ABSTRAK
Prediksi permintaan daya yang tepat sangat penting untuk mengoptimalkan operasi sistem daya, khususnya dalam domain peningkatan integrasi sumber daya energi terbarukan. Teknik statistik dan pembelajaran mesin konvensional mengalami kesulitan dalam menangkap korelasi temporal yang kompleks dalam data beban. Tujuan dari penelitian ini adalah untuk memeriksa pemanfaatan Long Short-Term Memory – Recurrent Neural Networks (LSTM-RNN) dalam prediksi beban dan melakukan analisis perbandingan yang luas dengan XG-Boost yang mapan dan teknik konvensional lainnya. Penggabungan respons permintaan dan sumber energi terbarukan yang terdistribusi sangat penting dalam memastikan stabilitas jaringan pintar dan penilaian permintaan daya yang akurat. Namun, tugas membuat prakiraan energi yang tepat menghadapi berbagai kendala yang berasal dari kondisi iklim, pengaruh masyarakat, dan variasi musiman. Ketepatan model LSTM-RNN kami dievaluasi menggunakan data permintaan aktual yang diperoleh dari perusahaan utilitas terkemuka di Jerman. Temuan menunjukkan bahwa model LSTM-RNN secara konsisten menunjukkan kinerja yang lebih unggul dibandingkan dengan teknik pembelajaran mesin standar dan XG-Boost dalam peramalan beban jangka pendek (1–24 jam) dan jangka panjang (tahunan). LSTM-RNN memiliki tingkat ketahanan yang luar biasa dalam menghasilkan prediksi yang akurat, terutama ketika dihadapkan dengan data masukan yang tidak memadai atau berisik. Hasil yang disebutkan di atas menyoroti potensi LSTM-RNN dalam meningkatkan peramalan beban dalam jaringan pintar, sehingga memungkinkan penggabungan mekanisme respons permintaan dan sumber energi terbarukan secara efisien. Studi ini menawarkan wawasan yang berharga dan menyajikan metodologi yang komprehensif untuk meningkatkan estimasi permintaan daya dalam sistem daya kontemporer.