1. UKM Learning and Research Repository
2. Master Thesis / Tesis Master
3. Faculty of Engineering and Built Environment / Fakulti Kejuruteraan dan Alam Bina

Title:	Pengawasan beban tak mengganggu menggunakan mesin pembelajaran ekstrem
Authors:	Khairuddin Khalid (P75445)
Supervisor:	Azah Mohamed, Prof. Dr.
Keywords:	Elektrik Beban Meter pintar Universiti Kebangsaan Malaysia -- Dissertations
Issue Date:	3-Oct-2017
Description:	Seiring dengan peningkatan kesedaran masyarakat untuk mengurangkan penggunaan tenaga elektrik dan sambutan yang menggalakkan daripada penggunaan meter pintar telah mencetuskan idea pemantauan beban tak mengganggu (PBTM). Tujuan pemantauan beban dilakukan untuk mendapatkan maklumat yang berguna tentang penggunaan setiap peralatan elektrik untuk pengurusan tenaga yang lebih cekap. Dalam PBTM, penggunaan tenaga bagi setiap beban diukur pada satu titik kemasukan utama bekalan elektrik bagi mendapatkan bacaan kuasa agregat dengan menggunakan meter pintar. Status operasi beban berdasarkan aktiviti buka dan tutup beban boleh dikesan dengan menganalisis isyarat kuasa agregat. Untuk mencapai objektif kajian, strategi perlaksanaan PBTM mempertimbangkan tiga jenis beban yang lazim terdapat dibangunan komersial, iaitu, lampu pendaflour, penghawa dingin dan komputer peribadi. Dalam kajian PBTM ini, eksperimen dilaksanakan di makmal kuasa UKM untuk mengumpul maklumat penting tentang penggunaan beban yang disasarkan dengan menggunakan meter pintar komersil. Disamping itu, parameter meter pintar seperti kadar persampelan data turut dikaji untuk menilai keberkesanan penggunaan meter pintar dalam PBTM.Kaedah pengumpulan data dilaksanakan secara terselia. Dengan menggunakan parameter kuasa daripada meter pintar, analisis isyarat dan algoritma pengkelasan yang lebih cekap telah dibangunkan untuk mendapatkan pengasingan beban yang lebih efektif. Satu teknik penyarian sifat yang lebih berkesan dicadangkan dengan mengguna jelmaan-masa masa (MM) untuk menghasilkan satu isyarat kuasa dalam dimensi baru untuk mengasingkan aktiviti beban daripada isyarat kuasa agregat. Pemilihan sifat beban turut dipertimbangkan dengan menggunakan tiga parameter kuasa, iaitu, kuasa aktif, kuasa reaktif dan sisihan piawai jelmaan-MM. Ketiga-tiga parameter ini telah digunakan sebagai masukan untuk melatih teknik kepintaran buatan bagi tujuan pengkelasan jenis dan operasi buka/tutup beban. Bagi pengkelasan beban, hasil keluarannya adalah dalam bentuk perduaan berbilang. Teknik mesin pembelajaran ekstrem (MPE) yang merupakan satu teknik kepintaran buatan baru telah digunakan untuk pengkelasan beban. Keputusan pengkelasan beban menunjukkan bahawa teknik MPE berjaya mencapai ketepatan yang tinggi dan pantas dalam pengkelasan beban berbanding dengan tiga teknik lain, iaitu, rangkaian neural tiruan, mesin vektor penyokong dan hutan rawak. Kemantapan teknik yang dilaksanakan turut diuji dengan data set baru yang dikumpulkan secara rawak dan tidak berpenyelia. Berdasarkan keputusan pengesahsahihan yang diperolehi, MPE mencapai pengkelasan beban yang paling tinggi dengan ketepatan 100% bagi persampelan data dengan selang masa 1 minit. Namun, ketepatan semakin berkurang apabila diuji dengan selang masa 10 minit dan 30 minit. Walau bagaimanapun, hasil kajian menunjukkan kaedah PBTM yang dicadangkan adalah sesuai untuk dilaksanakan dengan meter pintar dengan kadar persampelan yang rendah. Untuk merealisasikan PBTM dalam kehidupan sebenar, satu alatan perisisan yang dikenali sebagai ‘PBTM toolkits’ turut dibangunkan dengan keupayaan untuk meramal operasi peralatan elektrik yang disasarkan dalam kajian ini dan juga peralatan yang lain.,Sarjana Sains
Pages:	143
Publisher:	UKM, Bangi
Appears in Collections:	Faculty of Engineering and Built Environment / Fakulti Kejuruteraan dan Alam Bina

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.