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.