digilib@itb.ac.id +62 812 2508 8800

IDENTIFIKASI POLA PARTIAL DISCHARGE PADA PERALATAN TEGANGAN TINGGI MENGGUNAKAN CONVOLUTIONAL DAN MULTILAYER PERCEPTRON BACK PROPAGATION NEURAL NETWORK

339 views
Save At List
Penulis : Nuraida Puspitasari [23217114]
Kontributor / Dosen Pembimbing :
  • Prof. Dr. Ir. Suwarno, M.T.
  • Dr. Umar Khayam, S.T., M.T.
  • Prof. Masayuki Hikita
Jenis Koleksi : Tesis
Tahun Terbit :
Penerbit : Teknik Elektro
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : partial discharge, peralatan tegangan tinggi, convolutional neural network, multilayer perceptron neural network
Sumber :
Staf Input/Edit : karya  
File : 1 file
Tanggal Input : 27 Jun 2019

Abstrak
PUBLIC Open In Flipbook karya

Penggunaan Jaringan Saraf Tiruan sebagai alat untuk identifikasi Partial Discharge (PD) telah digunakan sejak tahun 1990-an, di mana metode Multilayer Perceptron Backpropagation Neural Network (MLP BPNN) dengan data masukan berupa nilai adalah metode yang paling banyak digunakan. Namun, selama 5 tahun terakhir, Convolutional Neural Network (CNN) telah digunakan untuk mengidentifikasi Partial Discharge dengan input dalam bentuk gambar. Tujuan dari penelitian ini adalah untuk mengembangkan teknik diagnostik PD yang dapat menyederhanakan identifikasi sumber PD dengan menggunakan gambar bentuk gelombang sinyal. Dalam penelitian ini, kami menggunakan gambar dua dimensi dari domain waktu bentuk gelombang tunggal PD yang diperoleh dari percobaan menggunakan 3 sensor (High Frequency Current Transformer (HFCT), Surface Current Sensor (SCS), dan Transient Earth Voltage (TEV)) untuk input ke CNN. Pada layer pertama yaitu Layer Convolutional, gambar diekstraksi menggunakan Gaussian Filter, kemudian mencari nilai maksimum untuk setiap kelompok piksel untuk membuat komputasi lebih mudah. Gambar keluaran dari Layer Convolutional diidentifikasi pada Fully Connected Layer. Untuk mengevaluasi lebih dalam mengenai kinerja CNN, pengujian CNN menggunakan data PD baru yang diperoleh dari laboratorium percobaan yang tidak terlibat dalam proses pelatihan CNN. Hasil mengungkapkan bahwa probabilitas hasil prediksi CNN mencapai rata-rata 92,17%. Selain itu, MLP BPNN dengan sembilan parameter bentuk gelombang (peak value, rise time, fall time, phase, pulse width, pulse area, even width, frequency of maximum amplitude, frequency 1st method of moment method) juga diuji menggunakan data PD baru yang diperoleh dari percobaan. Hasil dari pengujian MLP BPNN mampu memprediksi tipe PD dengan probabilitas rata-rata mencapai 90,94%. Hasil ini menunjukkan bahwa gambar dan parameter gelombang dapat digunakan sebagai data input untuk CNN dan MLP BPNN untuk memberikan akurasi yang cukup untuk mengidentifikasi sumber PD. Hasil menunjukkan kemungkinan bahwa CNN dan MLP BPNN yang dikembangkan dapat digunakan untuk mengidentifikasi PD dalam peralatan tegangan tinggi dengan membandingkan data lapangan.

Artikel Terkait