Laporkan Masalah

PENGEMBANGAN MODEL DETEKSI STABILITAS TRANSIEN MENGGUNAKAN RANDOM FOREST DAN XGBOOST PADA SISTEM IEEE 39-BUS

Arief Indra Kusuma, Ir. Unan Yusmaniar Oktiawati, S.T., M.Sc., Ph.D. IPU.

2026 | Tugas Akhir | D4 TEKNOLOGI REKAYASA ELEKTRO

Stabilitas transien merupakan aspek kritis dalam operasi sistem tenaga listrik modern karena gangguan besar seperti hubung singkat tiga fasa dapat menyebabkan kehilangan sinkronisasi generator yang berujung pada pemadaman listrik skala luas. Metode analisis konvensional berbasis simulasi time-domain memiliki keterbatasan kecepatan komputasi sehingga tidak memadai untuk penilaian stabilitas secara cepat pada sistem skala besar. Penelitian ini mengembangkan dan membandingkan dua model machine learning berbasis tree-based ensemble, yaitu Random Forest sebagai model baseline dan XGBoost sebagai model utama, untuk mendeteksi status stabilitas transien pada sistem IEEE 39-Bus New England. Dataset dikembangkan dari 8.330 skenario simulasi RMS menggunakan DIgSILENT PowerFactory dengan variasi 34 saluran gangguan, 5 lokasi per saluran, 7 durasi gangguan antara 60 hingga 300 ms, dan 7 tingkat pembebanan antara 0,6 hingga 1,2 pu, dengan kondisi awal ditentukan menggunakan Optimal Power Flow minimisasi rugi-rugi. Fitur statistik diekstrak dari sinyal tegangan magnitude 39 bus dalam jendela observasi 0,5 detik pasca-gangguan, menghasilkan 8 fitur masukan yang seluruhnya dapat diukur langsung oleh Phasor Measurement Unit (PMU). Pelabelan menggunakan sinyal out-of-step bawaan DIgSILENT menghasilkan distribusi kelas 84,69% stabil dan 15,31% tidak stabil. Pada kondisi noise pengukuran 1%, Random Forest mencapai akurasi 99,70?n XGBoost mencapai 99,82%, keduanya dengan ROC-AUC sebesar 0,9999. XGBoost menunjukkan keunggulan yang konsisten terutama pada kondisi menantang, menghasilkan nol false positive, false negative lebih sedikit yaitu 3 dibandingkan 4, serta waktu prediksi 0,01 detik dibandingkan 0,12 detik. Analisis terpilah mengungkapkan bahwa seluruh kesalahan klasifikasi terkonsentrasi pada zona di sekitar Critical Clearing Time (CCT) dan pada pembebanan tinggi. Analisis feature importance secara konsisten mengidentifikasi tegangan minimum bus dan standar deviasi tegangan sebagai fitur paling dominan, konsisten dengan fenomena fisika stabilitas transien. Penelitian ini berkontribusi secara metodologis dalam pengembangan sistem penilaian stabilitas dinamis berbasis machine learning yang andal dan dapat diinterpretasikan melalui perbandingan sistematis antara algoritma Random Forest dan XGBoost. Hasil penelitian diharapkan menjadi referensi dalam perancangan sistem Dynamic Security Assessment (DSA) berbasis machine learning yang mampu melakukan inferensi status stabilitas transien secara cepat, serta memberikan acuan dalam pemilihan fitur tegangan yang relevan untuk pengembangan model deteksi stabilitas transien pada sistem tenaga listrik lainnya.

Transient stability is a critical aspect of modern power system operation, as large disturbances such as three-phase faults can cause generator loss of synchronism leading to widespread blackouts. Conventional time-domain simulation methods are computationally intensive and insufficient for rapid stability assessment in large-scale systems. This study develops and compares two tree-based ensemble machine learning models, namely Random Forest (RF) as the baseline model and XGBoost as the primary model, for detecting transient stability status on the IEEE 39-Bus New England system. The dataset was developed from 8,330 RMS simulation scenarios using DIgSILENT PowerFactory with variations across 34 fault lines, 5 fault locations per line, 7 fault duration levels from 60 to 300 ms, and 7 load levels from 0.6 to 1.2 pu, with initial operating conditions determined by loss minimization Optimal Power Flow. Statistical features were extracted from voltage magnitude signals of all 39 buses within a 0.5-second post-fault observation window, yielding 8 input features that can all be directly measured by Phasor Measurement Units (PMU). Class labeling using the built-in out-of-step signal from DIgSILENT resulted in a distribution of 84.69% stable and 15.31% unstable scenarios. Under 1% measurement noise, RF achieved an accuracy of 99.70% and XGBoost achieved 99.82%, both with ROC-AUC of 0.9999. XGBoost demonstrated consistent advantages particularly under challenging conditions, producing zero false positives, fewer false negatives (3 vs. 4), and a prediction time of 0.01 seconds compared to 0.12 seconds for RF. Per-fault-duration analysis revealed that all classification errors were concentrated around the Critical Clearing Time (CCT) zone and at high loading levels. Feature importance analysis consistently identified minimum bus voltage and voltage standard deviation as the most dominant features, consistent with the physical phenomena of transient instability. This research contributes methodologically to the development of a reliable and interpretable machine learning-based dynamic stability assessment system through a systematic comparison of the Random Forest and XGBoost algorithms. The results of this study are expected to serve as a reference in the design of a machine learning-based Dynamic Security Assessment (DSA) system capable of rapidly inferring transient stability status, as well as to provide guidance in selecting relevant voltage features for the development of transient stability detection models in other power systems.

Kata Kunci : Stabilitas Transien, Random Forest, XGBoost, IEEE 39-Bus

  1. D4-2026-504414-abstract.pdf  
  2. D4-2026-504414-bibliography.pdf  
  3. D4-2026-504414-tableofcontent.pdf  
  4. D4-2026-504414-title.pdf