Forecasting South Sulawesi electrical energy consumption using artificial neural network

• Autorzy: Said Sri Mawar , Ilyas Andi Muhammai

Identyfikatory

DOI

10.15199/48.2024.03.34

Warianty tytułu

PL

Prognozowanie zużycia energii elektrycznej w Południowym Sulawesi przy użyciu sztucznej sieci neuronowej

• Języki publikacji: EN

Abstrakty

EN

Electrical Energy must be provided in an amount according to needs. Energy that exceeds consumption needs causes power loss. On the other hand, when electricity is scarce, it causes blackouts. To produce electrical energy that meets these needs, there must be a plan for the provision of electrical energy which is carried out by forecasting electricity consumption. Therefore, forecasting electricity consumption is very important to ensure electricity efficiency. This research was conducted in the province of South Sulawesi, Indonesia. The research method used is the Artificial Neural Network (ANN) method. The results of forecasting energy consumption show that the Artificial Neural Network method, Network Type back-propagation, and the TRAINGDX training function of 1480.133602 MW are closest to the target value of 1480.167515 MW or a difference of 0.033913 MW, Mean Square Error (MSE) value is 0.000002131. TRAINCGB is 1480.115899 MW or a difference of 0.051616 MW, the Mean Square Error (MSE) value is 0.000003226. This forecast shows that the results are accurate.

PL

Energia elektryczna musi być zapewniona w ilości dostosowanej do potrzeb. Energia przekraczająca zapotrzebowanie powoduje utratę mocy. Z drugiej strony, gdy brakuje prądu, powoduje to przerwy w dostawie prądu. Aby wyprodukować energię elektryczną zaspokajającą te potrzeby, musi istnieć plan dostarczania energii elektrycznej, który odbywa się poprzez prognozowanie zużycia energii elektrycznej. Dlatego prognozowanie zużycia energii elektrycznej jest bardzo ważne dla zapewnienia efektywności energetycznej. Badania przeprowadzono w prowincji Sulawesi Południowe w Indonezji. Zastosowaną metodą badawczą jest metoda sztucznej sieci neuronowej (ANN). Wyniki prognozowania zużycia energii pokazują, że metoda sztucznej sieci neuronowej, propagacja wsteczna typu sieci oraz funkcja ucząca TRAINGDX wynosząca 1480,133602 MW są najbliższe docelowej wartości 1480,167515 MW lub różnicy 0,033913 MW, średniego błędu kwadratowego (MSE). wartość wynosi 0,000002131. TRAINCGB wynosi 1480,115899 MW lub różnica 0,051616 MW, wartość błędu średniokwadratowego (MSE) wynosi 0,000003226. Prognoza ta pokazuje, że wyniki są trafne.

Słowa kluczowe

EN

electricity consumption; artificial neural network; back-propagation

PL

zużycie energii elektrycznej; sztuczna sieć neuronowa; propagacja wsteczna

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 3
• Strony: 191--195
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Said Sri Mawar

• Hasanuddin University, Makassar of Indonesia

• https://orcid.org/0000-0002-4879-4001

autor

Ilyas Andi Muhammai

• Khairun University, Ternate of Indonesia

• https://orcid.org/0000-0001-6001-2298

Bibliografia

• [1] J. A. Perdana, A. Soeprijanto, and S. Wibowo, “Peramalan Beban Listrik Jangka Pendek Menggunakan Optimally Pruned Extreme Learning Machine ( OPELM ) pada Sistem Kelistrikan Jawa Timur,” J. Tek. ITS, vol. 1, no. 1, pp. 64–69, 2012.
• [2] A. Ilyas, A. Suyuti, I. Chaerah Gunadin, and S. Sri Mawar, Aliran Daya Optimal Sistem Kelistrikan Sulbagsel Terintegrasi Energi Terbarukan, 1st ed. Indonesia: PT. Pena Persada Kerta Utama, 2023. [Online]. Available: https://books.google.co.id/books?hl=en&lr=&id=z6m_EAAAQB AJ&oi=fnd&pg=PR6&dq=info:i5BxmiK3RcQJ:scholar.google.co m&ots=3KsIUqWMz_&sig=7W19t1flWesT2JmBGb4pknmgnlQ &redir_esc=y#v=onepage&q&f=false
• [3] A. Hasim, “Prakiraan Beban Listrik Kota Pontianak Dengan Jaringan Syaraf Tiruan (Artificial Neural Network),” Cent. Libr. Bogor Agric. Univ., p. 1, 2008.
• [4] Andi Muhammad Ilyas, Indeks Stabilitas Sistem Kelistrikan Sulawesi Bagian Selatan Terintegrasi Energi Terbarukan, 1st ed. Indonesia: PT. Pena Persada Kerta Utama, 2023. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=36m_EAAAQBA J&oi=fnd&pg=PA14&ots=IVUqzExxqx&sig=Mykvc5CzaCnl1r2 QMJMO4rbo0Ks&redir_esc=y#v=onepage&q&f=false
• [5] Andi Muhammad Ilyas, Analisis Economic Dispatch dengan MIPSO, 1st ed. Indonesia: CV. MEDIA SAINS INDONESIA, 2023. [Online]. Available: https://scholar.google.com/citations?view_op=view_citation&hl =id&user=P7mOGQ8AAAAJ&citation_for_view=P7mOGQ8AA AAJ:TQgYirikUcIC
• [6] W. Moretti Da Rosa, C. Gerez, and E. A. Belati, “Optimal Distributed Generation Allocating Using Particle Swarm Optimization and Linearized AC Load Flow,” IEEE Lat. Am. Trans., vol. 16, no. 10, pp. 2665–2670, 2018, doi: 10.1109/TLA.2018.8795148.
• [7] A. M. Ilyas, A. Suyuti, I. C. Gunadin, and S. M. Said, “Real-Time Optimal Power Flow of South Sulawesi Network System That Integrated Wind Power Plant Based on Artificial Intelligence,” Prz. Elektrotechniczny, vol. 98, no. 6, pp. 168– 171, 2022, doi: 10.15199/48.2022.06.30.
• [8] S. S. Akhmad et al., “Voltage Stability Assessment at Integrated Electric Power System with Wind Power Generation in South Sulawesi Indonesia Source : Hadi Saadat Book Table 2 IEEE 30 bus system test line data No | Busfom | Busto Rpu Mvar Qmax,” no. 10, 2023.
• [9] A. M. Ilyas, A. Suyuti, I. C. Gunadin, and S. M. Said, “Optimal Power Flow Model Integrated Electric Power System with Wind Power Generation - Case Study: Electricity System South Sulawesi-Indonesia,” Int. J. Intell. Eng. Syst., vol. 15, no. 4, pp. 415–425, 2022, doi: 10.22266/ijies2022.0831.37.
• [10] G.-B. Huang, “Extreme learning machine: Theory and applications,” Neurocomputing, vol. 70, no. 1–3, pp. 489–501, 2006, doi: 10.1016/j.neucom.2005.12.126.
• [11] A. M. Ilyas, A. Suyuti, I. C. Gunadin, and S. M. Said, “Forecasting model of power generated by wind power plants,” IOP Conf. Ser. Earth Environ. Sci., vol. 926, no. 1, 2021, doi: 10.1088/1755-1315/926/1/012084.
• [12] Y. Zhang, Z. Jin, and Y. Chen, Hybridizing grey wolf optimization with neural network algorithm for global numerical optimization problems, vol. 32, no. 14. 2020. doi: 10.1007/s00521-019-04580-4.
• [13] H. Harifuddin, M. Yahya, Z. Zulhajji, and Y. Muliaty, “Peak Load Forecasting Methods of Sulbagsel Electrical Systems INDONESIAN FUNDAMENTAL,” vol. 8, no. 1, pp. 18–37, 2022.
• [14] S. V. Medina and U. P. Ajenjo, “Performance Improvement of Artificial Neural Network Model in Short-term Forecasting of Wind Farm Power Output,” J. Mod. Power Syst. Clean Energy, vol. 8, no. 3, pp. 484–490, 2020, doi: 10.35833/MPCE.2018.000792.
• [15] S. M. Said, M. B. Nappu, A. Asri, and B. T. Utomo, “Prediction of lightning density value tower based on Adaptive Neuro-fuzzy Inference System,” Arch. Electr. Eng., vol. 70, no. 3, pp. 499– 511, 2021, doi: 10.24425/aee.2021.137570.
• [16] Yulianti, “ANALISIS ARUS HUBUNG SINGKAT SISTEM SULBAGSEL DENGAN PENAMBAHAN SISTEM TRANSMISI SKTT 150 KV TANJUNG BUNGA- BONTOALA,” 2021

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).