Transcription
SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020ISBN 978-623-90328-5-2Artikel Hasil PenelitianPROFIL BEBAN PENYULANG PANDUPADA GARDU INDUK TALANG KELAPA 150 kV/20 kVErliza Yuniarti1*, Aldo Aji Saputra 2, Amri Malulu 3, Budi Santoso41,2,3,4Universitas Muhammdiyah Palembang, Palembang, Indonesia. Jl. Jendral Ahmad Yani 13 Ulu Palembang IndonesiaE-mail: [email protected] 1*AbstrakPemenuhan akan kebutuhan atau permintaan energi listrik harus dilakukan, dengan membuat profil beban sistemdapat di desain menjadi supply yang responsif dan sebagaibahan pertimbangan untuk pengambilan keputusan olehpihak manajemen untuk pemenuhan kebutuhan energi listrik. Tujuan penelitian ini adalah mengetahui profil bebantahunan, profil beban mingguan. faktor beban dan faktor kebutuhan dari transformator daya yang mensupply kepenyulang. Data set yang dipergunakan dari PT. PLN (Tbk), gardu induk Talang Kelapa pada penyulang Pandu.Hasil penelitian didapatkan profile beban untuk bulan Mei-Juni 2019 menunjukkan adanya perubahan yangsignifikan, dan asumsi penggunaan energi listrik periode musim kemarau lebih tinggi dari musim penghujan tidakterpenuhi berdasarkan kurva beban tahun 2018-2019. Penggunaan tranformator daya saat ini pada gardu indukTalang Kelapa mampu mensupply beban-beban pada penyulang, dengan faktor beban dan faktor kebutuhan lebihkecil dari ketentuan.Kata Kunci: : penyulang. profil beban, transformatorPENDAHULUANKebutuhan energi listrik selalu berubah dari waktu ke waktu, seiring denganmeningkatnya pertumbuhan penduduk yang diikuti berkembangnya sektor pembangunanperumahan sektor industri yang akan memerlukan energi listrik. Pengurangan beban listrikdengan pembatasan konsumsi sangat tidak mungkin dilakukan (Panklib et al., 2015).Pemenuhan akan kebutuhan atau permintaan energi listrik harus dilakukan, dengan membuatprofil beban sistem dapat di desain menjadi supply yang responsif. Hal ini dapat dilakukandengan melakukan perencanaan sistem penyaluran, diintegrasikan dengan sumber energialternatif dalam variabel sistem tenaga lainnya (Mcbee et al., 2019), dan sebagai pertimbanganuntuk pengambilan keputusan oleh pihak manajemen untuk pemilihan lokasi pemenuhankebutuhan energi listrik termasuk sistem tarif listrik (Beigait, 2018);(Y. Wang et al., 2015).Perencanaan penyaluran beban harus mempertimbangkan besarnya kapasitas pada garduinduk, karena pada dasarnya proses penyaluran tenaga listrik dari sistem transmisi konsumenbaik konsumen menegah ataupun konsumen terendah. Sistem dalam tenaga listrik yangmempunyai peran penting karena berhubungan langsung dengan konsumen, terutama teganganmenengah dan tegangan rendah. Selain berfungsi menerima daya listrik dari sumber daya(traformator daya), juga akan mengirimkan serta mendistribusikan daya tersebut ke konsumenmelalui penyulang atau feeder. Untuk itu kualitas listrik selayaknya harus sangat diperhatikan.Perhitungan beban pada setiap sektor dilakukan untuk mengetahui solusi apa yang harus dilakukan untuk mendapatkan sistem penyaluran listrik yang baik (Ardianto et al., 2013).Copyright 2020, Universitas Muhammadiyah Metro55
SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020ISBN 978-623-90328-5-2Setiap beban memiliki karakteristik yang berbeda-beda, karena beban bergantungdengan pola pemakaian konsumen. Faktor penentu yang berpengaruh dalam studi peramalanbeban dan klasifikasinya adalah cuaca atau suhu (Phuangpornpitak & Prommee, 2016); (Su etal., 2017); (Gari et al., 2014), ekonomi (Samuel et al., 2017);(Bunnoon et al.,2012);(Panapakidis & Dagoumas, 2016), kegiatan sosial (Miguel et al., 2019); (S. Wang et al.,2014), perencanaan daerah industri (Bunnoon et al., 2012); (Ward et al., 2019) dan demografi(Bobric et al., 2009). Profil beban jangka pendek dapat di klasifikasikan berdasarkan, hari kerjadan libur serta hari besar, mingguan, dan bulan (Miguel et al., 2019). Profile beban dalampenelitian ini menggunakan data beban dari klasifikasi berdasarkan hari dalam satu minggu danbulanan dam tahun perioda. Kurva beban yang dihasilkan dari pengukuran pada transfor daya digardu induk dapat menghasilkan data karakteristik beban atau profil beban yang dilayani. Datayang dihasilkan dapat dianalisa dengan baik, dan dari analisa tersebut dapat digunakan untukmenentukan kondisi pembebanan pada saat ini maupun untuk perencanaan pembangunankedepannya (Sunanda, 2017); (Yuniarti et al., 2019).Tujuan penelitian ini adalah mengetahui profil atau karakteristik beban tahunan,karakteristik beban mingguan, faktor beban dan faktor beban dari transfor daya yang mensupplyke penyulang. Data set yang dipergunakan dalam satu perode tahun yaitu Nopember 2018Oktober 2019 dari PT. PLN (Tbk), gardu induk Talang Kelapa pada penyulang PanduPalembang.METODE PENELITIANDiagram alir penelitianDiagram alir (Gambar 1) merupakan kerangka kerja proses penelitian. Penelitian dimulaidengan mengumpulkan data set yang diperlukan yang disusun dalam bentuk tabel, melakukanasumsi-asumsi terhadap data yang tidak tercantum keterangan pada data sekunder, melakukanpreprocessing dengan mereksi data yang tidak dipergunakan dalam penelitian ini, imputasi data,menyusun interval yang sama, melakukan pengecekan terhadap data outlier. Selanjutnya datasetyang telah tersusun dari data harian dibuatkan dalam bentuk dataset harian, bulanan, dantahunan untuk dilakukan analisa dan perhitungan faktor-faktor yang mempengaruhi profilbeban.DatasetDataset diperoleh dari tabulasi penyulang Pandu diperoleh dari trafo Unindo 60 MVA150kV/20 kV, dalam bentuk logsheet harian dari data catatan operator sistem gardu induk.Logsheet tranformator dibuah dalam bentuk harian dengan satuan jam. Di dalam satu hari terdiridari 27 catatan jam dengan adanya pengulangan catatan dalam jam 24.00 dan 00.00 serta catataninterval 30 menit pada jam 18.30 dan 19.30. Logsheet terdiri dari data: arus phasa (A), tegangan(kV), daya aktif (kW), daya semu (kVA), dan suhu transformator disisi transmisi ( 0C).Copyright 2020, Universitas Muhammadiyah Metro56
SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020ISBN 978-623-90328-5-2Gambar 1. Diagram Alir PenelitianData daya aktif setiap jam merupakan daya konsumsi energi listrik, sebelum membuatprofile di penyulang dilakukan preprocessing pada data set dengan mereduksi data arus phasa(A), tegangan (kV), daya semu (kVA), dan suhu transformator (Yuniarti et al., 2019). Intervalwaktu dari data harian yang tidak sama disesuaikan dalam interval waktu dalam sayuan jam,dengan mereduksi data setip harinya pada jam 24.00, 18.30 dan 19.30. Proses pembuatan dataset selanjutnya dilakukan pembersihan data, dengan mengisi data-data yang kosong atau tidaklengkap dengan data yang sama pada dari data 2 minggu sebelumnya atau sesudah data yangkosong (imputation). Data pencilan atau outlier diidentifikasi dan dihilangkan untukmenghindari analisis data menjadi bias atau tidak mencerminkan fenomena yang sebenarnya.Asumsi musim pada penelitian ini dilakukan untuk tegangan trasnformator dan musim.Tegangan diasumsikan konstan dengan faktor daya 0,8. Asumsi musim untuk musim penghujandibulan November sampai dengan April tahun berikutnya sedangkan musim penghujan mulaidari Mei sampai dengan Oktober pada tahun yang sama.HASIL DAN PEMBAHASANKarakteristik BebanData beban (Gambar 2) dikumpulkan melalui sistem pembacaan di gardu induk bisamelalui sistem manual atau otomatis. Permintaan listrik pada interval 1 jam dikelompokandalam pola yang sama dan dikembangkan menggunakan data profil beban. Sebagai hasil dariklasifikasi, kurva representatif untuk data yang dihasilkan sama sebagai ketidakseimbanganbeban dengan melakukan peyeimbangan agar profil beban selalu berada pada batas-batas yangdiperbolehkan (Bobric et al., 2009).Copyright 2020, Universitas Muhammadiyah Metro57
SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020ISBN 978-623-90328-5-2Gambar 2, menunjukkan karakteristik beban dalam periode 1 tahun. Beban di penyulangPandu rerata 164 kW tetapi di akhir November 2018 beban bertambah walaupun tidaksignifikan. Di bulan Desember 2018 sampai bulan Februari 2019 karena musim penghujanbeban mengalami penurunan hingga 100 kW. Sebaliknya pada bulan Maret terjadi lonjakanbeban yaitu pada tanggal 4 Maret 2019 beban mengalami penurunan sampai 71 kW yangsebelumnya berada pada kisaran 180 kW hal ini terjadi karena adanya gangguan dan penyulangPandu harus memikul beban dari penyulang lainnya. Beban di mulai Maret-pertengahan April2019 cendrung stabil, penurunan beban secara signifikan terjadi diawal sampai dengan mingguketiga bulan bulan dimana terjadi transisi antara musim penghujan dan kemarau. Beban listriksecara umum diatas rerata mulai minggu ke empat juni sampai dengan akhir oktober 2019.Daya (kW)40030020010001 november 201812 november 201823 november 201803 Desember 201814 Desember 201825 Desember 201805 Januari 201916 Januari 201927 Januari 201907 Februari 201918 Februari 201901 Maret 201912 Maret 201923 Maret 201903 April 201914 April 201925 April 201906 Mei 201917 Mei 201928 Mei 201908 Juni 201919 Juni 201930 Juni 201911 Juli 201922 Juli 201902 Agustus 201913 Agustus 201924 Agustus 201904 September 201915 September 201926 September 201907 Oktober 201918 Oktober 201929 Oktober 20190Gambar 2. Kurva Beban Penyulang PanduBeban rerata dalam 1 periode tahunan (November 2018 –Oktober 2019) 165,22 kW,beban maksimum 288 kW dan beban terendah 50 kW. Tranformator saat ini mampu memikulbeban konsumen di penyulang pandu walaupun transformator daya ini juga mensupply 5 feederyang lainnya.Faktor bebanFaktor beban adalah acuan perbandingan antara beban rata-rata terhadap beban puncakyang didapat dalam periode tertentu. Beban tersebut dinyatakan dalam satuan kW, kVA harusdisamakan terlebih dahulu satuannya, dalam periode tertentu biasanya dipakai dalam bentukharian, bulanan, tahunan. Pada beban puncak sesaat atau beban puncak rata-rata dalam intervaltertentu (demand maximum) yang dipakai ialah beban maksimum 15 menit, 30 menit.Faktor beban dapat diketahui melalui kurva bebannya, sedangkan untuk perkiraanbesaran faktor beban di masa yang akan datang dapat dinyatakan dengan data statistik yang adaberdasarkan jenis beban (Gonen, 1985). Faktor beban harian selama satu minggu (Gambar 2)diambil dari data1–7 November 2018, dan faktor beban bulanan selama satu tahun (Gambar 3)dihitung dari perbandingan beban rerata dengan beban puncaknya.Copyright 2020, Universitas Muhammadiyah Metro58
SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020ISBN 978-623-90328-5-2Berdasarkan Gambar 3, faktor beban harian sampling mendapatkan hasil yang berbedabesar, dengan kata lain kebutuhan hampir sama di hari Senin-Rabu dan tertinggi di hari Jum’atSabtu dengan range faktor beban 0,03. Faktor beban bulanan terendah terjadi di bulan Aprildengan penurunan sebesar 0,19 point, dan pada bulan yang lainmya faktor beban dikisaran 0,80,9.Perhitungan faktor beban puncak tahunan dilakukan dengan cara yang sama, sehinggadidapatkan faktor beban puncak tahunan 0,71 dan faktor beban saat beban puncak 0,56 dengannilai asumsi faktor daya (Cos ) kurang dari 1. Faktor beban puncak tahunan dan saat bebanpuncak dalam batas normal dari traformator sehingga traformator masih layak pakai, sebaliknyabila nilai faktor daya trafo lebih besar dari 1 maka trafo harus di ganti karena melebihi kapasitastrafo (Gonen, SabtuMingguGambar 3. Faktor Beban Harian0,90,80,70,6Nov-18Des2018Jan-19 Feb-19Mart Apr-19 Mei20192019Juni2019Juli2019Agust Sep-19 Okt20192019Gambar 4. Faktor Beban BulananFaktor kebutuhanFaktor kebutuhan dinyatakan dalam persen (%), dengan melakukan perbandingan bebanpuncak (Bp) dengan seluruh beban terpasang pada sistem (Bc). Selain beban terpasang faktorkebutuhan dipengaruhi oleh konsumen. Sifat pemakaian energi listrik berubah sesuai denganpengguna atau konsumen. Toko-toko, pusat perbelanjaan, kantor-kantor dan industri memilikifaktor kebutuhan tinggi sedangkan gudang dan tempat reakrasi memiliki faktor kebutuhanrendah.Copyright 2020, Universitas Muhammadiyah Metro59
SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020ISBN 978-623-90328-5-2Besarnya faktor kebutuhan hari dari 1–7 November 2018 dapat dilihat pada Gambar 3,dan faktor beban bulanan selama tahun pada Gambar 4. Grafik pada Gambar 3 faktor bebanharian Senin-Kamis hampir sama, sedangkan pada hari Jum’at sampai minggu cendrung turunsebagaimana karakteristik beban listrik. Sebaliknya Grafik kebutuhan bulanan cendrung tidakstabil disepanjang tahun, sehingga sulit menentukan faktor kebutuhan bulanan (Gambar 4)berdasarkan musiman, padaabulan Maret memiliki faktor kebutuhan bulanan tertinggi matSabtuMingguGambar 3. Faktor Kebutuhan harian0,80,70,60,50,40,3Nov-18Des2018Jan-19 Feb-19Mart Apr-19 Mei20192019Juni2019Juli2019Agust Sep-19 Okt20192019Gambar 4. Faktor Kebutuhan BulananKESIMPULANBerdasarkan hasil dan pembahasan dapat di simpulkan sebagai berikut :1. Profile beban November 2018 sampai bulan Februari 2019 dimusim penghujan terjadipenurunan beban, dan pada akhir bulan Mei-Juni 2019 menunjukkan adanya perubahanpenurunan nilai beban yang signifikan, karena memasuki peralihan musimkemarau danmusim penghujan.2. Penggunaan tranformator daya 600 MVA 150 kV/12kV pada gardu induk TalangKelapa mampu mensupply beban-beban pada penyulang, dengam faktor beban danfaktor kebutuhan lebih kecil dari 1 (satu).Copyright 2020, Universitas Muhammadiyah Metro60
SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020ISBN 978-623-90328-5-2UCAPAN TERIMA KASIHKami berterima kasih kepada staff dosen Prodi Teknik Elektro UniversitasMuhammadiyah Palembang, tim penyusun dataset forecasting 2019-2020 yang telah banyakmembantu penelitian dan menulis makalah ini.DAFTAR PUSTAKAArdianto, F., Studi, P., Elektro, T., & Teknik, F. (2013). Studi penentuan penggantian transformator gardu indukdengan memprediksi beban konsumen. Online, 3(2), 518–529. cle/view/357Beigait, R. (2018). Electricity price forecasting for Nord Pool data. 762Bobric, E. C., Cartina, G., & Grigoras, G. (2009). Clustering Techniques in Load Profile Analysis for DistributionStations. Advance in Electrical and Computer Engineering, 9(1), 84–87.Bunnoon, P., Chalermyanont, K., & Limsakul, C. (2012). Energy Procedia Mid-Term Load Forecasting : LevelSuitably of Wavelet and Neural Network based on Factor Selection. International Conference on Advancesin Energy Engineering, 14, 438–444. https://doi.org/10.1016/j.egypro.2011.12.955Gari, J., Junior, F., Oozeki, T., Ohtake, H., & Shimose, K. (2014). Forecasting Regional Photovoltaic PowerGeneration - A Comparison of Strategies to Obtain One-Day-Ahead Data. 2013 ISES Solar WorldCongreaa, 57, 1337–1345. https://doi.org/10.1016/j.egypro.2014.10.124Gonen, T. (1985). Electric Power Distrbution System Engineering. Mc. Graw Hill.Mcbee, K. D., Chong, J., & Rudraraju, P. (2019). Demand Side Management E ff ects on Substation TransformerCapacity Limits. Applied Sciences, 6(3266), 1–19.Miguel, L., Sans, C., Valero, S., & Senabre, C. (2019). Classification of Special Days in Short-Term LoadForecasting : The Spanish Case Study. Energies, 12(1253), 1–31. https://doi.org/10.3390/en12071253Panapakidis, I. P., & Dagoumas, A. S. (2016). Day-ahead electricity price forecasting via the application ofartificial neural network based models. APPLIED ENERGY, 172, 03.089Panklib, K., Prakasvudhisarn, C., & Khummongkol, D. (2015). Electricity Consumption Forecasting in ThailandUsing an Artificial Neural Network and Multiple Linear Regression. Energy Sources, Part B: Economics,Planning and Policy, 10(4), 427–434. pornpitak, N., & Prommee, W. (2016). A Study of Load Demand Forecasting Models in Electric PowerSystem Operation and Planning. GMSARN International Journal, 10, 19–24.Samuel, I. A., Adetiba, E., & Odigwe, I. (2017). A Comparative Study of Regression Analysis and Artificial NeuralNetwork Methods for Medium-Term Load Forecasting. Indian Journal of Science Ang Technology,10(March), 1–7. https://doi.org/10.17485/ijst/2017/v10i10/86243Su, P., Tian, X., Wang, Y., Deng, S., Zhao, J., An, Q., & Wang, Y. (2017). Recent Trends in Load ForecastingTechnology for the Operation Optimization of Distributed. Energies, 10(1303), 1–13.https://doi.org/10.3390/en10091303Sunanda, W. (2017). Profil Beban Pada Sistem Kelistrikan Universitas Bangka Belitung. Jurnal ECOTIPE, 4(1), 1–6. https://doi.org/10.33019/ecotipe.v4i1.11Wang, S., Lu, Z., Ge, S., & Wang, C. (2014). An Improved Substation Locating and Sizing Method Based on theWeighted Voronoi Diagram and the Transportation Model. Journal of Applied Mathematcs, 2014, 1–9.Wang, Y., Chen, Q., Kang, C., Zhang, M., Wang, K., & Zhao, Y. (2015). Load profiling and its application todemand response: A review. Tsinghua Science and Technology, 20(2), 117–129.Ward, R. M., Choudhary, R., Heo, Y., Aston, J. A. D., Choudhary, R., Heo, Y., & Aston, J. A. D. A. (2019). Adata-centric bottom-up model for generation of stochastic internal load profiles based on space- use type.Journal of Building Performance Simulation, 12(5), 83287Yuniarti, E., Nurmaini, Suprapto, B. Y., & Naufal Rachmatullah, M. (2019). Short Term Electrical EnergyConsumption Forecasting using RNN-LSTM. ICECOS 2019 - 3rd International Conference on ElectricalEngineering and Computer Science, Proceeding, .8984496Copyright 2020, Universitas Muhammadiyah Metro61
Data beban (Gambar 2) dikumpulkan melalui sistem pembacaan di gardu induk bisa melalui sistem manual atau otomatis. Permintaan listrik pada interval 1 jam dikelompokan dalam pola yang sama dan dikembangkan menggunakan data profil beban. Sebagai hasil dari
