ANALISIS PENENTUAN NILAI KEANDALAN DAN KETERSEDIAAN TRANSFORMATOR 150 kV/20 kV MENGGUNAKAN SISTEM JARINGAN SYARAF TIRUAN BERDASARKAN MODEL MARKOV DISSOLVED GAS ANALYSIS

Abstract

Transformator sebagai salah satu bagian dari sistem tenaga listrik yang dapat mentransformasi tegangan dari satu level ke level lain harus dijaga keandalannya agar kebutuhan listrik masyarakat dapat terpenuhi secara terus-menerus jauh dari gangguan-gangguan yang dapat menyebabkan kegagalan sistem. Gangguan yang menyebabkan kegagalan sistem sering terjadi pada internal transformator tenaga baik itu gangguan pada tahanan isolasi, tegangan tembus maupun pada kandungan gas terlarut di minyak transformator. Gangguan ini merupakan gangguan yang sangat sulit dideteksi dan didiagnosa sebab gangguan ini termasuk gangguan yang terjadi di dalam transformator dan sangat berhubungan erat dengan minyak transformator karena gangguan terjadi disebabkan oleh arc (busur api) yang terjadi di dalam transformator itu sendiri. DGA (Dissolved Gas Analysis) merupakan metode pengujian yang dilakukan untuk menguji keadaan minyak isolasi dengan mengambil sampel minyak isolasi dari unit transformator untuk mengetahui jenis-jenis gas yang terlarut dalam minyak isolasi transformator, dari hasil tes DGA tersebut akan dapat disimpulkan dan diprediksikan jenis gangguan yang mungkin terjadi pada transformator dan dapat segera dilakukan tindakan pencegahan kegagalan transformator. Dengan kata lain pengujian DGA merupakan salah satu langkah perawatan preventif (preventive maintenance) yang wajib dilakukan dengan interval pengujian paling tidak satu kali dalam satu tahun. Acuan untuk menganalisis kinerja transformator dan menentukan langkahlangkah

yang akan dilakukan untuk meningkatkan kinerja transformator transformator GI Jember untuk-tahun berikutnya sangat diperlukan. Pemodelan dan pemetaan analisa yang digunakan dalam tugas akhir ini adalah Metode Markov dan Backpropagation Neural Network. Kedua metode ini dapat bekerja sama sebagai acuan analisis kinerja transformator untuk tahun berikutnya yang disebut sebagai peramalan. Proses pengerjaan tugas akhir ini diawali dengan analisa metode markov kemudian hasil metode markov tersebut ditetapkan sebagai pembelajaran untuk jaringan syaraf tiruan. Dalam metode Markov, langkah pertama adalah menentukan setiap perubahan kondisi gas, yaitu gas-gas yang mudah terbakar seperti H

(Hidrogen), CH 4 (Metana), CO (Karbon Monoksida), CO 2 (Karbon Dioksida), C

(Etilen), C 2 H 6 (Etana), dan C 2 H (Asetilen) serta acuan total gas yang mudah terbakar yaitu TDCG (Total Dissolved Combustible Gas). Gas-gas tersebut ditentukan tiap perubahan yang dibagi berdasarkan kondisi normal sampai kondisi sangat buruk sesuai standar IEEE C57.104-1991 yang digunakan PLN, yaitu dibagi dalam 4 kondisi, yaitu kondisi 1 (K1), kondisi 2 (K2), kondisi 3 (K3) dan kondisi 4 (K4). Langkah kedua adalah mengelompokkan perubahan tiap kondisi gas dari tiap transformator yang menunjukkan perubahan kondisi yang sama. Langkah ketiga menghitung laju data perubahan kondisi gas yang sudah dikelompokkan, dan dimasukkan dalam matriks. Langkah keempat adalah menampilkan grafik yang menunjukkan gambaran keandalan dan ketersediaan kualitas transformator GI Jember dari tiap gas-gas yang telah diolah. 2 Hasil dari Metode Markov berupa nilai ketersediaan dan keandalan minyak transformator dapat dijadikan acuan analisa kondisi minyak transformator, sehingga melalui Backpropagation Neural Network digunakan sebagai peramalan kondisi transformator ke depannya. Digunakan data rekapitulasi DGA PLN sebagai data aktual untuk pembelajaran awal dengan output adalah hasil nilai peluang ketersediaan dan keandalan. Hasil pelatihan pertama untuk nilai ketersediaan didapat nilai korelasi yang baik antara output jaringan dengan target dengan nilai korelasi 1.0000. Pembelajaran dilanjutkan kembali dengan tujuan untuk mendapatkan peramalan, yaitu nilai input ditentukan berdasarkan batas konsentrasi gas terlarut sesuai standar IEEE C57.104-1991 yang digunakan PLN untuk menentukan kondisi gas termasuk dalam kategori K1, K2, K3 atau K4, sedangkan nilai output adalah hasil perubahan 2 H 2 4 waktu (hari) terjadinya perubahan kondisi dari data aktual yang digunakan, sehingga melalui metode markov kembali didapatkan nilai ketersediaan dan keandalan. Hasil data cek atau peramalan tersebut didapatkan nilai korelasi yang baik antara kecocokan output jaringan dengan target 0.8916 (mendekati 1). Sama seperti dengan ketersediaan, keandalan juga didapatkan perbandingan data aktual 1.0000 dan data peramalan 0.8607. Dengan demikian, kondisi peramalan dari penggunaan kedua metode Markov dan Backpropagation Neural Network dapat digunakan sebagai acuan dalam analisis kinerja transformator sekaligus acuan dalam menentukan langkah-langkah untuk meningkatkan kualitas transformator ke depannya.