Perpustakaan Digital ITB

Peningkatan penetrasi Photovoltaic (PV) dan Electric Vehicle (EV) yang masif menimbulkan tantangan signifikan terhadap keamanan dan keandalan operasi jaringan distribusi, sehingga dibutuhkan metode screening hosting capacity (HC) yang cepat dan akurat. Metode tradisional berbasis simulasi terlalu perlahan untuk melakukan penilaian terhadap permintaan interkoneksi dalam skala besar, sementara pendekatan machine learning (ML) yang ada berfokus pada satu tipe Distributed Energy Resource (DER), dan jarang terdapat analisis yang mengkombinasikan dampak dari integrasi PV dan EV secara simultan. Penelitian ini mengusulkan sebuah kerangka kerja baru yang memanfaatkan klasifikasi XGBoost, yang dilatih menggunakan set data komprehensif dari simulasi Monte Carlo stokastik, untuk melakukan penilaian HC gabungan PV-EV yang cepat dan andal. Metodologi ini menghasilkan batas HC dua dimensi yang kontinu, memberikan pandangan holistik mengenai batas operasional jaringan terhadap semua jenis pelanggaran. Kerangka kerja ini secara unik mengintegrasikan parameter yang dapat diatur untuk toleransi risiko probabilistik dan tingkat konservatisme model yang dapat ditentukan oleh perencana, memungkinkan proses screening yang fleksibel dan selaras dengan kebijakan operasional. Kerangka kerja ini divalidasi pada berbagai topologi jaringan dan menunjukkan akurasi serta generalisasi yang tinggi, dengan skor Recall secara konsisten melebihi 0,95. Hasil analisis batas HC menunjukkan bahwa faktor pembatas utama untuk PV adalah tegangan lebih (overvoltage), sedangkan untuk EV adalah tegangan kurang (undervoltage) atau beban lebih (overloading). Analisis lebih lanjut menunjukkan bahwa intervensi seperti On-Load Tap Changer (OLTC) dan skema Time-of-Use (TOU) dapat secara substansial meningkatkan HC untuk EV hingga lebih dari 500%. Studi ini juga menemukan wawasan baru, seperti potensi penetrasi PV yang sangat tinggi untuk menyebabkan undervoltage, sebuah fenomena yang umumnya tidak dipertimbangkan dalam studi HC.