Setting Rele Diferensial pada Transformator Gardu Induk Banaran Kediri Berbasis Neural Network

Abstract

Pada perkembangan konsumen listrik saat ini berujung pada penambahan sejumlah besar unit pada pembangkit, saluran transmisi dan jaringan distribusi. Hal ini memang sesuai dengan kemajuan teknologi sekarang ini dimana telah banyak kegiatan tergantung terhadap tenaga listrik yang mana berarti kebutuhan tenaga listrik semakin meningkat. Hal ini menimbulkan bagaimana cara mengatasi keandalan sistem tenaga listrik dan juga peralatan operasional utama yang ada di pembangkit harus dijaga keandalannya dari kerusakan yang diakibatkan adanya gangguan-gangguan di sekitar peralatan tersebut salah satunya yaitu pada transformator. Dalam pengoperasiannya, transformator daya dapat mengalami 2 macam gangguan, yaitu gangguan internal dan gangguan eksternal. Salah satu sistem proteksi utama pada transformator yaitu rele diferensial pada Gardu Induk Banaran Kediri. Rele diferensial ini bekerja sangat selektif dan cepat tanpa waktu tunda. Rele diferensial bekerja pada saat ada gangguan dalam area pengamanannya dibatasi oleh transformator arus dan tidak boleh bekerja pada saat ada gangguan luar. Setting arus pada rele diferensial harus dihitung secara tepat sehingga mencegah adanya kegagalan proteksi dan meningkatkan kehandalan sebuah sistem tenaga listrik. Maka dari itu, terdapat perbandingan setting antara perhitungan konvensional dan menggunakan metode neural network. Selain itu, setelah mengetahui setting rele diferensial menggunakan perhitungan konvensional maupun neural network serta hasil perbandingannya pula, dapat pula diketahui efisiensi trafo yang dapat dilihat dari nilai MSE atau eror yang di peroleh saat training menggunakan neural network. Metode neural network ini merupakan pemproses pemodelan data yang berdasarkan jaringan saraf manusia sehingga untuk metode ini dapat memproses atau memodelkan berbagai macam data seperti data yang tidak lengkap, parsial maupun noisy. Rele diferensial yang digunakan pada GI Banaran kediri yaitu trafo 4, trafo 5 dan trafo 7. Untuk nilai input yang digunakan pada setting yaitu INominal, IRatting, ICT, IRele, IKCT, I1, I2, IRestrain dan ISetting serta untuk nilai target yang digunakan yaitu ErrorMismatch dan IDiferensial. Pada trafo 4 dan trafo 5 memiliki spesifikasi yang sama sehingga hasil pengujiannya pun sama MSE yang diperoleh sebesar 3.0799e-16 dengan epoch sebesar 585 saat jumlah neuron sebesar 8 serta hasil performance sudah bagus, untuk hasil perbandingan antara setting perhitungan konvensional dan neural network yang diperoleh pada ErrorMismatch dan IDiferensial sudah sesuai dengan yang ditargetkan. Pada trafo 7 menghasilkan grafik performance yang bagus, lalu diperoleh nilai MSE sebesar 9.7346e-16 dengan epoch sebesar 269 saat jumlah neuron sebesar 8, pada hasil perbandingan antara antara setting perhitungan konvensional dan neural network yang diperoleh untuk ErrorMismatch sudah sesuai target, sedangkan untuk IDiferensial terdapat selisih hasil akan tetapi hampir mendekati nilai yang diinginkan atau target selisihnya yaitu sekitar sebesar 0,00000002 (2 ) sampai 0,000000033 (3,3) untuk mencapai target. Jadi, dari nilai MSE yang diperoleh pada trafo 4 dan trafo 5 menghasilkan lebih besar nilai MSE atau erornya dan iterasi epoch yang dibutuhnya lebih besar, sedangkan pada trafo 7 MSE yang diperoleh lebih kecil dan iterasi epoch yang dibutuhkan tidak terlalu besar.