Short Term Predictive Calculation

for Renewable Energy

Coffee Morning Reg. Sulmapana

21 Desember 2021
Renewable Energy Plant in Sulawesi
PLTA Tanggari (37 MW)
PLTA Tonsealama (12 MW)
Likupang PV Plant
Cap. 15 MWac

PLTP Lahendong
(120 MW)
Isimu PV Plant (10 MWac)
Sumalata PV Plant (2 MW)
Micro Hydro
Various/Scattered location
Cap Approx. ~ 72 MW

PLTA Poso Peaker Sidrap Wind Power Plant

(315 MW) 515 MW Cap. 70 MW

PLTA Bakaru Pangkep PV Plant

(126 MW) (1 MW)

PLTA Bili Bili

(19,5 MW) Tolo Wind Power Plant
Cap. 60 MW

1
How Promising RE resources in Sulawesi?

• Annual CF of Sidrap Wind Power Plant

• 2019  40,7%
• 2020  35,1%
• Annual CF of Tolo Wind Power Plant
• 2019  44 %
• 2020  48.8 %
• Average CF of Likupang PV Plant ~ 22,6%
• Average CF of Isimu PV Plant ~ 22,1%

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

Likupang Solar Power

Plant (15 MW)

Sumalata Solar Power

Plant (2 MW)
Isimu Solar Power
Plant(10 MW)

Sidrap Wind Power Plant

(70 MW)

Tolo Wind Power

Plant(Jeneponto)
(72 MW)
www.pln.co.id |
3
 PLTS IPP Isimu 21 MWp/15 MWac

Solar Panel
• Type: Trina Solar Poly Cell
• Capacity: 325Wp
• Dimension: 1,978x992x2.5 mm
• No of Panel: 1,629 Units
General Details
Inverter • Installed Capacity: 21MWp
• Type: Schneider XC680 • Net Dependable Capacity: 15 MWac
• Capacity: 680kVA • Coverage Area: ±30ha
• Rated Voltage: 380V • Main Transformer: 20MVA
• No. Inverter: 24 Units • Interconnection: 70kV Likupang Substation 4
 PLTS IPP Isimu 12,5 MWp/10 MWac

Solar Panel
• Type: Hanwa-Q Cells
• Capacity: 320Wp
• Dimension: 1,978x992x2.5 mm
• No of Panel: 1,464 Units
Inverter
• Type: Sungrow SG3125HV-MV
• Capacity: 680kVA
• Rated Voltage: 380V
• No. Inverter: 12 Units
General Details
• Installed Capacity: 12.5MWp
• Net Dependable Capacity: 10 MWac
• Coverage Area: ±30ha
• Main Transformer: 20MVA
• Interconnection: 20kV Isimu Substation 5
 PLTS IPP Sumalata 2 MWp

Solar Panel Inverter

• Type: Mono Crystalline • Type: SG30KTL General Details
• Capacity: 240Wp • Capacity: 1250kVA • Installed Capacity: 2 MWp
• Dimension: 1,650x991x40 mm • Rated Voltage: 380V • Main Transformer: 1250 kVA
• No of Panel: 8,568 Units • No. Inverter: 68 Units • Interconnection: 20kV 6
Uniqueness of Sulawesi System

intermittency on both sides

VRE Heavy Load
Penetration And Demand
Uncertainty
VRE Forecast Accuracy Load Forecast Accuracy
VRE Output Variability Load Variability

Major challenges on Sulawesi systems in the coming years are connecting

additional nickel smelting facilities (Heavy Load and Demand Uncertainty)
and integrating a higher share of VRE (VRE Penetration). Both will introduce
further fluctuations to the system, which need to be managed adequately to
provide a stable and secure power supply to Sulawesi electricity customers.

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

PLTS (MW) Freq Sys

 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

Melakukan Riset dan Studi Pembuatan Sistem Terintegrasi,

Machine Learning Historical Data Untuk Mitigasi Keandalan Sistem dan
Perbandingan terhadap Forecast
(Random Forest Regresion) Optimasi Biaya Load Follower
Mandiri

9
 PENDAHULUAN

Peningkatan Akurasi Forecast

Keandalan
METODOLOGI &
MAKSUD & TUJUAN
Optimasi Biaya
Sistem Informasi Mitigasi
Start Knowledge
Sharing dan
Studi Literasi
Riset Dan Uji
Coba
RUANG LINGKUP
Pengembangan
Sistem

Evaluasi dan MILESTONE 03

pembuatan dan pengujian Short-Term
Pengujian Finish Predictive Calculation for Renewable Energy
(SPECTRE) dengan metode Random Forest
Regresion, dan Perbandingan terhadap Vendor
Terkontrak (Red-Fx)

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

Data Pre-processing (2)

14
 PEMBAHASAN

Data Processing (Proses Learning)

15
 PEMBAHASAN

How Random Forest Regression Works

A random forest is a meta estimator that fits a number

of classifying decision trees on various sub-samples of
the dataset and uses averaging to improve the
predictive accuracy and control over-fitting (Sklearn)

Source gambar : https://medium.com/swlh/random-forest-and-its-implementation-71824ced454f

16
 PEMBAHASAN

Post Data Processing (Output)

17
 PEMBAHASAN
Graphical User Interface SPECTRE

Frekuensi sistem saat

ini MW Generation Prediksi MW Generation 5 menit Rekomendasi Curtail jika
PLTS saat ini kemudian output SPECTRE kondisi darurat

Hz prediksi 5 menit ke depan

Tampilan Grafik antara Actual dan berdasar SPECTRE
Prediksi (SPECTRE dan Pihak
ketiga) tiap 5 menit

MAPE (Error dalam persen)

Forecaster Pihak Ketiga

MAPE (Error dalam

persen) SPECTRE
18
PEMBAHASAN

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

Memakai jaringan backup

Kegagalan prediksi multiplexer, melakukan
Gangguan jaringan Pengecekan &
Penyedia jaringan SPECTRE dikarenakan pelaporan kepada
1 komunikasi data ke pemeliharaan jaringan
komunikasi down data actual dan sensor penyedia jaringan yang
PLTS preventif
tidak ada down, menarik data
backup

Tidak ada acuan

Gangguan data Gangguan server Mekanisme pelaporan &
dispatcher dan Laporan secepatnya ke
2 forecasting pihak forecasting pihak pengecekan forecaster
pembanding forecasting penyedia data
ketiga ketiga pihak ketiga
day ahead

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

Sangat Besar E E.1 E.2 E.3 E.4 E.5

TINGKAT KEMUNGKINAN

Besar D D.1 D.2 D.3 D.4 D.5

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

Sangat Kecil A A.1 A.2 A.3 A.4 A.5

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

Potensi saving sebesar Rp 3.776.904.604,87 pertahun

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