Laporkan Masalah

PERAMALAN LOSS SENSITIVITY FACTOR PADA SISTEM DISTRIBUSI TENAGA LISTRIK MENGGUNAKAN MODEL ATTENTION TEMPORAL GRAPH CONVOLUTIONAL NETWORK (A3T-GCN) UNTUK PERENCANAAN PENEMPATAN PEMBANGKIT TERSEBAR

MUHAMMAD HADI PUTRA, Syukron Abu Ishaq Alfarozi., S.T., Ph.D;Dr. Ir. Avrin Nur Widiastuti, S.T., M.Eng., IPM.

2026 | Tesis | S2 Teknik Elektro

Integrasi pembangkit tersebar atau distributed generation (DG) pada sistem distribusi tenaga listrik berpotensi menurunkan rugi-rugi daya dan meningkatkan efisiensi jaringan. Namun, penempatan DG yang hanya didasarkan pada kondisi operasi sesaat belum mampu merepresentasikan perubahan beban dan kondisi sistem di masa mendatang. Penelitian ini bertujuan untuk meramalkan nilai Loss Sensitivity Factor (LSF) sebagai dasar awal dalam perencanaan lokasi DG yang lebih adaptif terhadap dinamika sistem distribusi. Penelitian ini menggunakan sistem distribusi aktual di Bengkulu sebagai studi kasus. Dataset LSF dibentuk dari hasil simulasi aliran daya secara deret waktu, kemudian digunakan untuk melatih model Attention Temporal Graph Convolutional Network (A3T-GCN). Model ini menggabungkan kemampuan Graph Convolutional Network (GCN) untuk mempelajari hubungan spasial antar-bus dengan mekanisme temporal untuk menangkap pola perubahan LSF terhadap waktu. Model A3T-GCN dibandingkan dengan LSTM dan GRU pada beberapa horizon peramalan, yaitu 1 jam, 12 jam, 24 jam, 168 jam, dan 720 jam. Evaluasi dilakukan menggunakan MAE, RMSE, SMAPE, dan R². Hasil penelitian menunjukkan bahwa performa model dipengaruhi oleh panjang horizon peramalan. Pada horizon 1 jam, LSTM memberikan hasil terbaik. Namun, pada horizon 12 jam, 168 jam, dan 720 jam, A3T-GCN menunjukkan performa lebih baik dibandingkan model pembanding. Pada horizon 720 jam, A3T-GCN memperoleh MAE sebesar 952,4691, RMSE sebesar 1593,4912, SMAPE sebesar 0,1096, dan R² sebesar 0,8896. Hasil ini menunjukkan bahwa pemodelan spasial-temporal lebih bermanfaat pada horizon menengah hingga panjang karena model dapat memanfaatkan informasi hubungan antar-bus dalam jaringan distribusi. Hasil peramalan LSF kemudian digunakan untuk menentukan kandidat lokasi DG. Berdasarkan rata-rata nilai LSF pada horizon 720 jam, bus N46 dipilih sebagai kandidat utama. Hasil simulasi menunjukkan bahwa lokasi penempatan DG sangat memengaruhi perubahan rugi-rugi daya. Penempatan DG pada N46 dan N38 mampu menurunkan losses, sedangkan penempatan DG pada N21 dan N9 justru meningkatkan losses dibandingkan kondisi base case. Skenario terbaik diperoleh pada penempatan DG 1000 kW di bus N46, dengan penurunan rugi-rugi daya aktif dari 163,319 kW menjadi 117,417 kW, atau berkurang sebesar 28,11%. Seluruh skenario yang diuji masih berada dalam batas operasi tegangan 18,486–21,567 kV, pembebanan saluran masih di bawah 100%, dan tidak terjadi aliran daya balik. Dengan demikian, peramalan LSF berbasis A3T-GCN dapat digunakan sebagai dasar awal untuk menyaring lokasi DG sebelum dilakukan evaluasi teknis melalui simulasi aliran daya.

The integration of distributed generation (DG) into power distribution systems has the potential to reduce power losses and improve network efficiency. However, DG placement based only on a single operating condition may not represent future variations in load and system conditions. This study aims to forecast the Loss Sensitivity Factor (LSF) as an initial basis for DG placement planning that is more adaptive to the dynamic behavior of distribution systems. This research uses an actual distribution system in Bengkulu as the case study. The LSF dataset was generated from time-series load flow simulations and then used to train an Attention Temporal Graph Convolutional Network (A3T-GCN) model. The proposed model combines the ability of Graph Convolutional Network (GCN) to capture spatial relationships among buses with temporal modeling to learn changes in LSF over time. A3T-GCN was compared with LSTM and GRU across several forecasting horizons, namely 1 hour, 12 hours, 24 hours, 168 hours, and 720 hours. The model performance was evaluated using MAE, RMSE, SMAPE, and R². The results show that model performance is affected by the forecasting horizon. For the 1-hour horizon, LSTM achieved the best performance. However, for the 12-hour, 168-hour, and 720-hour horizons, A3T-GCN outperformed the baseline models. At the 720-hour horizon, A3T-GCN achieved an MAE of 952.4691, RMSE of 1593.4912, SMAPE of 0.1096, and R² of 0.8896. These results indicate that spatio-temporal modeling becomes more beneficial for medium- to long-term forecasting because the model can utilize the structural relationships among buses in the distribution network. The forecasted LSF values were then used to determine candidate locations for DG placement. Based on the average LSF value at the 720-hour horizon, bus N46 was selected as the main candidate. The simulation results show that DG placement has different impacts depending on the selected location. DG placement at N46 and N38 reduced power losses, while placement at N21 and N9 increased losses compared to the base case. The best scenario was obtained by installing a 1000 kW DG at bus N46, which reduced active power losses from 163.319 kW to 117.417 kW, corresponding to a 28.11% reduction. All tested scenarios remained within the voltage operating limit of 18.486–21.567 kV, with line loading below 100%, and no reverse power flow occurred. Therefore, A3T-GCN-based LSF forecasting can be used as an initial basis for screening DG locations before further technical evaluation through load flow simulation.

Kata Kunci : Loss Sensitivity Factor, Attention Temporal Graph Convolutional Network, Distributed generation, Peramalan, Sistem Distribusi Tenaga Listrik.

  1. S2-2026-537076-abstract.pdf  
  2. S2-2026-537076-bibliography.pdf  
  3. S2-2026-537076-tableofcontent.pdf  
  4. S2-2026-537076-title.pdf