Jurnal Teknik Elektro最新文献_第4页

Underwater Acoustic Intensity Analysis using Noise Assisted-MEMD with Varying Distances 利用噪声辅助-MEMD 进行不同距离的水下声强分析

Jurnal Teknik Elektro Pub Date : 2023-07-24 DOI: 10.15294/jte.v15i1.43878

Laily Fajarwati, Yusron Feriadi, Endang Widjiati

{"title":"Underwater Acoustic Intensity Analysis using Noise Assisted-MEMD with Varying Distances","authors":"Laily Fajarwati, Yusron Feriadi, Endang Widjiati","doi":"10.15294/jte.v15i1.43878","DOIUrl":"https://doi.org/10.15294/jte.v15i1.43878","url":null,"abstract":"With current developments, underwater communication using acoustic signals is widely used. Many things need to be prepared to support a reliable underwater communication system, such as taking measurements in a test tank to find out the correct measurement configuration. Underwater acoustic intensity measurements, which are detailed in this paper, are performed in the test tank using distance variation schemes. Measurements were made at various distances of 4, 10, 20, and 50 meters from the signal source. The hydrophone that was used has a sensitivity of -180 dB re 1V/µPa. The hydrophone was placed at a depth of 2 meters below the surface of the water in the test tank, which divided the test tank depth in half to ensure that reflections from the bottom and the surface were kept to a minimum. However, the problem is that there are noisy signals at different frequencies. This paper proposes a method using Noise Assisted - Multivariate Empirical Mode Decomposition (NA-MEMD) to decompose the signal and then calculate the sound intensity. The result shows that an increase in the distance between the transmitter and receiver, also causes a change in the intensity with an average change of 0.467 dB/meter. It is concluded that the NA-MEMD approach was shown to be successful in decomposing the intended signal from the noise to equalize the quality of the signal received at different distances, and the correlation between intensity value and change in distance is resilient, with a correlation value of 0.98, indicating a very strong correlation.","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"12 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139356064","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Sistem Obstacle Avoidance Pada Omnidirectional Mobile Robot Dengan Metode Artificial Potentional Field (APF) Berbasis Fuzzy logic controller (FLC) 系统避障全向移动机器人邓安法人工电位场(APF)基于模糊逻辑控制器(FLC)

Jurnal Teknik Elektro Pub Date : 2023-07-21 DOI: 10.26740/jte.v12n2.p6-13

Fajar Ilham Firmansyah, M. S. Zuhrie, M. Rohman, Endryansyah Endryansyah, Masyitah Aulia

{"title":"Sistem Obstacle Avoidance Pada Omnidirectional Mobile Robot Dengan Metode Artificial Potentional Field (APF) Berbasis Fuzzy logic controller (FLC)","authors":"Fajar Ilham Firmansyah, M. S. Zuhrie, M. Rohman, Endryansyah Endryansyah, Masyitah Aulia","doi":"10.26740/jte.v12n2.p6-13","DOIUrl":"https://doi.org/10.26740/jte.v12n2.p6-13","url":null,"abstract":"Tingginya angka pengaplikasian di seluruh dunia menjadikan studi dan pengembangan robot menjadi salah satu perhatian penting bagi para peneliti ilmiah pada saat ini. Salah satu jenis robot yang menarik perhatian banyak peneliti adalah mobile robot. Mobile robot yang digunakan pada penelitian ini adalah omnidirectional mobile robot, yang merupakan robot holonomic yang dapat berotasi dan bertranslasi secara bersamaan. Salah satu system penunjang mobile robot ini adalah obstacle avoidance yang mana merupakan sebuah sistem yang membantu robot untuk menghidari rintangan pada saat robot berjalan. Robot akan menghindari obstacle berdasarkan parameter-parameter yang dihasilkan oleh system dari robot into sendiri, seperti data sudut putar robot dari gyroscope, data jarak tempuh robot dari rotary encoder, kemudian data image processing dari omnivision. Hasil dari pengujian system obstacle avoidance ini merupakan nilai dari posisi robot sebelum dan sesudah menghindari obstacle, nilai yang dihasilkan berupa titik koordinat robot yang memiliki format (x, y) dimana x adalah titik koordinat secara horizontal dan y adalah titik koordinat secara vertical yang memiliki satuan cm. Hasil dari pengujian ini meghasilkan nilai rata-rata sebesar 41.11 cm sebelum obstacle dan selesai melakukan penghindaran rata-rata 42.77 cm setelah obstacle.","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"36 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"86545364","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Pemodelan Peramalan Beban Jangka Pendek untuk Subsistem Krian Gresik Menggunakan Deep Learning LSTM-NN

Jurnal Teknik Elektro Pub Date : 2023-07-18 DOI: 10.26740/jte.v12n2.p1-5

Bahrul Anas Septian, Unit Three Kartini

{"title":"Pemodelan Peramalan Beban Jangka Pendek untuk Subsistem Krian Gresik Menggunakan Deep Learning LSTM-NN","authors":"Bahrul Anas Septian, Unit Three Kartini","doi":"10.26740/jte.v12n2.p1-5","DOIUrl":"https://doi.org/10.26740/jte.v12n2.p1-5","url":null,"abstract":"Listrik seperti sudah menjadi kebutuhan primer bagi masyarakat di zaman ini. Pihak penyedia energi listrik harus mampu memastikan distribusi energi listrik berjalan maksimal dan sesuai kebutuhan. Sistem operasi yang baik dibutuhkan untuk menjaga performa tiap komponen sistem tenaga listrik dan sistem perencanaan yang baik dibutuhkan untuk alasan efisiensi daya bangkitan, salah satunya adalah kegiatan forecasting atau peramalan terhadap konsumsi beban. Kebaharuan penelitian ini yakni membuat sebuah pemodelan peramalan menggunakan metode Long Short Term Memory (LSTM) yaitu salah satu arsitektur pada Deep Learning untuk melakukan peramalan jangka pendek selama 1 hari ke depan pada subsistem Krian-Gresik. Dilakukan beberapa eksperimen dengan mengubah beberapa parameter diantaranya lags, epoch, dan batch yang kemudian mendapatkan hasil bahwasanya pada penelitian ini, peningkatan jumlah lags adalah yang paling mempengaruhi hasil prediksi. Kombinasi parameter terbaik untuk melakukan peramalan 1 hari ke depan adalah saat jumlah lags = 48, epoch = 250, dan batch = 256, dengan nilai akurasi MAPE = 3.67% dan RMSE = 69.36 serta grafik hasil prediksi yang mendekati pola dari data aktual. Model mampu menghasilkan prediksi yang baik dengan membaca pola dan hubungan pada data yang melibatkan 48 langkah sebelumnya. \u0000Kata Kunci: LSTM, Deep Learning, Forecasting, Neural Network, Load.","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"102 2","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"72451789","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Peramalan Daya Listrik Jangka Sangat Pendek pada Pembangkit Fotovoltaik (PV) Menggunakan Metode Deep Learning-Long Short Term Memory (LSTM) 光伏发电(PV)使用深度可学习长期短程内存(LSTM)

Jurnal Teknik Elektro Pub Date : 2023-07-18 DOI: 10.26740/jte.v12n1.p54-59

Khoirul Fadli, Unit Three Kartini

{"title":"Peramalan Daya Listrik Jangka Sangat Pendek pada Pembangkit Fotovoltaik (PV) Menggunakan Metode Deep Learning-Long Short Term Memory (LSTM)","authors":"Khoirul Fadli, Unit Three Kartini","doi":"10.26740/jte.v12n1.p54-59","DOIUrl":"https://doi.org/10.26740/jte.v12n1.p54-59","url":null,"abstract":"Pembangkit listrik fotovoltaik (PV) menjadi salah satu solusi untuk mengatasi masalah kelangkaan energi dan mengurangi emisi gas rumah kaca. Metode prediksi untuk meramalkan daya output pada pembangkit PV secara akurat telah menjadi alat penting untuk memecahkan perencanaan PV dan masalah pemodelan, yang dapat mengurangi dampak negatif pada seluruh sistem tenaga dan meningkatkan stabilitas sistem. Tujuan dari penggunaan metode Deep Learning - LSTM dalam peramalan daya listrik batas waktu sangat pendek pada pembangkit fotovoltaik (PV) adalah untuk memperoleh informasi mengenai hasil peramalan daya listrik dalam waktu 2 jam setelahnya. Hasil penelitian ini menunjukkan pada percobaan pertama dengan nilai epoch 50 mendapatkan hasil akurasi peramalan pada Mean Squared Error (MSE) terbilang 0,0253. Pada percobaan kedua dengan nilai epoch 100 mendapatkan hasil akurasi peramalan sebesar 0,0210. Pada percobaan ketiga dengan nilai epoch 150 mendapatkan hasil akurasi peramalan sebesar 0,0190. Dapat disimpulkan bahwasannya semakin besar nilai epoch hasil akurasi peramalan semakin baik dan metode Deep Learning-LSTM ini cocok digunakan untuk memprediksi daya listrik pada pembangkit fotovoltaik karena dengan menggunakan metode ini bisa mendapatkan hasil akurasi peramalan yang kecil. \u0000Kata kunci : Peramalan, Daya Listrik, Akurasi, Deep Learning, Long Short Term Memory (LSTM)","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"20 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"81697604","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Peramalan Jangka Sangat Pendek Daya Listrik PLTS On Grid Rumah Tinggal Menggunakan Metode Recurrent Neural Network Long Short Term Memory (RNN-LSTM) Berdasarkan Data Meteorologi

Jurnal Teknik Elektro Pub Date : 2023-07-18 DOI: 10.26740/jte.v12n1.p60-66

Krisna Taufik Brilliansyah, Unit Three Kartini

引用次数: 0

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

Jurnal Teknik Elektro Pub Date : 2023-07-18 DOI: 10.26740/jte.v12n1.p67-72

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":"https://doi.org/10.26740/jte.v12n1.p67-72","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. \u0000Kata Kunci: DFR, Klasifikasi, Petir, Short Circuit, Dekomposisi.","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"75 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"87000899","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Perbaikan Unjuk Kerja Motor Tiga Fasa Sebagai Penggerak Konveyor menggunakan Fuzzy Logic Controller

Jurnal Teknik Elektro Pub Date : 2023-07-18 DOI: 10.26740/jte.v12n1.p73-80

Falihul Fajri Al Faruq, Endryansyah Endryansyah, Puput Wanarti Rusimamto, Farid Baskoro

{"title":"Perbaikan Unjuk Kerja Motor Tiga Fasa Sebagai Penggerak Konveyor menggunakan Fuzzy Logic Controller","authors":"Falihul Fajri Al Faruq, Endryansyah Endryansyah, Puput Wanarti Rusimamto, Farid Baskoro","doi":"10.26740/jte.v12n1.p73-80","DOIUrl":"https://doi.org/10.26740/jte.v12n1.p73-80","url":null,"abstract":"Motor listrik bolak balik adalah salah satu jenis motor induksi 3 fasa yang memiliki kemampuan untuk menghasilkan energi mekanik dari energi listrik. Konveyor menggunakan motor induksi 3 fasa. Pada dasarnya, ketika terdapat perubahan pada beban, kecepatan motor juga akan berubah. Karena itu, tegangan dan frekuensi harus diatur untuk memastikan kecepatan tetap konstan. Tujuan penelitian ini adalah merancang pengendalian logika fuzzy untuk sistem pengendalian kecepatan yang digunakan untuk motor induksi tiga fasa yang bekerja sebagai penggerak konveyor. Tahap dalam penelitian ini yaitu perancangan fuzzy logic controller, perancangan simulasi menggunakan software matlab dan pengujian respon sistem dengan controller dan tanpa controller. Software yang digunakan adalah Matlab 2019b untuk perancangan fuzzy logic controller dan perancangan simulasi serta monitoring dalam bentuk grafik. Perancangan fuzzy logic controller pada motor induksi 3 fasa sebagai penggerak konveyor menggunakan metode Mamdani, parameter masukan logika fuzzy yaitu error dan ∆error dari putaran motor induksi 3 fasa, sedangkan parameter keluarannya adalah frekuensi dari motor induksi 3 fasa. Hasil pengujian dengan beban konstan 100g (0,98 N.cm) menggunakan fuzzy logic controller didapatkan waktu tunak (settling time) pada 0,570 detik pada kecepatan 1793 rpm dan error steady state (Ess) sebesar 0,3889%, Sedangkan hasil pengujian tanpa controller didapatkan waktu tunak (settling time) pada 0,670 detik pada kecepatan 1575 rpm detik dan error steady state (Ess) sebesar 12,5%. Pengaruh fuzzy logic controller untuk pengendali pada motor 3 fasa sebagai penggerak konveyor adalah mempercepat motor induksi menuju kondisi steady state atau waktu tunak (settling time) dan dapat memperkecil error steady state (Ess) pada kecepatan motor induksi 3 fasa. \u0000Kata Kunci: motor induksi, sistem kendali, fuzzy logic controller","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"57 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"91397249","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Peramalan Daya Pembangkit Di PLTGU Gresik Berdasarkan Indeks Keandalan LOLP dan LOLE dengan Metode LSTM-NN 根据ip和ip方法的可靠性索引，格栅的电源预测性

Jurnal Teknik Elektro Pub Date : 2023-07-18 DOI: 10.26740/jte.v12n1.p87-92

Dwikky Sucahyo Putra, Unit Three Kartini

{"title":"Peramalan Daya Pembangkit Di PLTGU Gresik Berdasarkan Indeks Keandalan LOLP dan LOLE dengan Metode LSTM-NN","authors":"Dwikky Sucahyo Putra, Unit Three Kartini","doi":"10.26740/jte.v12n1.p87-92","DOIUrl":"https://doi.org/10.26740/jte.v12n1.p87-92","url":null,"abstract":"Peramalan daya pembangkit merupakan proses memprediksi besaran daya yang akan dihasilkan oleh pembangkit listrik di masa yang akan datang. Peramalan daya pembangkit yang akurat sangat penting untuk mengoptimalkan operasi pembangkit listrik termasuk perancanaan produksi, perawatan dan perbaikan, pengaturan pengiriman daya, dan manajemen resiko. Namun seringkali terjadi hasil peramalan yang dilakukan memiliki tingkat keakuratan yang kurang. Oleh karena itu peneliti akan mencoba meramalkan daya pembangkit di PT. PLN Nusantara Power UP Gresik dengan tujuan agar mendapat hasil yang akurat. Metode yang akan digunakan adalah Deep Learning Long Short Term Memory (LSTM). Sementara untuk variabelnya adalah data historis daya, indeks keandalan Loss of Load Probability (LOLP), serta indeks keandalan Loss of Load Expectation (LOLE). Pada penelitian ini, peramalan yang dilakukan menghasilkan prediksi daya pembangkit untuk jangka waktu 6 jam kedepan. Hasil dari peramalan daya tersebut menghasilkan nilai MAE sebesar 0,0128 dan MSE sebesar 0,0004. Hal itu menunjukkan bahwa nilai Indeks Keandalan LOLP dan LOLE dapat digunakan sebagai input variabel bersama dengan data historis daya dalam meramalkan besarnya daya suatu pembangkit. \u0000Kata Kunci: LSTM, Deep Learning, Forecasting, Pembangkit Listrik","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"1 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"90717740","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

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

Jurnal Teknik Elektro Pub Date : 2023-07-18 DOI: 10.26740/jte.v12n1.p81-86

Anjar Novian, Unit Three Kartini

{"title":"Peramalan Loss Of Life Tranformator Berdasarkan Loading dan Temperature Menggunakan LSTM di Gardu Induk 150KV Buduran","authors":"Anjar Novian, Unit Three Kartini","doi":"10.26740/jte.v12n1.p81-86","DOIUrl":"https://doi.org/10.26740/jte.v12n1.p81-86","url":null,"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.","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"71 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"85638725","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0

Ancillary Services of a Grid-Connected Inverter with Overcurrent Protection Capability under Voltage Sag 电压波动条件下具有过流保护功能的并网逆变器的辅助服务

Jurnal Teknik Elektro Pub Date : 2023-07-09 DOI: 10.15294/jte.v15i1.43870

S. Bandri, Zuriman Anthony, Rafika Andari, Fauzan Ismail

{"title":"Ancillary Services of a Grid-Connected Inverter with Overcurrent Protection Capability under Voltage Sag","authors":"S. Bandri, Zuriman Anthony, Rafika Andari, Fauzan Ismail","doi":"10.15294/jte.v15i1.43870","DOIUrl":"https://doi.org/10.15294/jte.v15i1.43870","url":null,"abstract":"The Distributed Generator of a Photovoltaic System (DGPVS) is an essential factor for future power plant generation, and it can be created by connecting multiple small power plant generators in a microgrid system. This paper focuses on the overcurrent protection of a three-phase grid-connected inverter (3P-GCI) under voltage sag conditions in sustaining connection loss between the 3P-GCI and the primary grid, which involves voltage instability. The ancillary service shows more advantage in overcurrent protection during voltage sags, which limits the generated current under sag duration. Its service can protect the inverter and avoid more disturbances to the primary grid because the 3P-GCI remains connected. Proposed LVRT strategy with limit current feature play the role to protect 3P-GCI under voltage sag. In the normal grid, the 3P-GCI can inject 302W of active power with a power factor (PF) equal to one. 1.4% of VTHD and 4.3% of ITHD shows the performance of the proposed system. Meanwhile, the 3P-GCI injects 239VAr reactive power and reduces injected active power to 135W which is essential to remain connected to the primary grid during voltage sags and limit the generated current. The validation results show that this prototype successfully compensates for the grid voltage drops by injecting 239Var of reactive power and limiting its generated current to 1.592A.","PeriodicalId":33631,"journal":{"name":"Jurnal Teknik Elektro","volume":"63 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-07-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139361224","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 0