Security-Constrained Unit Commitment (SCUC) menentukan jadwal komitmen
dan output daya unit pembangkit dengan biaya operasi minimum sambil memenuhi
batasan operasi dan keamanan jaringan. Sebagai persoalan Mixed-Integer Linear
Programming yang bersifat NP-hard, SCUC menuntut biaya komputasi yang
tinggi, terlebih dalam operasi dan kajian sistem yang menuntut penyelesaian
berulang untuk banyak kondisi beban, sehingga biaya komputasi solver
terakumulasi. Pendekatan machine learning berpotensi menghasilkan estimasi
dispatch secara cepat melalui satu proses inferensi, tetapi prediksi berbasis
pembelajaran tidak secara otomatis menjamin kelayakan operasional, sehingga
output dengan error rendah pun dapat melanggar batasan sistem.
Penelitian ini mengembangkan Spatio-Temporal Neural Network (STNN) untuk
memprediksi langsung profil dispatch 24 jam dari profil beban harian. Arsitektur
memadukan komponen spatial berbasis Graph Convolutional Network (GCN)
dengan tiga alternatif backbone temporal, yaitu TCN, BiLSTM, dan BiGRU.
Kelayakan ditingkatkan melalui dua mekanisme constraint-aware yang dapat
diaudit kontribusinya, yaitu Pmin/Pmax Clip untuk menegakkan batas operasi unit
dan Power Balance Repair untuk memulihkan keseimbangan daya, yang dievaluasi
secara bertingkat melalui tiga skenario ablasi. Model diuji pada data operasional
sistem 150 kV PT PLN Kalimantan Timur, yaitu 33 bus, 54 unit, 37 saluran, dan
638 hari, dengan dispatch referensi dari solver MILP-SCUC.
Hasil menegaskan bahwa akurasi prediksi bukan proksi yang memadai bagi
kelayakan operasional. Ketiga backbone setara secara statistik pada tingkat akurasi,
tetapi model paling akurat justru paling tidak layak karena melewatkan unit besar
penentu kapasitas. Power Balance Repair menjadi penentu utama kelayakan,
menaikkan Feasibility Rate dari kurang dari 1% menjadi 73,66% hingga 99,87%.
Konfigurasi terbaik, yaitu GCN-BiGRU, mencapai kelayakan 99,87% dengan
selisih biaya operasi sekitar 0,78% terhadap referensi MILP dan tetap layak pada
30 dari 31 hari uji.
Perpustakaan Digital ITB