Prediksi Pemakaian Beban Listrik Menggunakan Metode Least Mean ‎Square dan Compressive Sensing ‎

Authors

  • Velia Khaerunnisa Department of Telecommunication Engineering/ Faculty of Engineering Electro Telkom University
  • Koredianto Usman Department of Telecommunication Engineering/ Faculty of Engineering Electro Telkom University
  • Muhammad Ary Murti Department of Electrical Engineering/ Faculty of Engineering Electro Telkom University‎

Keywords:

Energi listrik, prediksi, LMS, CS

Abstract

Penelitian ini adalah tentang prediksi dari pemakaian beban listrik di suatu gedung dengan teknik prediksi Least Mean Square (LMS) dan Compressive Sensing(CS). Penelitian ini penting karena pemakaian energi listrik khususnya pada ruangan dengan jumlah perangkat elektronik berdaya tinggi seperti komputer, AC, dispenser, dapat menyebabkan pemborosan energi serta keterbatasan sumber daya energi yang tidak terbarukan seperti batu bara, minyak bumi dan sebagainya. Oleh karena itu, kemampuan memprediksi pemakaian beban listrik penting artinya untuk melihat trend penggunaan energi ke depan antara lain sebagai langkah antisipasi khususnya pada pihak yang membangkitkan energi tersebut. Pemilihan teknik LMS didasarkan pada kesederhanaan teknik ini untuk prediksi, sedangkan pemilihan teknik CS adalah karena teknik ini belum banyak dipakai pada bidang prediksi, sehingga ekplorasi kapabilitas CS pada bidang prediksi dapat membantu pengayaan pengetahuan khususnya di bidang CS ini. Pada penelitian ini, prediksi dengan LMS dan CS dilakukan dengan tahapan akuisisi data, serta pengolahan data tersebut. Data yang diolah berasal dari pemakaian beban listrik aktual di Gedung P fakultas teknik elektro yang diambil dalam rentang 31 hari dalam periode 16 April 2020-16 Mei 2020 dengan besaran yang diamati adalah Time Average Energy (TAE) dengan akuisisi dilakukan pada setiap menit selama 24 jam. Prediksi menggunakan LMS dilakukan dengan beberapa parameter yaitu orde filter serta koefisien adaptasi. Pada CS, pengamatan dilakukan dengan pengubahan parameter tingkat sparsitas (k). Kinerja sistem dinilai root mean square error (RMSE) dan waktu komputasi. Hasil simulasi dengan data yang diujikan diperoleh nilai RMSE untuk LMS adalah 5,1 dan waktu komputasi sebesar 1,05  detik. Di sisi lain, CS nilai RMSE sebesar 3,51 serta waktu komputasi 2,22  detik. Dengan demikian LMS memiliki kinerja yang lebih baik dalam bidang waktu komputasi namun CS memiliki kinerja yang lebih baik dalam bidang akurasi RMSE.

 

This research is about the prediction of the use of electrical loads in a building with the Least Mean Square (LMS) and Compressive Sensing (CS) prediction techniques. This research is important because the use of electrical energy, especially in rooms with several high-power electronic devices such as computers, air conditioners, water dispensers, can cause energy waste and limitation to non-renewable energy resources such as coal, petroleum, and so on. Therefore, the ability to predict the use of electricity loads is important to see future trends in energy usage as a precautionary step, especially for those who generate energy. LMS technique was chosen based on its simplicity for prediction, while the CS technique was chosen because it has not been widely used in the field of prediction, so that the exploration of CS capabilities in the field of prediction can help enrich knowledge, especially in this CS field. In this research, prediction using LMS and CS was carried out through stages of data acquisition and data processing. The data processed came from the actual use of electrical loads in the P Building of the Faculty of Electrical Engineering taken within a span of 31 days in the period 16 April 2020–16 May 2020 with the observed magnitude is Time Average Energy (TAE) with acquisitions carried out every minute for 24 hours. Prediction using LMS was done with several parameters, which were filter order as well as the adaptation coefficient. For CS, the observation was done by changing the sparsity level parameter (k). System performance was assessed with Root Mean Square Error (RMSE) and computation time. The simulation results with the tested data show that the RMSE value for LMS is 5.1 and the computation time is 1,05  seconds. On the other hand, the RMSE value for the CS is 3.51 and the computation time is 2,22  seconds. Thus, LMS has better performance in the computation time, but CS has better performance in the RMSE accuracy.

Downloads

Download data is not yet available.

References

P. Ayuningtyas, D. Triyanto, and T. Rismawan, “Prediksi Beban Listrik Pada ‎PT.PLN (PERSERO) Menggunakan Regresi Interval Dengan Neural Fuzzy,” J. ‎Coding, Sist. Komput. UNTAN, vol. 04, no. 1, pp. 1–10, 2016.‎

V. Apriana and R. I. Handayani, “Analisis Algoritma Prediksi Untuk Menghasilkan ‎Prediksi Beban Listrik Jangka Pendek,” J. Ilmu Pengetah. dan Teknol. Komput., ‎vol. 3, no. 1, pp. 73–78, 2017.‎

B. Jalal, S. Member, X. Yang, S. Member, Q. Liu, and S. Member, “Fast and Robust ‎Variable Step Size LMS Algorithm for Adaptive Beamforming,” vol. 0, no. 1, pp. ‎‎1–4, 2020, doi: 10.1109/LAWP.2020.2995244.‎

L. Huang, Q. Lin, X. Zhang, and P. Shuai, “Compressed Sensing,” IEEE Trans. ‎Aerosp. Electron. Syst., vol. 53, no. 1, pp. 137–147, 2017, doi: ‎‎10.1109/TAES.2017.2649698.‎

I. Fatwasauri and M. Rizkinia, “Compressive sensing image reconstruction with ‎total variation and l2,1 norm for microwave imaging,” 2nd IEEE Int. Conf. Innov. ‎Res. Dev. ICIRD 2019, no. Mi, pp. 2–5, 2019, doi: ‎‎10.1109/ICIRD47319.2019.9074702.‎

“Peramalan beban listrik jangka menengah pada sistem kelistrikan kota samarinda,” ‎no. 09, pp. 113–121, 2015.‎

R. Dwisatya and M. R. Kirom, “Prediksi Beban Listrik Jangka Pendek ‎Menggunakan Algoritma Feed Forward Back Propagation dengan ‎Mempertimbangkan Variasi Tipe Hari,” Electrans, vol. 14, no. 1, pp. 34–40, 2016.‎

T. Shu, J. Chen, V. K. Bhargava, and C. W. De Silva, “An Energy-Efficient Dual ‎Prediction Scheme Using LMS Filter and LSTM in Wireless Sensor Networks for ‎Environment Monitoring,” IEEE Internet Things J., vol. 6, no. 4, pp. 6736–6747, ‎‎2019, doi: 10.1109/JIOT.2019.2911295.‎

A. Ukte and A. Kizilkaya, “Comparing the performances of least mean squares ‎based multirate adaptive filters,” in 2016 26th International Conference ‎Radioelektronika, RADIOELEKTRONIKA 2016, 2016, no. 6, pp. 325–329, doi: ‎‎10.1109/RADIOELEK.2016.7477383.‎

H. G. Alfarizi, F. T. Elektro, U. Telkom, and A. Filter, “Penghapusan Derau Pada ‎Sinyal Wicara Menggunakan Sistem Least Mean Square Noise Cancellation of ‎Speech Signal Using Dual Microphone System With Discrete Cosine Transform ‎Least Mean Square,” vol. 5, no. 2, pp. 2161–2168, 2018.‎

K. Usman, I. Irawati, A. B. Suksmono, and H. Gunawan, “Teknik Penginderaan ‎Kompresif: Prinsip dan Aplikasinya,” vol. 2, no. 9, 2016.‎

I. Orović, V. Papić, C. Ioana, X. Li, and S. Stanković, “Compressive Sensing in ‎Signal Processing: Algorithms and Transform Domain Formulations,” Math. Probl. ‎Eng., p. 16, 2016, doi: 10.1155/2016/7616393.‎

N. Hafizah, “Perancangan dan Implementasi Compressive Sensing Untuk Sistem ‎Audio Watermarking dengan Metode Kombinasi Discrete Cosine Transform dan ‎Discrete Wavelet Transform,” in Ekp, 2017, vol. 13, no. 3, pp. 1576–1580.‎

Published

2021-01-08

How to Cite

[1]
V. . Khaerunnisa, K. . Usman, and M. A. . Murti, “Prediksi Pemakaian Beban Listrik Menggunakan Metode Least Mean ‎Square dan Compressive Sensing ‎”, SENTER, pp. 227-240, Jan. 2021.