Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Presentasi i sys-31 mei
1. Diagnosis Gangguan Tranformator Daya
Menggunakan Dissolved Gas Analysis
(DGA)
Oleh : Hendra Marcos
12/338862/PTK/8228
1
Group Riset I-Sys
31 Mei 2013
2. Latar Belakang
Rumusan Masalah
Keaslian Penelitian
Tujuan Penelitian
Tinjauan Pustaka
Landasan Teori
Referensi
6/20/2013 2
4. Transformator (trafo) merupakan salah
satu peralatan penting dari sistem
ketenagalistrikan [1,3-5]
Minyak trafo merupakan komponen
penting pada trafo yang berfungsi
sebagai media pendingin dan bahan
isolasi, di mana panas yang dihasilkan
dapat mengurai minyak menjadi gas-gas
terlarut [5]
Uji Dissolved Gas Analysis (DGA),
diperlukan sebagai salah satu teknik
menganalisis gangguan permulaan trafo6/20/2013 4
Latar Belakang
5. Karena hasil DGA yang tidak linier antara
gas yang dihasilkan dengan jenis
gangguan, maka diperlukan metode
khusus untuk mendiagnosis gangguan
trafo [15]
Telah banyak paper yang membahas
tentang DGA dengan metode
(konvensional) yaitu; Duval Triangle,
Roger’s Ratio, Key Gases. IEC [3,4,6]
Beberapa teknik machine learning sudah
digunakan untuk melakukan analisis
gangguan trafo daya seperti Neural
Network (ANN), Fuzzy Expert System6/20/2013 5
Latar Belakang
6. Bagaimana pentingnya memprediksi
gangguan trafo menggunakan analisis
DGA
Bagaimana metode machine learning
(ANN, FES, RST) dapat
menggantikan pakar untuk
memprediksi gangguan trafo
Bagaimana tingkat keakuratan dan
presisi dari metode-metode yang
sudah ada dapat lebih baik dari sisi
6/20/2013 6
Rumusan Masalah
7. Keaslian Penelitian
6/20/2013 7
Peneliti Tahun Metode Dataset
Honsheng Su 2007 ANFIS -
X.Yu & H.Zhang 2008 RST & ANN IEC
X. Zheng 2008 Fuzzy&RST -
Z. Xue 2009 FRS&SVM -
YC.Huang, et al. 2009 RST IEC
Z.Ming,Wang 2010 RS -
Han,Wang 2011 SVM(Fs) IEC
C.Abdelkadeer 2012 ANN IEC
NA.Setiawan 2012 RST IEC
ZhouAiHua 2012 RST&NN IEC
Tabel 1. Paper yang membahas DGA
8. Manfaat Penelitian
Manfaat yang paling utama dari penelitian ini
adalah ditemukannya metode untuk
mendiagnosis gangguan transformator berbasis
machine learning menggunakan analisis DGA
yang paling efisien dari sisi komputasi, akurat
dalam persentase kebenaran terhadap data
pengujian, dan presisi terhadap nilai keluaran
yang konsisten dan expert dalam mendiagnosis
gangguan trafo
Disamping itu diharapkan memberikan manfaat
untuk mengetahui sifat-sifat dan karakteristik
machine learning dalam memprediksi jenis
gangguan trafo berdasarkan data yang sudah
ada
Dapat menggantikan pakar dalam memprediksi
gangguan transformator sehingga memberikan
kontribusi untuk melakukan tindakan awal
terhadap gangguan yang ada6/20/2013 8
9. Tujuan Penelitian
Penelitian ini bertujuan
mengembangkan pendekatan teknik
machine learning seperti ANNs, FES,
RST dan kombinasinya berbasis DGA
untuk mendiagnosis gangguan trafo
daya dengan akurasi dan presisi yang
baik dengan memperhatikan efisiensi
komputasi dengan harapan menjadi
salah satu rujukan kemampuan pakar
dalam mendiagnosis gangguan trafo
daya
6/20/2013 9
10. Tinjauan Pustaka
X.Yu dan H.Zhang (2008)
Penelitian ini menggunakan metode Rough Set
Theory (RST) dan Artifial Neural Networks
(ANN) berbasis DGA. Kombinasi antara RST
dan ANN dapat meningkatkan akurasi dalam
prediksi gangguan trafo. Metode reduksi pada
RST secara efektif dapat mengurangi database
gas yang mempengaruhi secara signifikan data
gangguan masukan awal. Data masukan yang
secara signifikan mempengaruhi analisis
gangguan tersebut kemudian digunakan
sebagai database pelatihan ANN. Langkah-
langkah pelatihan secara kompleks dan waktu
pelatihan yang lama dapat secara efektif
meningkatkan akurasi prediksi gangguan
transformator 6/20/2013 10
11. 6/20/2013 11
Hongsheng Su (2007)
Penelitian ini menggunakan metode DGA
untuk mendiagnosis gangguan trafo.
Dengan mempertimbangkan kelemahan
dalam sisi komputasi yang lama,
dikembangkan metode Adapative Neuro-
Fuzzy Inference System (ANFIS).
Penggunaan ANFIS dapat menangani
kekurangan dari atribut rasio gas pada
Roger Ratio. Penggunaan metode ini
dalam mendiagnosis gangguan trafo dapat
mengurangi kompleksitas data
pembelajaran dan struktur jaringannya
12. 6/20/2013 12
Y.C.Huang, H.C.Sun, K.Y. Huang, Y.S.
Liao (2009)
Penelitian ini menggunakan Rough Set
Theory (RST) berbasis DGA untuk
melakukan ekstraksi aturan pada data-
data yang tidak linier dengan jenis
gangguan yang ada untuk diagnosis trafo.
Dengan optimasi algoritma genetik atribut
data berupa rasio gas-gas yang dihasilkan
dari uji kromatografi pada trafo dapat di
minimalkan dimensinya. Sehingga dapat
meningkatkan akurasi diagnosis dibanding
metode konvensional yang telah ada.
13. Zhou Ai Hua,Song Hong, Xiao Hui, Zeng
(2012)
Penelitian ini hampir sama dengan
peneltian yang dilakukan oleh X.Yu dan
H.Zang (2008), menggunakan kombinasi
antara teknik RST yang dikombinasikan
dengan NN. Sebagai masukan dari NN,
RST mereduksi data masukan yang
mempunyai faktor yang cukup signifikan
dalam melakukan prediksi gangguan trafo.
Akhirnya NN tanpa data masukan yang
besar dapat melakukan pelatihan yang
tidak membutuhkan waktu komputasi yang
lama dalam melakukan pelatihan data
masukan yang kemudian data tersebut
digunakan kembali untuk melakukan6/20/2013 13
14. Fuzzy Expert System
Kelebihan:
1. Dapat menangani sifat ketidaktepatan dan
ketidaklengkapan data hasil diagnosis
cukup bagus
Kekurangan:
1. Tidak dapat belajar dari diagnosis
sebelumnya
2. Rule (aturan) ditentukan sendiri oleh
pengalaman pakarnya
3. Trial and Error
6/20/2013 14
15. Artificial Neural Networks (ANNs)
Kelebihan:
1. Keakuratan dan efisiensi pada masalah pemodelan
numerik
2. Pada prakteknya dapat built-in toleransi kesalahan
dan respon real-time
3. ANNs dapat memperoleh pengalaman baru
dengan pelatihan tambahan dari sampel yang baru
diperoleh
4. Dapat dilakukan pendekatan, menghasilkan
setidaknya perkiraan terbaik dari kesalahan
5. ANNs yang dilatih oleh algoritma error back-
propagasi memiliki kemampuan diagnostik yang
besar
Kekurangan:
1. Membutuhkan data yang besar agar error kecil.
2. Masalah konvergensi dan beban komputasi
6/20/2013 15
16. Rough Set Theory (RST)
dikembangkan oleh Z.Pawlak (1980’s)
Kelebihan:
1. Dengan adanya feature selection,
feature extraction, data
reduction,decision rule generation, and
pattern extraction
2. Dapat mengidentifikasi ketergantungan
parsial atau total dalam data,
menghilangkan data yang berlebihan,
memberikan pendekatan untuk nilai
null, missing data, data dinamis, dan
lain-lain 6/20/2013 16
17. Landasan Teori
Dissolved Gas Analysis (DGA) atau
yang lebih dikenal dengan analisis gas
terlarut merupakan salah satu teknik
untuk mendiagnosis ganggauan yang
terjadi pada trafo daya [1]. (Gambar 2)
6/20/2013 17
18. 6/20/2013 18
4 Condition
Monitoring
Transformer aspect
[1]
Thermal Modelling
Dissolved Gas Analysis
Winding
Frequency Response
Analysis
Partial Discharge Analysis
Gambar 2. Aspek penilaian pada Transformator [1]
19. Minyak trafo berfungsi sebagai isolasi
dan media pendingin, merupakan
sebuah campuran kompleks dari
molekul-molekul hidrokarbon yang
mengandung kelompok molekul CH3,
CH2, dan CH yang terikat [5]
Terjadinya kegagalan termal ataupun
elektris pada trafo mengakibatkan
pemecahan beberapa ikatan unsur
hidrokarbon yang nantinya akan
berkombinasi dan menghasilkan
molekul-molekul gas mudah terbakar
(combustible gas) yang dikenal dengan
istilah fault gas. Gas-gas tersebut
adalah[5]: 6/20/2013 19
22. Kode Kegagalan Keterangan
PD Partial Discharge
Pelepasan muatan (discharge) dari plasma dingin (korona) pada gelembung
gas (menyebabkan pengendapan X-wax pada isolasi kertas) ataupun tipe
percikan menyebabkan proses perforasi/kebolongan pada kertas yang bisa
saja sulit untuk dideteksi)
D1
Discharge of Low
Energy
PD tipe percikan/spark (menyebabkan perforasi karbon pada isolasi kertas
dalam skala yang lebih besar). Arcing pada energi rendah memacu perforasi
karbon pada permukaan isolasi kertas sehingga muncul banyak partikel
karbon pada minyak (terutama akibat pengoperasian tap-changer)
D2
Discharge of
High Energy
Discharge yang mengakibatkan kerusakan dan karbonisasi yang meluas
pada kertas minyak). Pada kasus yang lebih ekstrim terjadi penggabungan
metal (metal fusion), pemutusan (tripping) peralatan dan pengaktifan alarm
gas
T1
Thermal Fault
T<300o C
Isolasi kertas berubah warna menjadi coklat pada temperatur >200 oC (T1)
dan pada temperatur > 300oC terjadi karbonisasi kertas munculnya formasi
partikel karbon pada minyak (T2)
T2
Thermal Fault
300<T<700o C
T3
Thermal Fault
T>700o C
Munculnya formasi partikel karbon pada minyak secara meluas, pewarnaan
pada metal (200oC) ataupun penggabungan metal (>1000oC)
6/20/2013 22
Tabel 2. Klasifikasi jenis Gangguan Transformator
[4]
23. Duval Triangle (Segitiga Duval) [5]
6/20/2013 23
Tiga senyawa gas (metana, etilen,asetilen) dibandingkan terhadap
akumulasi dari ketiga gas tersebut. Dilengkapi dengan grafik tiga
koordinat berbentuk segitiga sama sisi. Niai dari setiap koordinat adalah
persentase dibandingkan terhadap total ketiga gas. Berapapun
koordinatnya akan menunjuk kepada salah satu jenis gangguan.
Segitiga Duval tidak bisa menginterpretasikan semua data dan jenis
gangguannya
24. 6/20/2013 24
Key Gases [6]
Gangguan Gas Kunci Kriteria
Jumlah Prosentase
Gas
Busur Api
(Arcing)
Asetilen (C2H2) Hidrogen (H2) dan Asetilen (C2H2) dalam
jumlah besar dan sedikit Metana (CH4) dan
Etilen(C2H4)
Hidrogen (H2) : 60%
Asetilen (C2H2): 30%
Korona (PD) Hidrogen (H2) Hidrogen dalam jumlah besar, Metana jumlah
sedang, dan sedikit Etilen, Karbonmonoksida
dan karbondioksida, dapat dibandingkan bila
berkaitan dengan selulosa
Hidrogen : 85%
Metana : 13%
Pemanasan
lebih
Minyak
Etilen Etilen dalam jumlah besar dan Etana dalam
jumlah lebih kecil, jumlah sedang metana dan
Hidrogen, sedikit Karbonmonoksida
Etilen : 63%
Etana : 20%
Pemanasan
lebih
selulosa
Karbon
monoksida
CO dan CO dalam jumlah besar
Gas hidrokarbon mungkin ada
CO : 92%
26. Rasio Roger:
Salah satu metode tambahan yang
digunakan untuk menafsirkan apa yang
terjadi berdasarkan komposisi gas
terlarut. Metode rasio roger adalah
membandingkan jumlah dari berbagai
gas berbeda dengan membagi satu gas
dengan yang lainnya, membentu
sebuah rasio. Pembentukan gas
menunjukkan pada keadaan suhu
tertentu, suatu gas akan lebih besar
dari gas lainnya.
6/20/2013 26
27. Referensi
[1] W.H.Tang, Q.H.Wu,”Condition Monitoring and
Assessment of Power Transformers Using
Computational Intelligence” The University of
Liverpool, Springer, 2011
[2] T.Munakata,”Fundamentals of the New Artificial
Intelligence London, Springer Science, 2008
[3] M. Duval, M. “Interpretation of Gas-In-Oil
Analysis Using New IEC Publication 60599 and
IEC TC 10 Databases”. Electrical Insulation
Magazine, IEEE, Vol 17:2, pp. 31-41, 2001
[4] M. Duval, “Dissolved gas analysis: It can save
your transformer,” IEEE Electrical Insulation
Magazine, vol. 5, no. 6, pp. 22-27, 1989
[5] Dr. DiGiorgio,” Dissolved Gas Analysis Of
Mineral Oil Insulating Fluids”, Northern
Technology & Testing, 2001
6/20/2013 27
28. Referensi
[6] R. R. Rogers, “IEEE and IEC codes to interpret incipient
faults in transformers, using gas in oil analysis,” IEEE
Trans. on Electrical Insulation, vol. 13, no. 5, pp. 349-354,
1978
[7] C57.104-2008 - IEEE Guide for the Interpretation of
Gases Generated in Oil-Immersed Transformers, 2008
(http://standards.ieee.org/findstds/standard/C57.104-
2008.html)
[8] X. Yu and H. Zang, “Transformer Fault Diagnosis Based
on Rough Sets Theory and Artificial Neural Networks”.
International Conference on Condition Monitoring and
Diagnosis. pp 1342 - 1345, 2008.
[9] Y.C. Huang, H.C. Sun, K.Y. Huang and Y.S. Liao, “Fault
Diagnosis of Power Transformers Using Rough Set
Theory”. Proceeiding of Fourth International Conference
on Innovative Computing, Information, and Control,
pp.1422-1426, 2009
[10] X.Zheng“Intelligent Fault Diagnosis of Power
Transformer based on Fuzzy logic and Rough Set Theory”.6/20/2013 28
29. Referensi
[11]M.Zhou, T.Wang,”Fault Diagnosis of Power Transformer
Based on Assosiation Rules Gained by Rough Set”,
IEEE 2010
[12] H.Su, “An ANFIS-based Transformer Insulation Fault
Diagnosis Method Using Emotional Learning” IEEE,
2007
[13] Fabio R.Barbosa, Artificial Neural Network Application in
Estimation of Dissolved Gases In Insulating Mineral Oil
From physical-chemical datas for incipient fault
Diagnosis, IEEE, 2009
[14] B.Nemets,S.Labonez,C. Guztav,”Transformer condition
analyzing expert system using fuzzy neural
system”IEEE,2010
[15] N.A.Setiawan,Sarjiya,Z.Ardhiaga,” Power Transformer
Incipient Faults Diagnosis Using Dissolved Gas
Analysis and Rough Set, IEEE International
Conference, 2012
[16] S.S,Bacha Khmais,C.Abdelkader, “Power Transformer
Fault Based on Dissolved Gas Analysis by Artificial6/20/2013 29