Pemodelan Backpropagation Neural Network Pada Relay Differensial Transformator GI Babadan 150 KV
Total View This Week0
Total View This Week0
Institusion
Universitas Negeri Surabaya
Author
EKA PRASETYO HIDAYAT (STUDENT ID : 14050874073)
(LECTURER ID : 0021027602)
(LECTURER ID : 0021027602)
Subject
Teknik
Datestamp
2022-12-23 14:37:22
Abstract :
AbstrakPada penelitian ini metode Backpropagation Neural Network (BP-NN) telah dimodelkan untukmeningkatkan kesensitifan relay differensial terhadap gangguan. Hal inidimungkinkan karena BP-NN menawarkanpenyelesaian masalah dalam menentukan pengenalan pola. Metode ini dapatdigunakan untuk pengenalan pola dengan model yang sederhana dalam menggambarkanpola hubungan antara arus differensial dengan arus restrain tersebut Hasil penelitian menunjukan bahwa denganmenggunakan metode BP-NN, didapatkanerror sebesar 0,000420 dengan nilai arus primer yang dihasilkanadalah 0,07523 A dan arus sekunder adalah 0,07509 A dengan parameter horizontal adalahwaktu (mS) serta parameter vertical adalah arus rating dari CT. Arus differensialadalah 0,6966 pu dengan slope 1 yaitu 0,1 pu dan slope 2 yaitu 0,8 pu makarelay differensial tidak mengeluarkan trip ke PMT. Maka dapatditarik kesimpulan bahwa dengan menggunakan metode BP-NN didapatkan hasilyang lebih efektif untuk mengurangi potensi kesalahan kerja pada relaydifferensial.Kata Kunci: Relay Differensial,BackpropgationNeural Network, Arus Inrush, Arus Differensial, Arus RestrainAbstractIn this research the Backpropagation Neural Network (BP-NN) methode has been modeled toincrease The sevsitivity of differentialrelays to interference. This is possible because BP-NN offers problem solving in determining pattern recognition.This method can be used for pattern recognition with a simple model indescribing the pattern of the relationship between differential currents andthe restrain current. The result BP-NN method , an error of 0,000420 wasobtained with the primary current value being 0,07523 A and the secondarycurrent is 0,07509 A with the horizontal parameter is time (mS) and the vertical parameter is the ratingcurrent from CT. Differential currents are 0,6966 pu with slope 1 is 0,1 pu and slope 2 is 0,8pu then differential relays do not issue trip to PMT. Then it can be concludedthat by using the BP-NN method results are obtained more effectively to reducethe potential for work errors on differential relays.Keywords: Differential Relays, Backpropagation Neural Network, InrushCurrent, Differential Current, Restrain Current
AbstrakPada penelitian ini metode Backpropagation Neural Network (BP-NN) telah dimodelkan untukmeningkatkan kesensitifan relay differensial terhadap gangguan. Hal inidimungkinkan karena BP-NN menawarkanpenyelesaian masalah dalam menentukan pengenalan pola. Metode ini dapatdigunakan untuk pengenalan pola dengan model yang sederhana dalam menggambarkanpola hubungan antara arus differensial dengan arus restrain tersebut Hasil penelitian menunjukan bahwa denganmenggunakan metode BP-NN, didapatkanerror sebesar 0,000420 dengan nilai arus primer yang dihasilkanadalah 0,07523 A dan arus sekunder adalah 0,07509 A dengan parameter horizontal adalahwaktu (mS) serta parameter vertical adalah arus rating dari CT. Arus differensialadalah 0,6966 pu dengan slope 1 yaitu 0,1 pu dan slope 2 yaitu 0,8 pu makarelay differensial tidak mengeluarkan trip ke PMT. Maka dapatditarik kesimpulan bahwa dengan menggunakan metode BP-NN didapatkan hasilyang lebih efektif untuk mengurangi potensi kesalahan kerja pada relaydifferensial.Kata Kunci: Relay Differensial,BackpropgationNeural Network, Arus Inrush, Arus Differensial, Arus RestrainAbstractIn this research the Backpropagation Neural Network (BP-NN) methode has been modeled toincrease The sevsitivity of differentialrelays to interference. This is possible because BP-NN offers problem solving in determining pattern recognition.This method can be used for pattern recognition with a simple model indescribing the pattern of the relationship between differential currents andthe restrain current. The result BP-NN method , an error of 0,000420 wasobtained with the primary current value being 0,07523 A and the secondarycurrent is 0,07509 A with the horizontal parameter is time (mS) and the vertical parameter is the ratingcurrent from CT. Differential currents are 0,6966 pu with slope 1 is 0,1 pu and slope 2 is 0,8pu then differential relays do not issue trip to PMT. Then it can be concludedthat by using the BP-NN method results are obtained more effectively to reducethe potential for work errors on differential relays.Keywords: Differential Relays, Backpropagation Neural Network, InrushCurrent, Differential Current, Restrain Current
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
