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

Dokumen Asli
PUBLIC Open In Flip Book Dessy Rondang Monaomi

NILM menawarkan metode revolusioner untuk memantau konsumsi energi secara rinci di rumah tangga tanpa perlu meteran peralatan individu. Teknologi ini menyediakan alternatif yang hemat biaya dibandingkan dengan pendekatan pemantauan energi tradisional dengan mendisagregasi konsumsi energi total rumah tangga menjadi beban peralatan individu dari satu titik pengukuran. Studi kami mengeksplorasi penerapan Conservative Power Theory (CPT), juga dikenal sebagai Tenti Power Theory, sebagai pendekatan baru untuk ekstraksi fitur dalam sistem NILM, membandingkan efektivitasnya dengan Fryze Power Theory yang sudah mapan. Penelitian dimulai dengan pemeriksaan teoritis yang luas tentang CPT untuk memahami prinsip-prinsip dasarnya dan potensi keunggulannya dibandingkan metode konvensional. Kemampuan CPT untuk secara akurat membedakan berbagai jenis arus listrik—aktif, reaktif, dan void—membuatnya sangat cocok untuk NILM, di mana membedakan antara berbagai peralatan berdasarkan tanda tangan energi mereka sangat penting. Karena banyak peralatan listrik modern menunjukkan karakteristik operasional yang serupa karena teknologi yang digunakan atau bagian depan yang serupa, membedakan peralatan-peralatan ini menjadi semakin menantang. Studi ini menunjukkan bahwa ekstraksi fitur berbasis CPT dapat secara signifikan meningkatkan identifikasi dan klasifikasi peralatan ini. Model simulasi yang kuat dikembangkan menggunakan MATLAB untuk memfasilitasi pengamatan rinci dan pencatatan trajektori Voltage-Current (V-I) di bawah berbagai kondisi beban. Model ini memungkinkan analisis trajektori ini, mengidentifikasi pola-pola khas yang dapat langsung dikaitkan dengan karakteristik listrik berbeda dari arus aktif, reaktif, dan void. Arus aktif menampilkan trajektori linear, membuatnya mudah dikenali. Sebaliknya, arus reaktif menghasilkan trajektori melingkar, mencerminkan perbedaan fase yang khas dari beban kapasitif dan induktif. Arus void menunjukkan pola yang paling kompleks, ditandai dengan trajektori non-linear akibat distorsi harmonik dan perilaku perangkat switching. iii Untuk menerjemahkan wawasan teoritis ini ke dalam aplikasi praktis, pengaturan eksperimental dirancang yang menggabungkan sepuluh peralatan rumah tangga dan kantor yang umum, mulai dari perlengkapan pencahayaan sederhana hingga perangkat komputasi yang kompleks. Pemilihan ini dimaksudkan untuk mencakup spektrum luas dari beban rumah tangga dan komersial yang umum, menciptakan perpustakaan yang komprehensif tentang kemungkinan skenario beban. Setiap peralatan diuji dalam kondisi operasi normal untuk menghasilkan dataset dari 1024 kombinasi unik arus paralel. Ketelitian pengukuran dijamin dengan menggunakan osiloskop Yokogawa DLM 3240, yang dikenal karena akurasi tinggi dan frekuensi sampling 125 kHz. Pengumpulan data dilakukan secara ekstensif, dengan setiap kombinasi direkam lima kali untuk memastikan keandalan. Empat dataset ditentukan untuk melatih model prediktif, sementara yang kelima digunakan sebagai set validasi untuk menilai akurasi model secara independen. Convolutional Neural Network 1D (CNN-1D) digunakan karena keahliannya dalam menangani data time-series, yang ideal untuk analisis berbasis gelombang yang diperlukan dalam NILM. Jaringan ini dilatih menggunakan fungsi loss binary cross-entropy dalam format klasifikasi multilabel, dioptimalkan untuk mendeteksi perbedaan halus dalam tanda tangan arus, sehingga meningkatkan akurasi identifikasi. Hasil eksperimental sangat menggembirakan, dengan ekstraksi fitur berbasis CPT mencapai F1-score sebesar 0.946. Kinerja ini lebih unggul dibandingkan dengan metode berbasis Fryze dan kasus Vanilla (tanpa lapisan ekstraksi fitur), yang masing-masing mencetak 0.875 dan 0.685. Analisis confusion matrix lebih lanjut memvalidasi akurasi prediktif yang lebih tinggi dari CPT, meskipun beberapa tantangan dicatat dalam skenario yang melibatkan beban arus yang lebih tinggi. Temuan ini menggarisbawahi efektivitas CPT dalam memajukan teknologi NILM dengan memberikan pemahaman yang lebih mendalam tentang berbagai jenis arus dan implikasinya untuk pemantauan beban. Penelitian selanjutnya harus fokus pada penyempurnaan metode ini dan mengeksplorasi integrasinya ke dalam sistem manajemen energi yang lebih besar dan lebih beragam.