Modelling of Electricity Load Forecasting by using Hybrid EMD and CNN with Attention Mechanism Based on Weather data, Case study in East Java area, Indonesia - Dalam bentuk buku karya ilmiah

TRYA AYU PRATIWI

Informasi Umum

Kode

24.05.580

Klasifikasi

004 - Data processing, Computer science

Jenis

Karya Ilmiah - Thesis (S2) - Reference

Subjek

Data Science

Dilihat

92 kali

Informasi Lainnya

Abstraksi

<p>Prediksi permintaan beban listrik yang akurat sangat penting untuk perencanaan pro- duksi listrik yang memadai di suatu wilayah. Peramalan beban jangka pendek sangat penting untuk pembangkit listrik yang efisien, menghindari pemborosan energi, dan mence- gah kegagalan pasokan. Namun, memprediksi beban daya secara akurat tetap menjadi tantangan utama karena faktor eksternal seperti cuaca dan perilaku industri konsumen. Oleh karena itu, pemilihan fitur yang efisien dan ekstraksi data masukan sangat penting untuk meningkatkan akurasi peramalan beban listrik. Dalam makalah ini, kami men- gusulkan model pembelajaran mesin Convolutional Neural Networks (CNN) dengan At- tention Mechanism (AM) sebagai model pembelajaran mesin, dikombinasikan dengan pen- dekatan dekomposisi sinyal menggunakan Empirical Mode Decomposition (EMD). Sebagai masukan untuk model machine learning, kami menyarankan createria untuk memilih fitur dari parameter cuaca dan fitur waktu. Faktor cuaca dan fitur waktu, yang sangat berkore- lasi dengan beban, diintegrasikan sebagai fitur tambahan dalam model prediksi. Selain itu, kami melakukan ekstraksi fitur menggunakan EMD untuk menguraikan sinyal beban men- jadi Fungsi Mode Intrinsik (IMFS). Kami mengusulkan metodologi untuk memilih IMF terbaik-IMF-3, IMF-6, dan IMF-7 - yang kemudian digunakan sebagai fitur untuk mem- prediksi beban listrik. Kami memilih wilayah Jawa Timur, Indonesia, sebagai wilayah studi, mengingat aktivitas konsumen dan industri sehari-harinya yang beragam. Dengan menggabungkan model CNN dengan Attention Mechanism (AM) dan EMD dekomposisi sinyal, kami menunjukkan bahwa model tersebut mencapai akurasi tinggi dengan RMSE sebesar 132,375, MAPE sebesar 2,149%, dan Koefisien Korelasi (CC) sebesar 0,970. Pen- dekatan ini meningkatkan akurasi prediksi sebesar 46% dalam hal RMSE, 45% dalam hal MAPE, dan meningkatkan kekuatan korelasi sebesar 8,5% dalam hal CC, dibandingkan dengan model CNN tanpa pemilihan fitur dan dekomposisi sinyal.</p>