagi masalah menjadi beberapa bagian yang lebih sederhana atau komponen yang lebih kecil, sedangkan jaringan saraf digunakan untuk mempelajari dan memodelkan hubungan antara komponen-komponen tersebut. Data yang digunakan merupakan data rekaman gangguan Disturbance Fault Recorder (DFR) yang diakses di PT. PLN UP2B Jawa Timur. Klasifikasi jenis gangguan yang dipakai hanya untuk gangguan eksternal yaitu gangguan oleh petir dan short circuit. Dengan mengguanakan 100 data training yang berupa 50 data gangguan petir dan 50 data gangguan short circuit mendapatkan Data training memiliki akurasi sebesar 0,83 dan nilai loss sebesar 0,46. Untuk data validasi, nilai loss pada iterasi pertama adalah 0,70 dan nilai loss adalah 1,97. Data pelatihan memiliki akurasi 1,0 dan nilai kerugian 0,004. Untuk data validasi sebesar 0,70 dan nilai loss sebesar 18,50 pada iterasi kelima. Untuk hasil testing mendapatkan akurasi pada data training sebesar 0.8000 dan loss pada data training 1.9730, akurasi pada data test adalah 0.8000 dan loss pada data test adalah 1.930. Hasil untuk pengujian pada record gangguan yang mengghunakan data acak dari rekaman DFR mendapakan probalilitas 1.0 untuk setiap kelasnya. Sehingga bias dikatakan bahwa moedel Hybrid Decomposition Neural Network cocok digunakan untuk menhgklasifikasi jenis ganguan pada hasil rekaman pada DFR. \nKata Kunci: DFR, Klasifikasi, Petir, Short Circuit, Dekomposisi.","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"75 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-07-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Teknik Elektro","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.26740/jte.v12n1.p67-72","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

Disturbance Fault Recorder (DFR) adalah perangkat yang merekam kualitas daya dalam bentuk gelombang fasa yang memiliki  variable berupa current (ampere) dan voltage (volt) pada saat pre fault, in fault, dan after fault. Perangkat ini banyak digunakan pada peralatan jaringan listrik untuk terus memantau peralatan jaringan listrik  dan merekam kesalahan/ketidaknormalan yang terjadi.. Tujuan dari penelittian ini adalah memodelkan Hybrid Decomposition Neural Network untuk mengklasifikasi jenis gangguan sistem tenaga listrik pada Disturbance Fault Recorder (DFR). Metode dekomposisi digunakan untuk membagi masalah menjadi beberapa bagian yang lebih sederhana atau komponen yang lebih kecil, sedangkan jaringan saraf digunakan untuk mempelajari dan memodelkan hubungan antara komponen-komponen tersebut. Data yang digunakan merupakan data rekaman gangguan Disturbance Fault Recorder (DFR) yang diakses di PT. PLN UP2B Jawa Timur. Klasifikasi jenis gangguan yang dipakai hanya untuk gangguan eksternal yaitu gangguan oleh petir dan short circuit. Dengan mengguanakan 100 data training yang berupa 50 data gangguan petir dan 50 data gangguan short circuit mendapatkan Data training memiliki akurasi sebesar 0,83 dan nilai loss sebesar 0,46. Untuk data validasi, nilai loss pada iterasi pertama adalah 0,70 dan nilai loss adalah 1,97. Data pelatihan memiliki akurasi 1,0 dan nilai kerugian 0,004. Untuk data validasi sebesar 0,70 dan nilai loss sebesar 18,50 pada iterasi kelima. Untuk hasil testing mendapatkan akurasi pada data training sebesar 0.8000 dan loss pada data training 1.9730, akurasi pada data test adalah 0.8000 dan loss pada data test adalah 1.930. Hasil untuk pengujian pada record gangguan yang mengghunakan data acak dari rekaman DFR mendapakan probalilitas 1.0 untuk setiap kelasnya. Sehingga bias dikatakan bahwa moedel Hybrid Decomposition Neural Network cocok digunakan untuk menhgklasifikasi jenis ganguan pada hasil rekaman pada DFR. Kata Kunci: DFR, Klasifikasi, Petir, Short Circuit, Dekomposisi.
故障记录器(DFR)是一种在故障前、故障和故障后以波的形式记录功率质量的设备。该设备被广泛用于电网设备上,用于监控电网设备,并记录正在发生的错误或异常。这项研究的目的是建模一个神经复合网络,对故障记录仪上的电干扰系统进行分类。分解方法被用来将物质分成更简单或更小的部分,而神经网络则用来研究和模拟这些成分之间的关系。使用的数据是在东爪哇PT. UP2B上访问的Disturbance故障记录器(DFR)。只有外部障碍的分类才适用于闪电和短路。通过转发100个培训数据,包括50个闪电干扰数据和50个短路数据,培训数据得到0.83的准确性和0.46的失圈值。对于数据验证,第一次迭代损失的值是0。70,损失值是1。97。训练数据准确性为1.0,亏损值为0.004。验证数据为0.70,失值为18.50。为了测试结果在培训数据1.9730中获得训练数据的准确性,测试数据的准确性为0.8000,测试数据的准确性为0.8000,测试数据的准确性为1930。结果是测试DFR记录的破坏记录中出现的随机数据,要求每门课有1。0期变数。因此,有可能说,moedel混合解构神经网络适合对DFR上的录音结果进行分类。关键词:DFR,分类,闪电,短路,分解。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
审稿时长
12 weeks
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:604180095
Book学术官方微信
小红书