BIG DATA ANALYTICS DALAM SISTEM TENAGA LISTRIK

Menurut Google Trends, dalam pencarian di web 10 tahun terakhir, kata “analytics” termasuk dalam jajaran kata kunci yang paling populer. Walaupun mengalami sedikit penurunan mulai tahun 2016, di tahun 2019 ini kata kunci “analytics” bahkan masih dicari tiga sampai lima kali lipat lebih banyak dibandingkan kata kunci populer lain seperti “artificial intelligence” dan “machine learning”. Populernya big data analytics juga didukung dengan prediksi dan ulasan dari para expert bahwa profesi “big data engineer” merupakan profesi dengan bayaran termahal dibanding profesi lain yang berkaitan dengan big data [1]. Dua fakta ini setidaknya menunjukkan kepada kita emerging-nya ilmu big data ini.

Gambar 1. Popularitas pencarian di web untuk kata “analytics”, “artificial intelligence”, dan “machine learning” yang dinormalisasi pada skala 0-100

Apa Itu Big Data Analytics?

Istilah big data pertama kali dipopulerkan oleh dua ilmuwan NASA M. Cox dan D. Ellsworth pada tahun 1997 [2] untuk menggambarkan data dengan volume yang sangat besar, dan terlalu besar untuk diproses menggunakan sumber daya komputer yang ada. Secara singkat, big data analytics (BDA) adalah teknik untuk mempelajari, menganalisis, dan menemukan pola-pola tersembunyi dari big data untuk kemudian digunakan dalam pengambilan keputusan [3]. Tanpa adanya analytics, big data mungkin hanya akan jadi tumpukan data yang tidak berguna dan pemiliknya cenderung ingin memusnahkannya.

Big Data Analytics dalam Sistem Tenaga Listrik

Sistem tenaga listrik bisa jadi merupakan sistem yang paling besar atau salah satu yang paling besar di dunia ini. Dengan cakupan geografis yang begitu luas, wajar apabila data yang bisa diekstrak dari sistem ini begitu besar volumenya. IEEE Power & Energy Magazine terbitan September/Oktober 2012 menganggkat isu mengenai berkembangnya aplikasi data analytics dalam sistem tenaga. Diantara aplikasi data analytics dalam sistem tenaga yang disebutkan di situ adalah situational awareness, asesmen keamanan, state estimation, analisis gangguan, dan prediksi energi angin. Sejak saat itu, aplikasi BDA menjadi bidang yang emerging bagi para engineer sistem tenaga. Sebagai bidang yang interdisipliner, aplikasi BDA dalam sistem tenaga semakin luas dari waktu ke waktu. IEEE Power & Energy Magazine terbitan Mei/Juni 2018 memaparkan bebeapa aplikasi BDA dalam sistem tenaga listrik.

Contoh 1: Big Data Analytics sebagai Interpreter Data Hasil Pengukuran Phasor Measurement Unit (PMU) Mikro atau µPMU

 µPMU adalah peralatan monitoring di sistem distribusi tenaga listrik yang bertugas merekam berbagai besaran yang ada di jaringan. Data yang dihasilkan oleh µPMU adalah contoh nyata dari big data dalam sistem tenaga. Setiap µPMU mampu menghasilkan 124.416.600 pembacaan per hari atau setara dengan data dengan orde terabyte. Dengan resolusi yang begitu tinggi, µPMU mampu membaca kejadian-kejadian penting pada besaran sistem tenaga yang mungkin dilewatkan oleh peralatan monitoring konvensional, misalnya SCADA. Gambar 2 menunjukkan perbandingan hasil monitoring tegangan oleh µPMU dan SCADA di sebuah feeder distribusi primer. Terlihat bahwa SCADA melewatkan beberapa loncatan tegangan yang terjadi di feeder karena resolusi yang kurang tinggi. Dengan data yang berkualitas dari µPMU ini, engineer sistem tenaga dapat membuat diagnosis yang tepat mengenai kondisi jaringan.

Gambar 2. Perbandingan hasil monitoring tegangan oleh µPMU dan SCADA di feeder distribusi [4]

Contoh penerapan BDA pada data hasil monitoring µPMU ditunjukkan pada Gambar 3, dimana BDA digunakan pada hasil monitoring tegangan di dua feeder distribusi. Pada analisis ini, kejadian tegangan transien yang nilainya melebihi 0,1% dari nilai nominalnya dikorelasikan silang menggunakan pengukuran tegangan yang tersinkronisasi. Hasil dari BDA menggunakan analisis statistic ini adalah pembedaan kejadian penting mana yang masuk ke ranah sistem distribusi dan mana yang masuk ranah sistem transmisi. Pada Gambar 3 (a), yang menjadi perhatian engineer distribusi adalah kejadian yang dilingkari dan diberi nama “Group 1” dan “Group 2”. Group 1 mengindikasikan sag tegangan di feeder 1 dan Group 2 mengindikasikan sag tegangan di feeder 2. Dengan analisis ini, engineer distribusi dapat membuat keputusan lebih lanjut mengenai tindakan apa yang harus dilakukan.

Gambar 3. Analisis statistik data tegangan transien pada dua feeder yang berdekatan: (a) fase A, (b) fase B, (c) fase C [4]

Contoh 2: Big Data Analytics untuk Prediksi Output Energi Terbarukan

Paper [5] memaparkan aplikasi BDA untuk memprediksi output energi terbarukan di Cina. Pada akhir tahun 2016, Cina memiliki kapasitas energi angin terpasang 169 GW dan energi matahari terpasang 77 GW. Prediksi output dengan BDA dilakukan karena tidak memungkinkan untuk membuat prediksi hanya berbasis data histori. Gambar 4 menunjukkan contoh prediksi output energi angin dan surya di sepuluh lokasi selama beberapa hari.

Gambar 4. BDA untuk prediksi daya dari sumber energi terbarukan

Penutup

Dengan semakin besarnya data di sistem tenaga, engineer dan calon engineer sistem tenaga perlu melek big data dan berbagai teknik analytics/statistik untuk memanfaatkan big data tersebut. Pengetahuan dan skill big data analytics akan sangat berpengaruh terhadap diagnosis dan keputusan yang diambil oleh engineer.

Referensi

[1]      K. Burnham, “The Top 10 Highest-Paying Big Data Careers,” 2017. [Online]. Available: https://www.northeastern.edu/graduate/blog/highest-paying-big-data-careers/.

[2]      M. Cox and D. Ellsworth, “Application‐Controlled Demand Paging for Out‐of‐Core Visualization,” Mountain View, CA, 1997.

[3]      A. Shi-nash and D. R. Hardoon, “Data Aanalytics and Predictive Analytics in The Era of Big Data,” in Internet of Things and Big Data Analytics Handbook, H. Geng, Ed. Wiley Telecom, 2017, pp. 329–345.

[4]      B. H. Mohsenian-rad, E. Stewart, and E. Cortez, “Distribution Synchrophasors: Pairing Big Data with Analytics to Create Actionable Information,” IEEE Power Energy Mag., vol. 16, no. 3, pp. 26–34, 2018.

[5]      C. Kang, Y. Wang, Y. Xue, G. Mu, and R. Liao, “Big Data Analytics in China’s Electric Power Industry,” IEEE Power Energy Mag., vol. 16, no. 3, pp. 54–65, 2018.

 

Info Penulis

Nama                         : Firmansyah Nur Budiman,S.T.,M.Sc.

Bidang Peminatan  : Power System Analysis, Power System Optimization, Power System Security

E-mail                        : firmansyah.nur@uii.ac.id

Google Scholar ID