Random Forest Regression Untuk Prediksi Produksi Daya Pembangkit Listrik Tenaga Surya
DOI:
https://doi.org/10.28926/briliant.v7i4.1036Keywords:
PLTS, Peramalan, Jangka pendek, Pembelajaran Mesin, Random ForestAbstract
Pembangkit listrik tenaga surya (PLTS) menjadi solusi yang paling popular dan diterapkan dibanyak negara. Namun interkoneksi PLTS ke sistem jaringan transmisi listrik menghadirkan permasalahan kepada operator jaringan dikarenakan memiliki sifat fluktuasi dalam menghasilkan energi listrik. Faktor-faktor yang berpotensi mempengaruhi sifat fluktuasi energi listrik adalah meteorologi dan parameter cuaca. Salah satu langkah mitigasi untuk mengatasi kondisi tersebut yaitu dengan memprediksi produksi keluaran daya PLTS. Penelitian ini mengajukan metode prediksi produksi daya dengan pra-proses data, penerapan model regresi, serta penentuan skenario uji coba. Data histori PLTS berasal dari sistem SCADA selama setahun yang terdiri atas faktor nilai produksi keluaran daya, radiasi, suhu lingkungan, suhu peralatan, dan kecepatan angin. Data yang telah diolah selanjutnya dimodelkan menggunakan algoritma Random Forest Regression (RFR). Dalam proses pemodelan dilakukan skenario pengaturan beberapa parameter, seperti proses perbaikan hilang rekam, normalisasi data dan filter produksi. Evaluasi dilakukan dengan menganalisis perbandingan kinerja setiap algoritma beserta kombinasi skenarionya. Hasil eksperimen menunjukkan bahwa RFR mempunyai kinerja tinggi dengan nilai R2 sebesar 0.9679 dan RMSE sebesar 0.0438. Pemilihan skenario yang tepat terbukti memberi peningkatan kinerja akurasi sebesar RFR 2,90%.
References
Abinet, T. E., Jianhua, Z. & Dehua, Z., 2018. Short-term photovoltaic solar power forecasting using a hybrid Wavelet-PSO-SVM model based on SCADA and Meteorological. Renewable Energy, Osa/vuosikerta 118, pp. 357-367.
Budholiya, K., Shrivastava, S. K. & Sharma, V., 2020. An optimized XGBoost based diagnostic system for effective prediction of heart disease. Journal of King Saud University - Computer and Information Sciences, 10.
Cebrucean, D., V, C. & I, I., 2020. Modeling and performance analysis of subcritical and supercritical coal-fired power plants with biomass co-firing and CO2 capture. Clean Technol. Environ. Policy, Osa/vuosikerta 22, p. no. 1.
Chen, T. & Guestrin, C., 2016. XGBoost: A scalable tree boosting system. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 8, Osa/vuosikerta 13-17-August-2016, pp. 785-794.
Csereklyei, Z., S, Q. & T, A., 2019. The Effect Of Wind And Solar Power Generation On Wholesale Electricity Prices In Australia. Energy Policy, Osa/vuosikerta 131, pp. 358-369.
Dimitris, L. ym., 2014. News Articles Classification Using Random Forests and Weighted Multimodal Features. Switzerland, Springer, Cham.
Khizir, M. ym., 2021. Machine Learning Based PV Power Generation Forecasting in Alice Spring. IEEE Access, Osa/vuosikerta 9, pp. 46117-46128.
Leva, S. ym., 2017. Analysis and validation of 24 hours ahead neural network forecasting of photovoltaic output power. Math Comput Simul, Osa/vuosikerta 131, pp. 88-100.
Menteri ESDM, R. & PLN, 2021. Rencana Usaha Penyediaan Tenaga Listrik PT PLN 2021-2030. Jakarta: Kementrian Energi dan Sumber Daya Mineral.
Mohy-ud-din, G., K, M. M. & D, S., Juni 2019. Transactive energy based planning framework for VPPs in a co-optimised day-ahead and real-time energy market with ancillary services. IET Gener., Transmiss. Distrib, Osa/vuosikerta 13 no 11, pp. 2024-2035.
Monowar, H., Saad, M., Malihe, D. & Lanre, O., 2017. Application of extreme learning machine for short term output power forecasting of three grid-connected PV systems. Cleaner Production, Osa/vuosikerta 167, pp. 395-405.
Müller, A. C. & Guido, S., 2016. Introduction to Machine Learning with Python. s.l.:O'Reilly Media, Inc..
Sobrina, S., Sam, K.-K. & Nasrudin Abd, R., 2018. Solar Photovoltaic Generation Forecasting Methods: A Review. Energy Conversion and Management, Osa/vuosikerta 156, pp. 459-497.
Sobri, S., S, K. K. & N A, R., 2016. Effective Utilization Of Available PEV Battery Capacity For Mitigation Of Solar PV Impact And Grid Support With Integrated V2G Functionality. IEEE Trans Smart Grid, Osa/vuosikerta 7 no 3.
Wan, C. ym., 2015. Photovoltaic and solar power forecasting for smart grid energy management. CSEE J Power Energy Syst, Osa/vuosikerta 1, pp. 38-46.
Yeager, K., 2022. SPSS Tutorials: Pearson Correlation. [Online]
Available at: https://libguides.library.kent.edu/spss/pearsoncorr
[Haettu 10 June 2022].
