KALBARNEWS.CO.ID (AFRIKA) - Sekelompok peneliti dari Nigeria dan Afrika Selatan telah mengusulkan penggunaan teknologi kecerdasan buatan untuk menentukan penyebab pasti dari kehilangan daya listrik selama transmisi. 
Ilmuwan Afrika Mengusulkan Metode Berbantuan AI Untuk Mengidentifikasi Penyebab Hilangnya Listrik
Dalam praktik standar, kehilangan daya sistem tenaga dihitung secara agregat, dan tindakan terhadapnya bergantung pada langkah-langkah teknis umum seperti memasang perangkat kompensasi.
Para peneliti memutuskan untuk mencermati masalah ini lebih dalam dan mencari tahu apa sebenarnya yang menyebabkan kehilangan daya di bagian-bagian tertentu dari jaringan listrik, baik itu kesalahan teknis, kesalahan pengukuran, pencurian, atau faktor-faktor lainnya.
Untuk tujuan tersebut, mereka menganalisis data dari jaringan tegangan tinggi 132 kV di Nigeria, yang melewati kawasan industri dengan sejumlah besar konsumen utama. Jaringan listrik ini memainkan peran utama dalam penyediaan listrik bagi perusahaan-perusahaan lokal, termasuk pabrik metalurgi dan pengolahan.
Sebanyak 12 bagian jaringan listrik dengan beban tertinggi dan kerugian yang nyata dipilih untuk analisis. Data dikumpulkan oleh meter pintar Schneider PM5100 yang dipasang di berbagai cabang jaringan listrik. Meter tersebut mencatat volume listrik yang dipasok dan dikonsumsi.
Pada tahap pertama, para peneliti memproses data yang dihasilkan secara menyeluruh, menghilangkan celah, menormalkan nilai, mengodekan kategori, dan membentuk urutan waktu untuk melatih model jaringan saraf.
Selanjutnya, mereka menghitung perbedaan energi antara volume yang dipasok ke jaringan dan yang sebenarnya dicatat oleh konsumen. Kerugian diklasifikasikan tergantung pada nilainya: kerugian yang melebihi 40% dianggap sebagai pencurian energi, kerugian 30–40% diklasifikasikan sebagai kerugian aktif (ohmik), 20–30% sebagai kerugian dari pelepasan korona, 10–20% sebagai kerugian reaktif, 5–10% sebagai kerugian teknis normal, dan nilai di bawah 5% dipandang sebagai kesalahan pengukuran.
Data ini digunakan untuk melatih enam model AI: model LSTM dan GRU klasik, hibridanya, model BiLSTM dua arah, dan model LSTM dengan mekanisme perhatian, yang memungkinkan sistem untuk fokus pada bagian paling penting dari rangkaian waktu. Semua model dibuat dan diuji dalam lingkungan Python dengan menggunakan pustaka TensorFlow dan Keras.
Hasil terbaik ditunjukkan oleh model LSTM dengan mekanisme perhatian, yang mencapai akurasi 83,84%. Model LSTM dan GRU reguler sedikit kurang akurat, yaitu sekitar 83%. Model BiLSTM memberikan akurasi 82,07%.
Analisis distribusi kelas kerugian menunjukkan bahwa sebagian besar kerugian, atau 1.440 dari 1.980 pengamatan, terkait dengan pencurian listrik. Jenis kerugian lainnya, termasuk kerugian reaktif dan korona serta kesalahan pengukuran, jauh lebih jarang terjadi.
Analisis statistik juga dilakukan. Beberapa bagian jaringan menunjukkan ketidakstabilan yang tinggi: penyimpangan yang signifikan, nilai negatif, dan lonjakan tajam. Semua ini menunjukkan kemungkinan masalah teknis atau kegagalan organisasi.
Penerapan pendekatan yang diusulkan secara luas dapat memberikan teknisi listrik alat yang berguna yang memungkinkan mereka tidak hanya mencatat kerugian, tetapi juga mengidentifikasi sifat kerugian dengan cepat.
Hal ini akan meningkatkan pengelolaan sistem secara signifikan, sehingga memungkinkan untuk menentukan area masalah, menghasilkan keputusan yang tepat, dan mengurangi biaya. Pendekatan ini dapat terbukti relevan terutama di negara-negara berkembang, di mana tingkat kerugian dalam jaringan listrik dapat melebihi 30%. (Tim Liputan)
Editor : Aan
