Professional Documents
Culture Documents
PLTP Lahendong
(120 MW)
Isimu PV Plant (10 MWac)
Sumalata PV Plant (2 MW)
Micro Hydro
Various/Scattered location
Cap Approx. ~ 72 MW
1
How Promising RE resources in Sulawesi?
These data for information only, NOT for billing or ANY other purposes.
Please contact PT PLN (Persero) UIKL Sulawesi for further information 2
VRE Intermittent in Sulawesi
General Details
Solar Panel Inverter • Installed Capacity: 21MWp
• Type: Trina Solar Poly Cell • Type: Schneider XC680 • Net Dependable Capacity: 15 MWac
• Capacity: 325Wp • Capacity: 680kVA • Coverage Area: ±30ha
• Dimension: 1,978x992x2.5 mm • Rated Voltage: 380V • Main Transformer: 20MVA
• No of Panel: 1,629 Units • No. Inverter: 24 Units • Interconnection: 70kV Likupang Substation 4
PLTS IPP Isimu 12,5 MWp/10 MWac
General Details
Solar Panel Inverter • Installed Capacity: 12.5MWp
• Type: Hanwa-Q Cells • Type: Sungrow SG3125HV-MV • Net Dependable Capacity: 10 MWac
• Capacity: 320Wp • Capacity: 680kVA • Coverage Area: ±30ha
• Dimension: 1,978x992x2.5 mm • Rated Voltage: 380V • Main Transformer: 20MVA
• No of Panel: 1,464 Units • No. Inverter: 12 Units • Interconnection: 20kV Isimu Substation 5
PLTS IPP Sumalata 2 MWp
7
VRE Output Variability (Solar Power Plant)
18 50.8
16 50.6
14 50.4
12
50.2
10
50
8
49.8
6
49.6
4
2 49.4
0 49.2
6:00 6:18 6:36 6:54 7:12 7:30 7:48 8:06 8:24 8:42 9:00 9:18 9:36 9:54 10:1210:3010:4811:0611:2411:4212:0012:1812:3612:5413:1213:3013:4814:0614:2414:4215:0015:1815:3615:5416:1216:3016:4817:0617:2417:4218:00
-2 49
PV Output Base On PV output decrease from 15.85 MW in PV output increase from 5.54 MW in
PV cannot reach the maximum
Irradiation and Temp 11:36 to 4.67 MW in 11:40 (2.79 12:20 to 15.95 MW in 12:24 (2.60
output (weather problems) and
MW/Min). Freq decrease from 50.09 Hz MW/Min). Freq increase from 49.98 Hz
there are very large deviations
to 49.52 (UFR not triggered) to 50.46 (Inverters setiing Ramping Up
from the forecasts output of PV
not set up)
8
PENDAHULUAN
LATAR BELAKANG
MAPE
CC 24.81 % Intermitensi PLTS
UL 22.39 % (Ketidakteraturan Output
Daya)
Kreate 24.14 %
Deviasi Forecaster Pihak Bergantung Pada Cuaca Ramp Rate Tidak Stabil, Dispatcher
Ketiga Tidak Optimal (Iradiasi dan Suhu) Butuh Pemandu Pengatur Sistem
9
PENDAHULUAN
10
PEMBAHASAN
Data Sensor
Iradiasi Aplikasi
Suhu Sampler HABDDE GE
Server
Windspeed Excel + Macro VBA
Front End (FEP)
MW Generation Protokol Komunikasi MySQL (Dataset)
Real-Time (EMS)
Modbus TCP / Serial Python
IEC 60870-5-104 Grafana
11
PEMBAHASAN
Supervised Learning : Algoritma machine learning yang dalam proses belajarnya membutuhkan serangkaian
contoh input-output yang benar, sebagai supervisor (pengawas/pelatih)
• Klasifikasi : Logistik Regression, Decision Trees, Random Forest, KNN, SVM, Neural Networks, Naïve
Bayes, dll
• Prediksi Numerik / Regresi : Linear Regression, Decision Trees, Random Forest Regression, Neural Networks,
dll
Label/output
Input / dataset
12
PEMBAHASAN
Data Pre-processing (1)
13
PEMBAHASAN
14
PEMBAHASAN
15
PEMBAHASAN
17
PEMBAHASAN
Graphical User Interface SPECTRE
19
MANFAAT DAN ANALISA RESIKO
Sesuai KPI
Unit dan
• Potensi saving Rp 3.776.904.604,87 /Tahun sejalan
Finansial • Menekan biaya penyedia forecaster dari pihak ke 3, 16-58 Juta/tahun
Menekan BPP
dengan
Transformasi
• Dispatcher dapat menyediakan subsitusi / evakuasi daya dengan Pengaturan Frekuensi & PLN Green,
Non Finansial mempersiapkan cadangan putar ataupun pengoperasian cadangan dingin Peningkatan Defense Lean,
dari pembangkit lain Scheme Innovative,
dan Customer
Focused
Mean Absolute Percentage Error (MAPE)
PLTS Likupang PLTS Isimu
Tanggal Red-Fx (Kreate) SPECTRE Red-Fx (Kreate) SPECTRE
Juli 2021 26.43% 19.84% 31.16% 17.50%
Perbandingan
Agustus 2021 23.24% 10.65% 33.37% 14.90%
MAPE Short- September 2021 25.20% 11.60% 37.55% 13.48%
Term Forecast Oktober 2021 24.07% 12.48% 29.27% 13.19%
dari SPECTRE November 2021 25.37% 14.24% 35.29% 15.89%
dan Red-Fx 1 - 20 Desember 2021 23.63% 8.87% 32.04% 9.32%
Average Juli - Des 2021 24.66% 12.95% 33.11% 14.05%
MAPE average Red-Fx PLTS Lkpng dan Isimu 28.89%
MAPE average SPECTRE PLTS Lkpng dan Isimu 13.50%
Selisih MAPE 15.39%
20
MANFAAT DAN ANALISA RESIKO
Identifikasi Risiko
NO Mitigasi Preventif Mitigasi Korektif
Resiko Penyebab Dampak
Kegagalan prediksi
Aplikasi SPECTRE Database corrupt / Melakukan pemeriksaan
3 akibat data tidak Pemeliharaan preventif
tidak berfungsi bug dan perbaikan tools
lengkap
21
MANFAAT DAN ANALISA RESIKO
1 2
Sedang C C.1 C.2 C.3 C.4 C.5
3
1 2
Kecil B B.1 B.2 B.3 B.4 B.5
3
1 2 3 4 5
Tidak Signifikan Minor Medium Signifikan Malapetaka
TINGKAT DAMPAK
22
KESIMPULAN DAN SARAN
KESIMP
SPECTRE dengan Short-term forecasting-nya mampu menurunkan Mean Absolute Percentage Error (MAPE)
ULAN dari 28.89% menjadi 13.50% daripada Forecaster pihak ketiga
Dapat di implementasikan sebagai panduan dalam operasi Realtime, dengan Forecasting Time
sebesar 5 Menit dan dapat diakses baik secara Mobile maupun Realtime.
SARAN
1. Penambahan titik sensor di beberapa lokasi di sekitar PLTS sehingga hasil prediksi lebih
akurat
2. SPECTRE dapat dikembangkan dan diterapkan di pembangkit intermiten lain (PLTS dan
PLTB) bergantung pada ketersediaan data sensor dan metode pengambilan data SCADA
3. Metode Machine Learning ini dapat diimplementasikan untuk solusi permasalahan lain,
misalnya Day Ahead Forecasting untuk VRE, Load Forecasting (Perkiraan Beban),
Predictive Maintenance, dan lain-lain
23
Terima Kasih
“ If I try my best and fail.
Well, I have tried my best ”
Steve Jobs