Analisis Kondisi Transformator Daya Dengan Metode DGA (Dissolved Gas Analysis) Menggunakan Artificial Neural Network Berbasis Standar IEC Pada PT.PLN Transmisi Jawa Bagian Timur Dan Bali

Abstract

Transformator merupakan komponen utama dalam sistem tenaga listrik yang berfungsi sebagai pengubah level tegangan. Pada umumnya transformator diharuskan bekerja secara terus-menerus agar proses penyaluran energi listrik tetap berjalan lancar. Karena perannya yang vital, untuk menjaga keandalan transformator perlu dilakukan suatu pengujian untuk mengetahui kondisi transformator secara dini. Metode pengujian yang dapat dilakukan untuk mengetahui kondisi transformator adalah pengujian minyak transformator dengan metode DGA. Dalam metode DGA terdapat berbagai macam metode interpretasi data untuk mengidentifikasi kondisi transformator secara dini, salah satunya yaitu menggunakan Standar IEC 60599. Metode IEC merupakan metode yang efektif untuk mendeteksi kondisi transformator. Cara kerja metode ini yaitu dengan membandingkan konsentrasi zat terlarut, kemudian hasilnya direpresentasikan kedalam sembilan macam kondisi. Akan tetapi metode ini memiliki kelemahan yaitu lama waktu dalam proses analisis. Oleh karena itu untuk mengatasi kekurangan tersebut maka pada penelitian ini digunakan metode Artificial Neural Network (ANN) dengan rasio perbandingan gas sebagai inputnya dan kondisi transformator sebagai targetnya. Berdasarkan uraian tersebut maka dalam penelitian ini dirancang sebuah penelitian yang berjudul “Analisis Kondisi Transformator Daya dengan Metode DGA (Dissolved Gas Analysis) Menggunakan Artificial Neural Network Berbasis Standar IEC pada PT.PLN Transmisi Jawa Bagian Timur dan Bali”. Penggunaan metode neural network pada penelitian ini diharapkan mampu meningkatkan akurasi dan mempercepat proses dalam analisis kondisi transformator. Sehingga dalam pelaksanaannya mampu menjadi salah satu cara yang efektif dan cepat guna untuk mengidentifikasi kondisi transformator. Proses training algoritma neural network menggunakan 100 data untuk setiap kondisi berdasarkan standar IEC. Konfigurasi arsitektur jaringan yang paling baik yaitu konfigurasi dengan 3 neuron pada input layer, 20 neuron pada hidden layer pertama, 10 neuron pada hidden layer kedua dan 4 neuron pada output layer dengan fungsi transfer logsig, tansig dan purelin. Hasil training tersebut memberikan nilai regression sebesar 0,9998 dan MSE (Mean Square Error) sebesar 0,0008. Kekurangan dari model neural network adalah ketidak mampuan untuk membedakan konsentrasi minyak yang memiliki konsentrasi zat terlarut rendah dan tinggi, selain itu karena metode IEC ini menggunakan perbandingan Rasio untuk menentukan kondisi transformator maka metode IEC atau neural network biasa susah mengidentifikasi hasil Rasio yang memiliki nilai NaN dan infinity (hasil pembagian dengan bilangan penyebut 0). Oleh karena itu penambahan fungsi IEEE digunakan untuk menambah sensitifitas sistem dalam membaca kondisi normal pada sistem neural network. Pengujian neural network dilakukan sebanyak 351 data yang diperoleh dari PT. PLN Transmisi Jawa Bagian Timur dan Bali. Pengujian pertama dilakukan untuk mengetahui jumlah kondisi transformator yang dapat didiagnosis oleh masing-masing metode. Dari pengujian tersebut diperoleh hasil bahwa metode IEC mampu mendiagnosis 131 data, metode neural network biasa mampu mendiagnosis 282 data dan metode neural network dengan fungsi tambahan IEEE C57.108-2008 mampu mendiagnosis 314 data. Pengujian yang kedua dilakukan untuk mengetahui akurasi dari metode NN dan NN+. Perbandingan nilai akurasi dari kedua metode tersebut mengacu pada standar IEC 60599, sehingga data yang digunakan berdasarkan data yang terdeteksi oleh metode IEC yaitu sebanyak 131 data. Dari pengujian data tersebut diperoleh nilai akurasi untuk model neural network sebesar 92,37 %, sedangkan untuk model neural network dengan fungsi tambahan IEEE diperoleh akurasi sebesar 94,66 %. Sehingga penambahan fungsi IEEE C57.1082008 pada sistem mampu memperbaiki hasil dari metode neural network biasa.