Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, 5 tahun data beban listrik per jam yang memperlihatkan pola harian, beda hari kerja dan akhir pekan, siklus musiman, serta pengaruh suhu. Pola-pola inilah yang akan dipelajari LSTM untuk meramal beban 24 jam ke depan. Ayo kita mulai. Selamat datang di seri tutorial riset, peramalan beban listrik jangka pendek dengan LSTM dan optimasi evolusioner. Operator sistem tenaga harus tahu berapa beban besok jam demi jam, untuk menjadwalkan pembangkit dengan biaya paling murah dan menjaga keandalan. Galat 1% saja bisa berarti miliaran rupiah. Di seri 6 episode ini kita membangun semuanya. Data, fitur, baseline arima dan regresi, LSTM, optimasi dengan algoritma genetika, sampai evaluasi. Di episode pertama kita mengenal datanya. Kita buka terminal lewat menu terminal, new terminal, lalu pasang library seri ini.
Langkah 1: Memasang library & dataset
Torque, pandas, scikit-learn, stats models untuk arima, holidays untuk daftar hari libur, dan medplotlib. Datanya beban listrik per jam negara Belgia dari ENSOI lewat Open Power System Data, digabung dengan suhu per jam kota berasal dari Open Meteo, 5 tahun dari 2015 sampai 2019. File siapakainya ada di file projek khusus pelanggan premium. Buat file data underscore beban dot py.
Langkah 2: Memuat & membagi data berdasarkan waktu
Fungsi muat membaca CSV dengan kolom waktu sebagai indeks. Fungsi bagi-membagi data berdasarkan waktu. 3 tahun pertama untuk latih, 2018 untuk validasi, dan 2019 untuk uji. Pada deret waktu, data tidak boleh diacak, karena kita tidak boleh memakai masa depan untuk meramal masa lalu. Buat file eksplorasi underscore beban dot py dan jalankan.
Langkah 3: Ringkasan data
Ada 43.824 jam data. Beban rata-rata sekitar 9.900 MW, dengan minimum sekitar 6.500 dan maksimum 13.600 MW. Data latih 26.000 jam, validasi dan uji masing-masing 8.760 jam. Korelasi beban dengan suhu negatif, minus 0,29. Makin dingin, makin besar beban karena pemanas.
Langkah 4: Pola harian, mingguan, musiman & suhu
Mari lihat polanya. Grafik kiri atas memperlihatkan siklus musiman setiap tahun. Tinggi di musim dingin, rendah di musim panas. Grafik kanan atas profil per jam. Beban naik tajam pukul 6 pagi, puncak sekitar pukul 10 dan pukul 6 sore, dan hari Sabtu serta minggu jauh lebih rendah daripada hari kerja. Grafik kiri bawah rata-rata per bulan, dan grafik kanan bawah beban harian terhadap suhu. Titik merah akhir pekan membentuk kelompok tersendiri yang lebih rendah.
Selesai!
Selesai. Kita sudah memuat data beban listrik per jam dan suhu, membagi data berdasarkan waktu, dan mengenali pola harian, mingguan, musiman, serta pengaruh suhu. Di episode berikutnya kita mengubah pola-pola ini menjadi fitur dan menyusun jendela deret waktu untuk LSTM. Sedang menyusun skripsi, tesis, atau riset di bidang peramalan beban listrik dan deret waktu? Cerdas inovasi digital membantu implementasi deep learning, dari eksplorasi data beban, rekayasa fitur, arima dan regresi, LSTM dengan PyTor, sampai optimasi hyperparameter dengan algoritma genetika, serta membuka kursus deep learning dengan PyTor. Ingin menguasai seluruh seri ini, dari data beban per jam sampai evaluasi ramalan? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.286 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
