Analisis Perbandingan Prakiraan Kecepatan Angin untuk Sistem Konversi Energi Angin Menggunakan Metode ANFIS dan ARIMA

Prabawanti, Dinda Oki (2020) Analisis Perbandingan Prakiraan Kecepatan Angin untuk Sistem Konversi Energi Angin Menggunakan Metode ANFIS dan ARIMA. Sarjana thesis, Universitas Brawijaya.

Abstract

Pembangkit listrik tenaga bayu (PLTB) merupakan pembangkit energi listrik yang memanfaatkan energi terbarukan yaitu energi angin. Angin adalah salah satu sumber energi dengan biaya produksi listrik terendah dan merupakan sumber daya terbesar yang tersedia di seluruh dunia. Namun sebagai negara yang berada di equator, potensi energi angin atau bayu di Indonesia terlalu sering berubah. Hal ini akan membuat pengaturan daya lebih kompleks. Oleh karena itu, prediksi kecepatan angin sangat penting untuk memastikan operasi pembangkit tenaga angin. Prediksi tersebut dapat dilakukan dengan menggunakan metode artificial intelligence yang berupa metede Adaptive Neuro Fuzzy Inference System (ANFIS) dan metode konvensional Auto Regressive Integrated Moving Average (ARIMA). ANFIS dan ARIMA dilatih dengan menggunakan data cuaca tiap jam selama selang waktu tertentu, berdasarkan varasi data training dan testing. Pada ANFIS, data yang telah dilatih kemudian digunakan untuk melakukan peramalan kecepatan angin. Hasil peramalan menggunakan ANFIS dibandingkan dengan data data aktual kecepatan angin untuk mendapatkan nilai RMSE dan MAE dari ANFIS untuk melihat tingkat keakuratan dari peramalan tersebut. Pada ARIMA setiap data cuaca yang digunakan sebagai variabel bebas (deret input) dilakukan peramalan. Hasil peramalan pada setiap variabel bebas tersebut digunakan sebagai variabel exogen pada peramalan ARIMA deret output (kecepatan angin) untuk mendapatkan hasil permalan kecepatan angin. Hasil peramalan menggunakan ARIMA tersebut dibandingkan dengan data aktul kecepatan angin utnuk mendapatkan nilai RMSE dan MAE dari ARIMA. Hasil penelitian menunjukan: 1) Arsitektur ANFIS yang optimal untuk melakukan prakiraan kecepatan angin adalah dengan pembagian data training 85% dan data testing 15%, 2 membership function, kurva membership function Generalized Bell; 2) Peramalan dengan metode ANFIS di Malang memiliki nilai MAE 2,1354 km/h dan nilaiRMSE 2,6333 km/h, lebih kecil dari Basel Swiss yang memiliki nilai MAE 4,4411 km/h dan nilai RMSE 5,866 km/h; 3) Hasil peramalan dengan metode ARIMA Malang memiliki nilai MAE terkecil 2,3757 km/h dan nilai RMSE 3,0634 km/h, lebih kecil dari Basel Swiss yang memiliki nilai MAE terkecil 4,9917 km/h dan nilai RMSE terkecil 7,4367 km/h; 4) ANFIS dapat melakukan prakiraan kecepatan angin lebih baik daripada metode ARIMA untuk peramalan jangka pendek.

English Abstract

Wind power plant is one of the electric energi resource that use renewable energi that is utilizes wind energi. Wind is one of the energies sources with the lowest cost of electricity production and is the largest resource available worldwide. However, as a country at the equator, the wind potential in Indonesia changes too often. This makes power settings more complex. Therefore, wind power prediction is very important to ensure the operation of the wind power plant. These predictions can be made using artificial intelligence methods that are Adaptive Neuro Fuzzy Inference System (ANFIS) and conventional methods of Auto Regressive Integrated Moving Average (ARIMA). ANFIS and ARIMA were trained using hourly data during a specified time interval, based on data training and testing. In ANFIS, trained data is then used to forecast wind speed. Forecasted result using ANFIS then were compared with actual data on wind speed to get the RMSE and MAE values from ANFIS to see the level of accuracy of the forecasting. In ARIMA, each weather data that is used as an independent variable (series input) is forecasted. The results of forecasting for each of these independent variables are used as exogenous variables in the forecast of the ARIMA output series (wind speed) to get the results of wind speed forecasting. The results of forecasting using ARIMA are compared with the data of the wind speed actul separately to get the value of RM SE and MAE from ARIMA. The result of the research shows: 1) The optimal ANFIS architecture for forecasting was 85% training data and 15% testing data, two mf, and Generalized Bell mf curve; 2) Forecasting result with ANFIS method in Malang has MAE 2,1354 km/h RMSE 2,6333 km/h, whereas in Basel Swiss has value MAE 4,4411 km/h and RMSE 5,866 km/h.; 3) Forecasting result with ARIMA in Malang has MAE 2,8383 km/h and RMSE 3,4628 km/h whereas in Basel City has MAE 6,8367 km/h and RMSE 8,0834 km/h; 4) ANFIS will be forecast wind power better than ARIMA for short-term forecasting.

Other obstract

-

Item Type: Thesis (Sarjana)
Identification Number: 0520070205
Uncontrolled Keywords: Prakiraan, Kecepatan Angin, Artificial Intelligence, ANFIS, ARIMA Forecasting, Artificial Intelligence, ANFIS,ARIMA
Subjects: 600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting > 621.31 Generations, modification, storage, transmission of electric power
Divisions: Fakultas Teknik > Teknik Elektro
Depositing User: Bambang Septiawan
Date Deposited: 28 Feb 2021 04:11
Last Modified: 28 Feb 2021 04:11
URI: http://repository.ub.ac.id/id/eprint/183047
Full text not available from this repository.

Actions (login required)

View Item View Item